超导体是一种无电阻导电的材料，对于医学成像和节能技术等多项技术进步至关重要。然而，大多数已知的超导体在极端条件下运行，例如极低的温度或高压，这限制了它们的实际应用。
氢化物化合物是一类有前景的超导材料，在超高压(数百GPa)下具有高超导转变温度(即H 3 S和LaH 10 )。筛选在更高温度和可控条件下具有超导性的潜在新型氢化物基材料的整个空间仍然是物理学和材料科学中的重大挑战。
美国国家标准与技术研究所 (NIST) 的研究人员 Daniel Wines 博士和 Kamal Choudhary 博士利用基于量子力学的密度泛函理论 (DFT) 和人工智能 (AI) 的结合来应对这一挑战。通过整合这些方法，他们开发了一种方法，可以增强潜在氢化物超导体的预测和发现过程。
这篇题为“使用 DFT 和深度学习的高压氢化物超导体的数据驱动设计”的论文发表在《材料期货》杂志上。
研究人员使用高通量DFT计算来预测900多种氢化物材料在一定压力范围内的临界温度，发现120多种结构与临界温度为39 K的MgB 2相比具有优异的超导性能。
为了加快筛选过程并显着降低计算成本，他们训练了基于原子结构的图神经网络(GNN)模型，该模型可以即时预测各种压力条件下的超导转变温度。
NIST 团队建立的数据驱动方法提供了一个框架，可用于以更快、更有效的方式筛选新型氢化物超导体。高通量量子力学 (DFT) 模拟与机器学习的集成可以在成本更高的实验研究之前加速预测过程。
展望未来，高压氢化物超导体领域正在快速发展。为了继续推进该领域，增加公开的独特且高质量的数据量至关重要，这反过来又可以提高机器学习模型的准确性。
Wines 表示：“随着世界各地的研究人员不断突破材料科学的界限，高质量、公开可用的数据集的作用变得更加重要。相关数据可以帮助完善我们的模型并增强我们的预测能力，这可能会导致更快、更准确的发现。”
NIST 的团队鼓励协作努力和开放的数据共享，这可以通过JARVIS(各种集成模拟联合自动化存储库)等平台来促进，JARVIS 是 NIST 托管的开放访问基础设施，旨在自动化材料发现。
高温超导体有可能彻底改变多个行业的技术。这项工作不仅展示了量子力学模拟与人工智能相结合的协同作用，而且为未来有一天可能实现室温超导体的梦想铺平了道路。