用于发现常规超导体的机器学习方法

在过去十年中，第一性原理计算是推动众多主要基于高压氢化物超导体发现的驱动力。机器学习（ML）方法若能提升可靠性，可进一步加速未来的发现。当前ML方法的主要挑战在于，其通常旨在从固体的化学成分和目标压力预测临界温度 $T_{\rm c}$，而待学习的关联深藏、间接且不确定。本工作中，我们表明从原子结构预测任意压力下的超导性是可行且可靠的。为作演示，我们整理了一个包含584个原子结构的多样数据集，其中电子-声子相互作用的两个参数 $\lambda$ 和 $\omega_{\log}$ 已被计算。随后我们训练了一些ML模型来预测 $\lambda$ 和 $\omega_{\log}$，并可在后处理中算出 $T_{\rm c}$。这些模型经过验证，并用于识别两种在零压下 $T_{\rm c}\simeq 10-15$K 的可能超导体。有趣的是，这些材料已在其他背景下被合成和研究。总之，所提出的ML方法提供了一条路径，将可从与高-$T_{\rm c}$ 超导性相关的高压原子级细节中学到的知识直接迁移到零压。未来，该策略将被改进以更好地助力新超导体的发现。