[論文レビュー] Discovery of High-Temperature Superconducting Ternary Hydrides via Deep Learning

Xiaoyang Wang, Chengqian Zhang+6 more|ArXiv.org|Feb 23, 2025

Superconducting Materials and Applications被引用数 3

ひとこと要約

この論文は、構造探索と第一原理スクリーニングを組み込んだ深層学習駆動のフレームワーク（LAM）を用い、高圧下での高Tc三元水素化物超伝導体を発見する。 Tc>200 K の候補144件、38構造体にわたる29のプロトタイプを特定。

ABSTRACT

The discovery of novel high-temperature superconductor materials holds transformative potential for a wide array of technological applications. However, the combinatorially vast chemical and configurational search space poses a significant bottleneck for both experimental and theoretical investigations. In this study, we employ the design of high-temperature ternary superhydride superconductors as a representative case to demonstrate how this challenge can be well addressed through a deep-learning-driven theoretical framework. This framework integrates high-throughput crystal structure exploration, physics-informed screening, and accurate prediction of superconducting critical temperatures. Our approach enabled the exploration of approximately 36 million ternary hydride structures across a chemical space of 29 elements, leading to the identification of 144 potential high-Tc superconductors with predicted Tc > 200 K and superior thermodynamic stability at 200 GPa. Among these, 129 compounds spanning 27 novel structural prototypes are reported for the first time, representing a significant expansion of the known structural landscape for hydride superconductors. This work not only greatly expands the known repertoire of high-Tc hydride superconductors but also establishes a scalable and efficient methodology for navigating the complex landscape of multinary hydrides.

研究の動機と目的

• 高圧下での高Tc水素化物超導体の組み合わせ探索空間の巨大さに対処する。
• 29元素の化学空間でエンタルピーを予測する深層学習代替手法（LAM）を開発・検証する。
• 物理情報を取り入れたスクリーニングに guided された高スループット構造探索（CALYPSO）を実行する。
• 候補を熱力学的および力学的安定性でスクリーニングし、学習ベースのTcモデルでTcを予測する。
• 新規構造プロトタイプを特定し、予測超伝導体の合成可能性を評価する。

提案手法

• Deep Potential Attention アーキテクチャを用いて Large Atomic Model (LAM) を構築し、150–250 GPa下の三元水素化物のエンタルピーと力を予測する。
• CALYPSO構造探索と同時学習を通じてLAMを訓練し、約218kのラベル付きDFTサンプル（エネルギー、力、応力）を生成する。
• m,n≤4 かつ 3(m+n)≤x≤10(m+n) の A_mB_nH_x 組成を列挙し、LAMをエネルギー推定器として用いて200 GPa構造探索を実行する。
• ハッシュフィルタリング: hull stability（LAM）≤50 meV/原子、対称性（空間群 >75）、水素分率 >75%、力学安定性（フォノン）≤3 THz、DFT hull ≤50 meV/原子。
• 電子-フォノン結合（EPC）分析を二段階で実施: 第1段階は480構造で202件の有効 Tc 結果を得る；第2段階は残りの候補に対し EPC データで微調整した Tc モデルを用いる。
• Tcモデルはエネルギー事前学習とTcおよびエネルギーのデータによるマルチタスク微調整で訓練され、テスト集合でMAE 20.2±2.2 K を達成。

実験結果

リサーチクエスチョン

• RQ1 深層学習支援フレームワークは、組み合わせ空間を効率的にナビゲートして圧力下の高Tc超伝導体を識別できるか。
• RQ2 物理情報を取り入れた深層学習モデルは、高圧下の29元素のエンタルピーと安定性をどの程度正確に予測できるか。
• RQ3 高Tc（Tc>200 K）の三元水素化物の潜在的な生産量と、新規構造プロトタイプの発見数はどれくらいか。
• RQ4 EPC計算を機械学習予測候補と統合して、超伝導予測を検証できるか。

主な発見

• このフレームワークは約3,6292,030件の三元水素化物構造を29元素にわたり探索した。
• 38の構造プロトタイプにわたって、Tc>200 Kの潜在的高Tc水素化物超伝導体144件を特定。
• このうち129化合物は27の新規構造プロトタイプにまたがり、未報告で新規予測。
• 200 GPaでDFT hull上に8つの水和物が熱力学的安定性を示す；いくつかは準安定（Δhull,DFT ≤ 50 meV/原子）である。
• 40構造のうちStage-1 EPC計算で480構造が実行され、Tc予測が202件得られ、29のプロトタイプにわたりTc>200 Kを100件達成。
• Stage-2 Tcモデルはエネルギー事前学習から微調整され、テストMAEは20.2 K（±2.2 K）。
• 200 GPaでTcが室温に近づくまたはそれを超える予測水素化物が12件あり（例：Li2NaH17のTcはCa-Y-H系文脈で最大372 K）、高Tcポテンシャルが強いことを示す。
• いくつかの顕著な Y-Th-H 系化合物は Tc>200 K を示す（例：Y2ThH24: Tc≈291 K、YThH18: Tc≈209 K、Y3Th3H55: Tc≈202 K）。
• 27の新規構造プロトタイプを同定し、高Tc水素化物超伝導体のクラスター型プロトタイプの知られている数をほぼ倍増させた。