Les supraconducteurs sont des matériaux qui conduisent l’électricité sans résistance et sont essentiels à plusieurs avancées technologiques, notamment l’imagerie médicale et les technologies économes en énergie. Cependant, la plupart des supraconducteurs connus fonctionnent dans des conditions extrêmes telles que des températures extrêmement basses ou des pressions élevées, ce qui limite leur utilisation pratique.
Les composés hydrures sont une classe de matériaux supraconducteurs prometteurs qui possèdent des températures de transition supraconductrices élevées (c'est-à-dire H3 S et LaH10 ) sous très hautes pressions (plusieurs centaines de GPa). Cribler tout l'espace de nouveaux matériaux potentiels à base d'hydrure qui sont supraconducteurs à des températures plus élevées et dans des conditions gérables reste un défi important en physique et en science des matériaux.
Les chercheurs Dr Daniel Wines et Dr Kamal Choudhary du National Institute of Standards and Technology (NIST) ont exploité une combinaison de théorie fonctionnelle de la densité (DFT) basée sur la mécanique quantique et d'intelligence artificielle (IA) pour relever ce défi. En intégrant ces méthodes, ils ont développé une approche qui améliore le processus de prédiction et de découverte de supraconducteurs hydrures potentiels.
L'article, intitulé "Conception basée sur les données de supraconducteurs à hydrure haute pression utilisant DFT et Deep Learning", est publié dans la revue Materials Futures. .
Les chercheurs ont utilisé des calculs DFT à haut débit pour prédire la température critique de plus de 900 matériaux hydrures sous une plage de pressions, trouvant plus de 120 structures dotées de propriétés supraconductrices supérieures à celles du MgB2. , qui a une température critique de 39 K.
Pour accélérer le processus de sélection et réduire considérablement les coûts de calcul, ils ont formé un modèle de réseau neuronal graphique (GNN) basé sur la structure atomique qui peut prédire instantanément les températures de transition supraconductrices dans diverses conditions de pression.
Les approches basées sur les données établies par l'équipe du NIST fournissent un cadre qui peut être utilisé pour tester de nouveaux supraconducteurs à hydrure de manière plus rapide et plus efficace. L'intégration de simulations de mécanique quantique (DFT) à haut débit avec l'apprentissage automatique peut accélérer le processus de prédiction avant une enquête expérimentale plus coûteuse.
En ce qui concerne l’avenir, le domaine des supraconducteurs à hydrure haute pression évolue rapidement. Pour continuer à faire progresser ce domaine, il est essentiel d'augmenter le volume de données uniques et de haute qualité accessibles au public, ce qui peut à son tour améliorer la précision des modèles d'apprentissage automatique.
Wines déclare :« Alors que les chercheurs du monde entier continuent de repousser les limites de la science des matériaux, le rôle des ensembles de données de haute qualité et accessibles au public devient plus crucial. Des données pertinentes peuvent aider à affiner nos modèles et à améliorer nos capacités prédictives, ce qui peut conduire à des découvertes plus rapides et plus précises."
L'équipe du NIST encourage les efforts de collaboration et le partage ouvert des données, qui pourraient être facilités par des plateformes telles que JARVIS (Joint Automated Repository for Divers Integrated Simulations), qui est une infrastructure en libre accès hébergée par le NIST conçue pour automatiser la découverte de matériaux.
Les supraconducteurs à haute température ont le potentiel de révolutionner les technologies dans plusieurs secteurs. Ce travail montre non seulement la synergie de la combinaison des simulations de mécanique quantique avec l'IA, mais ouvre également la voie vers un avenir où le rêve d'un supraconducteur à température ambiante pourrait un jour se réaliser.
