从Eliashberg理论机器学习超导临界温度
超导电性
2021-07-13 v3 材料科学
摘要
超导的Eliashberg理论解释了常规电子-声子超导体的基本物理，包括相互作用的推迟效应与库仑赝势效应，以预测临界温度及其他性质。McMillan、Allen和Dynes从该理论预测的临界温度推导了近似闭式表达式，其本质上依赖于电子-声子谱函数，并将用于低-超导体。本文表明，现代机器学习技术可显著改进这些公式，以考虑更一般的函数形状。利用符号回归与确定独立性筛选和稀疏算子(SISSO)框架，结合人工生成的函数数据库(从多模态类爱因斯坦模型到多氢化合物的计算谱)，以及Eliashberg方程的数值解，我们推导出一个公式，其对低-超导体表现与Allen-Dynes相当，而对更高-的超导体则显著更优。我们通过数据驱动方法识别的表达式纠正了的系统性低估，同时再现了Allen和Dynes最初概述的物理约束。该方程应取代Allen-Dynes公式，用于更高温度超导体的预测以及从实验数据估算。
引用
@article{arxiv.2106.05235,
title = {Machine learning of superconducting critical temperature from Eliashberg theory},
author = {S. R. Xie and Y. Quan and A. C. Hire and B. Deng and J. M. DeStefano and I. Salinas and U. S. Shah and L. Fanfarillo and J. Lim and J. Kim and G. R. Stewart and J. J. Hamlin and P. J. Hirschfeld and R. G. Hennig},
journal= {arXiv preprint arXiv:2106.05235},
year = {2021}
}