机器学习引导的铜氧化物临界温度预测模型
超导电性
2021-07-12 v1
摘要
铜氧化物作为高温超导体（high-Tc superconductors）的一员，其超导机制长期存在争议，因此预测铜氧化物的临界温度仍具挑战性。本文中，我们利用机器学习和第一性原理计算预测了空穴掺杂铜氧化物的最大超导转变温度（Tc,max），并给出了Tc,max的显式函数形式，其均方根误差为3.705 K，决定系数R2为0.969。我们采用了两种机器学习模型：一种是参数化暴力搜索方法，另一种是非参数随机森林回归模型。我们发现材料相关参数如顶端氧的Bader电荷、顶端原子间的键强以及超导层数，是估计Tc,max的重要特征。此外，我们通过将顶端阳离子替换为其他元素预测了假设铜氧化物的Tc,max。当Ga为顶端阳离子时，在一、二、三层CuO2层的假设结构中预测Tc,max分别为71、117和131 K，为最高。这些发现表明机器学习未来可指导新型高温超导体的设计。
引用
@article{arxiv.2101.02810,
title = {Machine-Learning-Guided Prediction Models of Critical Temperature of Cuprates},
author = {Donggun Lee and Daegun You and Dongwoo Lee and Xin Li and Sooran Kim},
journal= {arXiv preprint arXiv:2101.02810},
year = {2021}
}