基于强化学习的高温超导体临界电流优化

高温超导体是下一代能源和量子技术的关键材料，但其性能常受临界电流密度 ($J_c$) 的限制，该参数受微观结构缺陷的强烈影响。通过缺陷工程优化 $J_c$ 具有挑战性，因为缺陷类型、密度和空间相关性之间存在复杂的相互作用。本文提出了一种集成工作流程，将强化学习 (RL) 与时依赖格林-兰德方程 (TDGL) 模拟相结合，以自主识别最大化 $J_c$ 的最优缺陷配置。在该框架中，TDGL 模拟生成电压-电流特性，用于评估 $J_c$，该值作为奖励信号引导 RL 智能体迭代细化缺陷配置。我们发现智能体在二维薄膜几何中发现了最优缺陷密度和相关性，相对于原始薄膜增强了涡旋锁定和 $J_c$，最高可达理论脱对极限的 60%，相对于随机初始化实现了最高 15 倍的提升。这种 RL 驱动的方法为缺陷工程提供了可扩展策略，具有推动 HTS 在核聚变磁场、粒子加速器及其他高场技术中的应用具有广泛意义。