BriefGPT - AI 论文速递
·
人工智能加速高临界温度超导体的发现
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
通过整合深度学习和寻找新的电声子超导体的研究，利用计算材料的谱函数和训练深度学习模型，提高了预测精度和降低了临界温度误差，展示了实际应用。该研究为高温超导体的搜索和材料发现中的机器学习应用树立了先例。
🎯
关键要点
- 整合深度学习与寻找新的电声子超导体的研究是一个蓬勃发展的领域。
- 主要挑战在于计算电声子谱函数α²F(ω)，这是超导理论Midgal-Eliashberg的关键组成部分。
- 采用两步法计算818种动态稳定材料的α²F(ω)。
- 使用非常规的训练策略训练深度学习模型BETE-NET来预测α²F(ω)。
- 通过增加模型的归一化来改进预测精度。
- 结合声子密度的领域知识提高预测精度。
- 该方法降低了临界温度$T_c$的平均绝对误差（MAE）至2.1K。
- 展示了高温超导体材料的高通量筛选的实际应用。
- BETE-NET加速了高温超导体的搜索，并为材料发现中的机器学习应用树立了先例，尤其是在数据有限的情况下。
➡️
