Supraleiter – Ein Überblick
Ein kürzlich veröffentlichtes KI-Papier der Georgia Tech und der Hanoi University of Science and Technology (Vietnam) bietet eine neue Methode zur Identifizierung potenzieller Supraleiterkandidaten. Supraleiter, die den elektrischen Widerstand trotzen und bei Abkühlung unter eine kritische Temperatur null Widerstand aufweisen könnten viele Anwendungen in Energie, Verkehr und Spitzenelektronik revolutionieren. Diese neue Methode nutzt maschinelles Lernen und atomare Informationen, um neue konventionelle (oder BCS) Superleiter zu entdecken.
Herausforderungen und Lösungen
Bislang war die Vorhersage von Hochtemperatursupraleitung bei null Temperatur aufgrund mangelnder atomarer Informationen eine Herausforderung. Das Forschungsteam hat diese Hürde durch sorgfältige Datenaufbereitung und maschinelles Lernen überwunden. Mit einem erstellten Datensatz von 584 atomaren Strukturen mit über 1100 Werten von λ und ωlog, konnten die Forscher ML-Modelle entwickeln und nutzen, um über 80.000 Einträge in der Materials Project Datenbank zu überprüfen. Dabei wurden zwei stabile Materialien entdeckt, deren Supraleitfähigkeit bei Tc ungefähr gleich 10−15K und P = 0 existieren könnte.
Supraleiter und der Einsatz von Maschinellem Lernen
Das Team hat das Matminer-Paket verwendet, um atomare Strukturen in numerische Vektoren umzuwandeln, und die Gaußsche Prozessregression als ML-Algorithmus eingesetzt. Damit konnten die Forscher ML-Modelle zur Vorhersage der supraleitenden Eigenschaften von 35 Kandidaten nutzen. Unter ihnen wiesen sechs die höchsten vorhergesagten Tc-Werte auf. Zwei davon, nämlich kubische Strukturen von CrH und CrH2, erwiesen sich nach weiteren Stabilitätsberechnungen als stabil.
Bestätigung und Zukunftsaussichten
Die Forscher bestätigten ihre Vorhersagen und führten zusätzliche Berechnungen mit der lokalen Dichtennäherung (LDA) XC-Funktionalität durch, die die Genauigkeit der vorhergesagten Ergebnisse innerhalb von 2-3% der gemeldeten Werte bestätigte. Weiterhin erforschten sie die Synthetisierbarkeit der Supraleiter und fanden heraus, dass diese in der Vergangenheit experimentell synthetisiert wurden. Sie hoffen, dass zukünftige Tests ihre vorhergesagte Supraleitung bestätigen werden.
Die Forscher planen, ihren ML-Ansatz in zukünftigen Studien zu verbessern, indem sie den Datensatz erweitern und diversifizieren, Deep-Learning-Techniken einsetzen und eine inverses Design-Strategie zur effizienten Untersuchung der praktisch unendlichen Materialien integrieren. Sie sehen weitere Verbesserungen ihres Ansatzes vor, die die Entdeckung von Hoch-Tc-Superleitern erleichtern und planen eine Zusammenarbeit mit experimentellen Experten für Tests und Synthesen in der realen Welt.
Zusammenfassung
Zusammengefasst, diese Arbeit zeigt, dass die Vorhersage der Supraleitfähigkeit auf der Basis atomarer Strukturen nachhaltig und zuverlässig ist. Maschinelles Lernen kann die Entdeckung neuer Supraleiter beschleunigen, wenn die Zuverlässigkeit verbessert werden kann. Dieser vorgeschlagene ML-Ansatz ermöglicht einen Weg zur direkten Übertragung dessen, was aus hochdruck-atomaren Details, die mit Hoch-Tc-Supraleitung korrelieren, auf null Druck gelernt werden kann. Dieser Ansatz wird in Zukunft weiter verbessert, um zu neuen Entdeckungen von Supraleiter beizutragen.
Quelle: Studien-Paper