Hydrideverbindingen zijn een klasse veelbelovende supergeleidende materialen die hoge supergeleidende overgangstemperaturen bezitten (d.w.z. H₃ S en LaH₁₀ ) onder ultrahoge druk (enkele honderden GPa). Het screenen van de hele ruimte van potentiële nieuwe op hydriden gebaseerde materialen die supergeleidend zijn bij hogere temperaturen en onder beheersbare omstandigheden blijft een aanzienlijke uitdaging in de natuurkunde en materiaalkunde.

Onderzoekers Dr. Daniel Wines en Dr. Kamal Choudhary van het National Institute of Standards and Technology (NIST) hebben gebruik gemaakt van een combinatie van op de kwantummechanica gebaseerde dichtheidsfunctionaaltheorie (DFT) en kunstmatige intelligentie (AI) om deze uitdaging aan te pakken. Door deze methoden te integreren, ontwikkelden ze een aanpak die het voorspellings- en ontdekkingsproces voor potentiële hydride-supergeleiders verbetert.

Het artikel, getiteld "Data-driven Design of High Pressure Hydride Superconductors Using DFT and Deep Learning", is gepubliceerd in het tijdschrift Materials Futures .

De onderzoekers gebruikten DFT-berekeningen met hoge doorvoer om de kritische temperatuur van meer dan 900 hydridematerialen onder een reeks druk te voorspellen, waarbij ze meer dan 120 structuren vonden met superieure supergeleidende eigenschappen vergeleken met MgB₂ , met een kritische temperatuur van 39 K.

Om het screeningproces te versnellen en de rekenkosten aanzienlijk te verlagen, hebben ze een grafisch neuraal netwerk (GNN)-model getraind op basis van de atomaire structuur dat supergeleidende overgangstemperaturen onder verschillende drukomstandigheden onmiddellijk kan voorspellen.

De datagestuurde benaderingen van het NIST-team bieden een raamwerk dat kan worden gebruikt om nieuwe hydride-supergeleiders op een snellere en efficiëntere manier te screenen. De integratie van kwantummechanische (DFT)-simulaties met hoge doorvoer en machinaal leren kan het voorspellingsproces versnellen voorafgaand aan duurder experimenteel onderzoek.

Kijkend naar de toekomst evolueert het gebied van hogedrukhydridesupergeleiders snel. Om vooruitgang op dit gebied te blijven boeken, is het van cruciaal belang om de hoeveelheid unieke en hoogwaardige gegevens die openbaar beschikbaar zijn, te vergroten, wat op zijn beurt de nauwkeurigheid van machine learning-modellen kan vergroten.

Wines stelt:“Terwijl onderzoekers over de hele wereld de grenzen van de materiaalkunde blijven verleggen, wordt de rol van hoogwaardige, openbaar beschikbare datasets steeds belangrijker. Relevante gegevens kunnen helpen bij het verfijnen van onze modellen en het verbeteren van onze voorspellende mogelijkheden, wat kan leiden tot snellere en nauwkeurigere ontdekkingen."

Het team van NIST moedigt samenwerkingsinspanningen en het open delen van gegevens aan, wat mogelijk wordt gemaakt door platforms zoals JARVIS (Joint Automated Repository for Diverse Integrated Simulations), een open toegangsinfrastructuur die wordt gehost door NIST en is ontworpen om de ontdekking van materialen te automatiseren.

Hogetemperatuur-supergeleiders hebben het potentieel om technologieën in verschillende industrieën radicaal te veranderen. Dit werk toont niet alleen de synergie van het combineren van kwantummechanische simulaties met AI, maar baant ook de weg naar een toekomst waarin de droom van een supergeleider op kamertemperatuur ooit werkelijkheid kan worden.