基于BCS启发筛选、密度泛函理论与深度学习的常压高温超导体设计
超导电性
2023-01-16 v2
摘要
我们开发了一个用于发现常规超导体的多步骤工作流，首先以Bardeen Cooper Schrieffer（BCS）启发的方式对1736种具有高德拜温度和电子态密度密度的材料进行预筛选。接着，我们对其中1058种材料进行电声耦合计算，以建立一个大型且系统的BCS超导性质数据库。利用McMillan-Allen-Dynes公式，我们识别出105种动力学稳定且转变温度 Tc>5 K 的材料。此外，我们分析了数据集中的趋势以及单个材料，包括MoN、VC、VTe、KB6、Ru3NbC、V3Pt、ScN、LaN2、RuO2和TaC。我们证明深度学习（DL）模型比直接的第一性原理计算更快地预测超导体性质。值得注意的是，我们发现通过将Eliashberg函数作为中间量进行预测，相较于直接对Tc进行DL预测，可以提升模型性能。我们将训练好的模型应用于晶体学开放数据库，并为进一步的DFT计算预筛选候选材料。
引用
@article{arxiv.2205.00060,
title = {Designing High-Tc Superconductors with BCS-inspired Screening, Density Functional Theory and Deep-learning},
author = {Kamal Choudhary and Kevin Garrity},
journal= {arXiv preprint arXiv:2205.00060},
year = {2023}
}