I superconduttori sono materiali che conducono l'elettricità senza resistenza e sono essenziali per numerosi progressi tecnologici, tra cui l'imaging medico e la tecnologia ad alta efficienza energetica. Tuttavia, la maggior parte dei superconduttori conosciuti funziona in condizioni estreme come temperature estremamente basse o pressioni elevate, che ne limitano l'uso pratico.
I composti di idruro sono una classe di materiali superconduttori promettenti che possiedono elevate temperature di transizione superconduttrici (cioè H3 S e LaH10 ) sotto pressioni ultraelevate (diverse centinaia di GPa). Lo screening dell'intero spazio di potenziali nuovi materiali a base di idruro che sono superconduttori a temperature più elevate e in condizioni gestibili rimane una sfida significativa nella fisica e nella scienza dei materiali.
I ricercatori Dr. Daniel Wines e Dr. Kamal Choudhary del National Institute of Standards and Technology (NIST) hanno sfruttato una combinazione di teoria del funzionale della densità (DFT) basata sulla meccanica quantistica e intelligenza artificiale (AI) per affrontare questa sfida. Integrando questi metodi, hanno sviluppato un approccio che migliora il processo di previsione e scoperta di potenziali superconduttori idruri.
L'articolo, intitolato "Data-driven Design of High Pressure Hydride Superconductors using DFT and Deep Learning", è pubblicato sulla rivista Materials Futures .
I ricercatori hanno utilizzato calcoli DFT ad alto rendimento per prevedere la temperatura critica di oltre 900 materiali idruri sotto un intervallo di pressioni, trovando oltre 120 strutture con proprietà superconduttrici superiori rispetto al MgB2 , che ha una temperatura critica di 39 K.
Per accelerare il processo di screening e ridurre significativamente i costi computazionali, hanno addestrato un modello di rete neurale a grafo (GNN) basato sulla struttura atomica in grado di prevedere istantaneamente le temperature di transizione superconduttrici in varie condizioni di pressione.
Gli approcci basati sui dati stabiliti dal team del NIST forniscono un quadro che può essere utilizzato per selezionare nuovi superconduttori idruri in modo più rapido ed efficiente. L'integrazione di simulazioni di meccanica quantistica (DFT) ad alto rendimento con l'apprendimento automatico può accelerare il processo di previsione prima di indagini sperimentali più costose.
Guardando al futuro, il campo dei superconduttori a idruro ad alta pressione si sta evolvendo rapidamente. Per continuare a progredire nel settore, è fondamentale aumentare il volume di dati unici e di alta qualità disponibili al pubblico, che a loro volta possono migliorare la precisione dei modelli di machine learning.
Wines afferma:"Poiché i ricercatori di tutto il mondo continuano ad ampliare i confini della scienza dei materiali, il ruolo dei set di dati di alta qualità e disponibili al pubblico diventa sempre più cruciale. I dati rilevanti possono aiutare a perfezionare i nostri modelli e a migliorare le nostre capacità predittive, il che può portare a scoperte più rapide e accurate."
Il team del NIST incoraggia gli sforzi di collaborazione e la condivisione aperta dei dati, che potrebbero essere facilitati da piattaforme come JARVIS (Joint Automated Repository for Varie Simulazioni Integrate), un'infrastruttura ad accesso aperto ospitata dal NIST progettata per automatizzare la scoperta dei materiali.
I superconduttori ad alta temperatura hanno il potenziale per rivoluzionare le tecnologie in diversi settori. Questo lavoro non solo mette in mostra la sinergia della combinazione di simulazioni di meccanica quantistica con l'intelligenza artificiale, ma apre anche la strada verso un futuro in cui un giorno il sogno di un superconduttore a temperatura ambiente potrebbe realizzarsi.
