2023年7月18日，J. Phys. Chem. Lett.在线发表了美国国家标准与技术研究所(NIST) Daniel Wines
课题组的研究论文，题目为《
Inverse Design of Next-Generation Superconductors Using Data-Driven Deep Generative Models
》。
由于计算和实验成本的原因，寻找具有高临界温度（
T
c
）的新型超导体一直是一项具有挑战性的任务。在此研究中，作者提出了一个受计算机视觉领域启发的扩散模型，以产生具有独特结构和化学成分的
新型
超导体。具体而言，使用晶体扩散变分自动编码器（CDVAE）、原子线形图神经网络（ALIGNN）预训练模型和密度泛函理论（DFT）计算的
联合自动化综合模拟库
（
JARVIS
）超导数据库，以生成具有高成功率的新型超导体。研究
从
大约
1000个超导材料的DFT数据集开始训练扩散模型
，使用该模型生成了3000个新结构
，这连同预训练的ALIGNN
筛选导致了
61个
候选结构
。研究发现了
25个新预测的候选超导体
，其中
15种结构接近convex hull，
T
c
值高达20.2 K
。
对于最优候选材料，使用了DFT计算进行验证。这种方法超越了漏斗状材料的筛选方法，
并允许对下一代材料进行逆向设计
。
图1
(a)
DFT、ALIGNN和CDVAE生成模型的
新型超导体的逆向设计工作流程；(b) CDVAE生成结构中包含给定元素的化合物具有ALIGNN预测
T
c
>3 K的概率
图2
(a-c) 3000个CDVAE生成的结构和 (d-f) 从JARVIS-DFT数据库中训练1058个结构的化学公式、密度分布和填充分数分布
图3
(a) 1058个JARVIS-DFT结构(用DFT计算
T
c
)和 (b) 3000个CDVAE结构(用ALIGNN计算
T
c
)的
T
c
分布；(c-d) 经DFT验证的CDVAE候选材料EPC参数之间的关系
图4
用CDVAE生成并用DFT验证的超导体的顶视图和侧视图
Wines, D., Xie, T. & Choudhary, K.
Inverse Design of Next-Generation Superconductors Using Data-Driven Deep Generative Models
.
J. Phys. Chem. Lett.
,
2023
, 14, 6630-6638. https://doi.org/10.1021/acs.jpclett.3c01260
【其他相关文献】
[1] Zhang, J., Zhu, Z., Xiang, X.D. et al. Machine learning prediction of superconducting critical temperature through the structural descriptor.
J. Phys. Chem. C
,
2022
, 126, 8922−8927. https://doi.org/10.1021/acs.jpcc.2c01904
[2]
Shipley, A.
M.
,
Hutcheon, M.
J.
,
Needs, R.
J. et al
. High-throughput discovery of high-temperature conventional superconductors.
Phys. Rev. B
,
2021
, 104, 054501
. https://doi.org/
10.1103/PhysRevB.104.054501
[3]
Stanev, V., Oses, C., Kusne, A.G. et al. Machine learning modeling of superconducting critical temperature.
npj Comput. Mater
.,
2018
, 4, 29. https://doi.org/10.1038/s41524-018-0085-8
(纯计算)美国国家标准与技术研究院Nano Lett.: 下一代二维超导体的高通量DFT发现
(纯计算)美国国家标准与技术研究院npj Comput. Mater.: 利用BCS设计高Tc超导体
