Supraledare är material som leder elektricitet utan motstånd och är avgörande för flera tekniska framsteg, som inkluderar medicinsk bildbehandling och energieffektiv teknik. De flesta kända supraledare fungerar dock under extrema förhållanden som extremt låga temperaturer eller höga tryck, vilket begränsar deras praktiska användning.

Hydridföreningar är en klass av lovande supraledande material som har höga supraledande övergångstemperaturer (d.v.s. H₃ S och LaH₁₀ ) under ultrahöga tryck (flera hundra GPa). Att screena hela utrymmet av potentiella nya hydridbaserade material som är supraledande vid högre temperaturer och under hanterbara förhållanden är fortfarande en betydande utmaning inom fysik och materialvetenskap.

Forskarna Dr Daniel Wines och Dr Kamal Choudhary från National Institute of Standards and Technology (NIST) har utnyttjat en kombination av kvantmekanikbaserad densitetsfunktionsteori (DFT) och artificiell intelligens (AI) för att möta denna utmaning. Genom att integrera dessa metoder utvecklade de ett tillvägagångssätt som förbättrar förutsägelse- och upptäcktsprocessen för potentiella hydridsupraledare.

Artikeln, med titeln "Datadriven Design of High Pressure Hydride Superconductors using DFT and Deep Learning", publiceras i tidskriften Materials Futures .

Forskarna använde DFT-beräkningar med hög genomströmning för att förutsäga den kritiska temperaturen för över 900 hydridmaterial under en rad olika tryck, och hittade över 120 strukturer med överlägsna supraledande egenskaper jämfört med MgB₂ , som har en kritisk temperatur på 39 K.

För att påskynda screeningsprocessen och avsevärt minska beräkningskostnaderna, tränade de en grafisk neural nätverksmodell (GNN) baserad på atomstruktur som omedelbart kan förutsäga supraledande övergångstemperaturer under olika tryckförhållanden.

De datadrivna tillvägagångssätten som etablerats av NIST-teamet tillhandahåller ett ramverk som kan användas för att screena nya hydridsupraledare på ett snabbare och mer effektivt sätt. Integreringen av kvantmekaniska (DFT) simuleringar med hög genomströmning med maskininlärning kan påskynda förutsägelseprocessen innan mer kostsamma experimentella undersökningar.

Med blicken mot framtiden utvecklas området för högtryckshydridsupraledare snabbt. För att fortsätta utveckla fältet är det viktigt att öka volymen unik och högkvalitativ data som är allmänt tillgänglig, vilket i sin tur kan förbättra noggrannheten i maskininlärningsmodeller.

Wines säger, "När forskare över hela världen fortsätter att tänja på gränserna för materialvetenskap, blir rollen av högkvalitativa, allmänt tillgängliga datauppsättningar mer avgörande. snabbare och mer exakta upptäckter."

Teamet på NIST uppmuntrar till samarbete och öppen delning av data, vilket skulle kunna underlättas av plattformar som JARVIS (Joint Automated Repository for Various Integrated Simulations), som är en öppen åtkomstinfrastruktur som är värd för NIST och utformad för att automatisera materialupptäckt.

Högtemperatursupraledare har potential att revolutionera teknik inom flera industrier. Detta arbete visar inte bara synergin med att kombinera kvantmekaniska simuleringar med AI, utan banar också en väg mot en framtid där drömmen om en rumstemperatursupraledare en dag kan förverkligas.