迈向超导材料的计算机筛选——斩断戈尔迪之结
超导电性
2022-12-28 v1
摘要
本文展示了一种基于随机森林回归的有监督机器学习方法，用于根据密度泛函理论得到的能带结构预测超导的实验临界温度。这种实验与理论之间的互补性受到 Kohn-Sham 与 Bogoliubov-De Gennes 方程融合的启发 [W. Kohn, W, EKU Gross, and LN Oliveira, Int. J. of Quant. Chem., 36(23), 611-615 (1989)]。Kohn-Sham 密度泛函理论能带结构中远离 EF 的特征成为超导能隙的决定性因素，体现了这一分而治之的物理理解。在现阶段不预设任何超导微观机制，这意味着在不同类别的材料中，不同的电子特征导致了超导性。然而，通过对某一类中已知成员进行训练，可以预测新成员的性能。该方法在 A15 材料上得到验证，包括二元 A3X 与三元 A6XY 金属间化合物（A=V, Nb），表明二者确实属于同一类超导体。
引用
@article{arxiv.2204.08712,
title = {Towards In Silico Mining for Superconductors -- Cutting the Gordian Knot},
author = {Vedad Babic and Itai Panas},
journal= {arXiv preprint arXiv:2204.08712},
year = {2022}
}
备注
12 pages, 4 figures and Supplementary Information containing 8 additional figures