[論文レビュー] Machine learning of superconducting critical temperature from Eliashberg theory

S. R. Xie, Yiming Quan+12 more|arXiv (Cornell University)|Jun 9, 2021

Machine Learning in Materials Science被引用数 5

ひとこと要約

本論文は、エリャーシェーブ理論を用いて、長年にわたり使用されてきたアレン＝ダイアンズの公式に代わる、機械学習を活用した解析的公式を開発した。電子-フォノンスペクトル関数（$\alpha^2F(\omega)$）の多様なデータセット（第一原理計算および人工的スペクトルを含む）に対して記号的回帰を適用することで、物理的制約を課した逆写像可能な方程式が導出され、高臨界温度（$T_c$）を示す水素化物におけるアレン＝ダイアンズ公式の系式的過小評価を是正する一方で、従来の超伝導体においても単純さと正確性を維持する。

ABSTRACT

The Eliashberg theory of superconductivity accounts for the fundamental physics of conventional electron-phonon superconductors, including the retardation of the interaction and the effect of the Coulomb pseudopotential, to predict the critical temperature $T_c$ and other properties. McMillan, Allen, and Dynes derived approximate closed-form expressions for the critical temperature predicted by this theory, which depends essentially on the electron-phonon spectral function $α^2F(ω)$, using $α^2F$ for low-$T_c$ superconductors. Here we show that modern machine learning techniques can substantially improve these formulae, accounting for more general shapes of the $α^2F$ function. Using symbolic regression and the sure independence screening and sparsifying operator (SISSO) framework, together with a database of artificially generated $α^2F$ functions, ranging from multimodal Einstein-like models to calculated spectra of polyhydrides, as well as numerical solutions of the Eliashberg equations, we derive a formula for $T_c$ that performs as well as Allen-Dynes for low-$T_c$ superconductors, and substantially better for higher-$T_c$ ones. The expression identified through our data-driven approach corrects the systematic underestimation of $T_c$ while reproducing the physical constraints originally outlined by Allen and Dynes. This equation should replace the Allen-Dynes formula for the prediction of higher-temperature superconductors and for the estimation of $λ$ from experimental data.

研究の動機と目的

• 高圧水素化物に特有の複雑な$\alpha^2F(\omega)$スペクトルを示す高温超伝導体における、アレン＝ダイアンズ公式の限界を是正すること。
• 解釈可能性や逆写像可能性を損なわずに、データ駆動型で物理的に整合性のある$T_c$の解析的公式を構築すること。
• 記号的回帰における小データ問題を克服するため、第一原理計算および人工モデルから得た$\alpha^2F(\omega)$関数の包括的データベースを構築すること。
• 得られた公式が単調性を満たしており、逆写像可能であることを保証することで、実験的$T_c$および$\omega_D$から電子-フォノン結合定数$\lambda$を信頼性高く抽出できるようにすること。

提案手法

• SISSOフレームワークを用いた記号的回帰により、精選された$\alpha^2F(\omega)$関数データセットから$T_c$の閉形式解析的式を発見する。
• マルチモーダルなアインシュタイン型スペクトル、水素化物の第一原理計算スペクトル、数値的に解かれたエリャーシェーブ方程式を含む多様なデータセットの構築。
• 単調性や正しい漸近的挙動といった物理的制約を記号的回帰プロセスに組み込み、物理的妥当性を保証する。
• 物理的形状と結合強度を表す次元なしの記述子（$\omega_{\log}$および$\bar{\omega}_2$）を用いることで、材料間での一般化を可能にする。
• 従来の機械学習モデル（ANN、RF）と比較し、正確性、複雑さ、逆写像可能性を評価する。
• アレン＝ダイアンズ公式と同様に、$\lambda$とスペクトル形状の広い範囲にわたる完全なエリャーシェーブ解との比較を通じて、新公式の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 記号的回帰は、非単一モードの$\alpha^2F(\omega)$スペクトルを示す超伝導体におけるアレン＝ダイアンズ公式の性能を向上させることができるか？
• RQ2 機械学習で得られた公式は物理的整合性と逆写像可能性を維持しており、実験データから$\lambda$を信頼性高く抽出できるか？
• RQ3 新公式は、多様なスペクトル形状と結合強度において、アレン＝ダイアンズおよび他のMLモデル（ANN、RF）と比較してどのように性能を発揮するか？
• RQ4 第一原理および人工スペクトルで学習したデータ駆動型アプローチは、アレン＝ダイアンズが系式的に$T_c$を過小評価する高$T_c$水素化物へ一般化可能か？

主な発見

• 機械学習で得られた公式は、低$T_c$超伝導体（例：Hg、Pb）ではアレン＝ダイアンズと同等の性能を示すが、複雑なスペクトル関数を示す高$T_c$水素化物では顕著に優れている。
• 新公式は、$\lambda \neq 1.6$の状況、特にマルチモーダルな$\alpha^2F(\omega)$を示す高圧水素化物において、アレン＝ダイアンズが示す系式的過小評価を是正する。
• 単調性制約を課えた記号的回帰解法により、逆写像可能であることが保証されており、ANN や RF モデルとは異なり、実験的$T_c$および$\omega_D$から$\lambda$を信頼性高く抽出できる。
• アレン＝ダイアンズと同様に指数関数的形を保ちつつ、$\bar{\omega}_2 / \omega_{\log}$の逸脱に応じて変化する2つの形状依存係数を導入することで、非アインシュタイン型スペクトルに対しても正確性が向上する。
• モデルの複雑さはアレン＝ダイアンズと同等であるが、特に高$\lambda$領域において、アレン＝ダイアンズおよび他のMLモデル（ANN、RF）よりも予測誤差が小さい。
• 1つの係数を省いた簡略化版の公式は、ほぼ同一の正確性を維持しており、使いやすさと解釈可能性を保っている。