编辑 | 紫罗

最近，有关「室温常压超导」的消息，可谓轰炸全网，全球掀起复现热潮。

那么，结果如何呢？......

当然，值得注意的是，ScienceAI 今天给大家分享的这篇「AI+超导体」相关研究并不是近期火热的「室温常压超导」。

而是在 AI 的助力下，更快、更可靠发现潜在超导体的新候选材料。

超导体是指在接近绝对零（即 -459.67°F）的温度下可实现电阻为零的导体，是一种比常规导体更为优越的无损耗导电材料。存在于核磁共振成像仪、核聚变反应堆和磁悬浮列车等中。

现有超导材料大多需要在极低温度下才能工作，这大大限制了它们的大规模应用。研发出一种室温超导材料一直是全球物理学界寻求突破的方向。

对可在室温下工作的传统超导体的研究已经持续了大约一个世纪。但在过去十年中，由于使用超级计算机的机器学习（ML）取得了新的进展，研究速度大大加快。

最近，美国佐治亚理工学院（Georgia Tech）材料科学与工程学院的高级研究科学家 Huan Tran 与越南河内理工大学（HUST）的 Tuoc Vu 教授合作开发了一种人工智能/ 机器学习 (AI/ML) 方法，以更快、更可靠的方式帮助识别潜在超导体的新候选材料。

研究旨在解决如何使用 AI/ML 方法可靠地预测超导性（尤其是在零压力下）。当前的 AI/ML 工作不够可靠，因为原子级信息尚未用于证明特定材料是否可以表现出超导性。

该研究证明从原子结构预测任何压力下的超导性是可靠的。

该研究以「Machine-learning approach for discovery of conventional superconductors」为题，发布在《Physical Review Materials》上。

研究背景

在过去的十年中，第一性原理计算是众多氢化物基超导体发现背后的驱动力，其中大部分是在高压下发现的。如果能够提高 ML 方法的可靠性，则可以进一步加速未来的发现。

目前的机器学习方法通常旨在根据化学成分和目标压力预测固体的临界温度 Tc，其主要挑战是要学习的相关性是深度隐藏的、间接的和不确定的。

现有的 ML 工作可以分为四类，包括（i）使用一些 ML 势来加速结构预测步骤，（ii）使用一些符号 ML 技术来导出 Tc 的新经验表达式，(iii) 开发一些 ML 模型来根据给定压力 P 下的化学成分预测 Tc，以及 (iv) 开发一些 ML 模型来预测原子结构中的 λ、ωlog 和 。

虽然 (iii) 占主导地位，但其作用仍然有限，可能是因为化学成分和目标 P 到 Tc 的联系被深深隐藏。事实上，这种方法的两端之间至少存在两个「缺失环节」。其中之一是原子级信息，另一个是超导的微观机制，例如传统超导体中的电势相互作用。前者至关重要，因为对于给定的化学成分，热力学竞争原子结构的性质通常可能根本不同，例如，一个是绝缘的，另一个是导电的。因此，忽略原子结构相当于在 ML 预测中添加了不可约的不确定性。同样，后者怎么强调也不为过。

AI/ML 方法可靠地预测超导性

在此，研究人员提出了将原子级信息引入机器学习驱动的新型传统超导体路径的第一步，特别是在环境压力下。

为了这个目标，研究人员整理了一个包含 584 个原子结构的数据集，其中在不同的 P 值下计算并报告了超过 1100 个 λ 和 ωlog 值。获得的数据集经过可视化、验证和标准化，然后用于开发 λ 和 ωlog 的 ML 模型。

然后，这些模型被用来筛选材料项目数据库（Materials Project database）的 80 000 多个条目，识别并确认（通过第一原理计算）两种热力学和动态稳定的超导体材料，其在零压力下的 Tc 为 10-15 K。还提出了一种计算 λ 和 ωlog 的过程，通常很难实现收敛。

研究发现了许多可能的零压力超导体，其中包括：CrH 和 CrH2。两者都通过量子力学计算得到验证并在他们的研究中报告。

「虽然预计 CrH 和 CrH2 的超导温度约为 10-20 K，但这一发现被认为是该项目可行性的一个有希望的迹象。」Tran 说。

该方案依赖于原子结构与 λ 和 ωlog 之间的直接联系。也就是说，P 决定了计算或预测 λ 和 ωlog 的原子结构。该方案的设计具有一定的意义。

首先，机器学习模型在高 P 下实现的原子结构上进行训练，并（通过计算）证明与高温超导性相关。这些结构可以被认为是「不寻常的」，因为它们的高 P 原子级细节，例如短键长和扭曲的键角，通常在零压力下无法实现。因此，希望 ML 模型能够识别在 P = 0 时实现的具有相关异常原子级特征的原子结构，从而可能表现出可能的高温超导性。

其次，海量材料数据库，例如材料项目数据库、开放量子材料数据库（OQMD）和新型材料发现（NOMAD）数据库现在可以直接使用强大而可靠的机器学习模型进行筛选 。

鉴于这篇论证性论文只探索了很小的搜索空间，研究人员计划在下一步的努力中会发现更多的超导材料。

未来展望

总之，研究展示了一种在任何压力下发现传统超导体的机器学习方法。通过探索和学习原子结构与其可能的超导特性（特别是 λ 和 ωlog）之间的直接和受物理启发的相关性，开发了高度准确且可靠的机器学习模型。

这些模型根据 λ 和 ωlog 的标准第一原理计算进行了验证，确定了两种在零压力下具有可观临界温度 Tc 的潜在超导材料。

这种方法的主要含义是，通过学习与高温超导相关的高 P 原子级细节，获得的 ML 模型可用于识别在零压力下实现的具有可能的高温超导的原子结构。

鉴于这些模型可以直接用于具有 >10^6 个原子构型的海量材料数据库，预计在不久的将来会有更多的超导体。

展望未来，研究人员计划以多种方式改进这一策略，以更好地为新超导体的发现做出贡献。

• 首先，通过在保持数据质量的同时扩大和多样化数据集，ML 模型的适用范围将得到系统扩展。
• 其次，现代 DL 技术将用于改进并可能统一特征化和学习步骤。
• 第三，ML 模型将集成到逆向设计策略中，以有效的方式探索几乎无限的材料空间。
• 最后，与实验专家合作，合成和测试通过计算发现的超导材料，形成材料设计的闭环。

Tran说：「当科学界最终能够实现室温超导体时，我们预测，人类生活的许多方面都可以通过超高效的电网，超快和节能的计算机芯片以及可用于悬浮列车和控制聚变反应堆的超强力磁铁来改变。」