量子力学模拟与人工智能的结合为筛选新型超导体铺平了道路
超导体是一种无阻力导电的材料，对医学成像和节能技术等多项技术进步至关重要。然而，大多数已知的超导体都在极低温度或极高压等极端条件下工作，这限制了它们的实际应用。一类很有前途的超导材料是氢化物化合物，它们在超高压(几百 GPa)下具有高超导转变温度(即 H 3 S 和 LaH 10)。筛选出所有在较高温度和可控条件下具有超导性的潜在新型氢化物基材料仍然是物理学和材料科学领域的一项重大挑战。
解决方案
国家标准与技术研究所 (NIST) 的研究人员 Daniel Wines 博士和 Kamal Choudhary 博士利用基于量子力学的密度泛函理论 (DFT) 和人工智能 (AI) 相结合的方法来应对这一挑战。通过整合这些方法，他们开发了一种可以增强潜在氢化物超导体的预测和发现过程的方法。
结果
研究人员利用高通量DFT计算预测了900多种氢化物材料在一系列压力下的临界温度，发现超过120种结构与临界温度为39K的MgB2相比具有更优异的超导性能。为了加快筛选过程并显著降低计算成本，他们训练了一个基于原子结构的图神经网络(GNN)模型，该模型可以立即预测各种压力条件下的超导转变温度。
未来
NIST 团队建立的数据驱动方法提供了一个框架，可用于以更快、更有效的方式筛选新的氢化物超导体。高通量量子力学 (DFT) 模拟与机器学习的结合可以加速更昂贵的实验研究之前的预测过程。展望未来，高压氢化物超导体领域正在迅速发展。要继续推进该领域，增加可公开获得的独特高质量数据量至关重要，这反过来可以提高机器学习模型的准确性。
Daniel Wines 表示：“随着世界各地的研究人员不断突破材料科学的界限，高质量、公开的数据集的作用变得更加关键。相关数据可以帮助我们完善模型，增强我们的预测能力，从而更快、更准确地发现新事物。”
版权声明：本文由用户上传，如有侵权请联系删除！