[논문 리뷰] Machine learning of superconducting critical temperature from Eliashberg theory

S. R. Xie, Yiming Quan외 12명|arXiv (Cornell University)|2021. 06. 09.

Machine Learning in Materials Science인용 수 5

한 줄 요약

이 논문은 엘리아시버그 이론을 활용하여 초전도 전이 온도($T_c$)를 예측하는 기계학습 강화 분석 공식을 개발한다. 기존 오랫동안 사용되어 온 앨런-드라인 공식을 대체한다. 다양한 전자-음향 스펙트럼 함수($\alpha^2F(\omega)$) 데이터셋, 즉 백터리얼 및 인공 스펙트럼을 기반으로 기호적 회귀를 적용함으로써, 물리적 제약 조건을 갖춘, 역행 가능성이 있는 방정정식을 유도한다. 이는 고-$T_c$ 수소화물에서 $T_c$를 체계적으로 과소평가하는 문제를 수정하면서도, 전통적인 초전도체에 대해서는 단순성과 정확성을 유지한다.

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.

연구 동기 및 목표

• 고압 수소화물과 같은 복잡한 $\alpha^2F(\omega)$ 스펙트럼을 가진 고온 초전도체에서 $T_c$를 예측하는 데 있어 앨런-드라인 공식의 한계를 해결하기 위해.
• 기계학습 기반의 물리적으로 일관된 분석 공식을 개발하여, 앨런-드라인 근사의 해석 가능성과 역행 가능성의 손실 없이도 개선된 $T_c$를 제공하기 위해.
• 기호적 회귀에서의 소수자료 문제를 해결하기 위해, 백터리얼 계산과 인공 모델에서 유래한 $\alpha^2F(\omega)$ 함수의 종합 데이터베이스를 구축하기 위해.
• 유도된 공식이 단조성과 역행 가능성을 갖추고 있어 실험적 $T_c$와 $\omega_D$에서 전자-음향 결합 강도 $\lambda$를 신뢰성 있게 추출할 수 있도록 하기 위해.

제안 방법

• 기밀한 $\alpha^2F(\omega)$ 함수 데이터셋에서 $T_c$에 대한 닫힌 형태의 분석 식을 발견하기 위해 SISSO 프레임워크를 활용한 기호적 회귀를 수행한다.
• 다양한 스펙트럼 형태를 포함한 데이터셋을 구성한다: 다중 피크를 가진 아인슈타인 유사 스펙트럼, 수소화물의 최초 원리 계산 스펙트럼, 그리고 수치적으로 해결된 엘리아시버그 방정식.
• 단조성과 올바른 渐近 행동 등의 물리적 제약 조건을 기호적 회귀 과정에 통합하여 물리적 타당성을 확보한다.
• 물리적 일반화를 가능하게 하기 위해 $\omega_{\log}$와 $\bar{\omega}_2$와 같은 무차원 기술자들을 사용하여 스펙트럼 형태와 결합 강도를 표현한다.
• 기계학습 모델(인공신경망, 랜덤 포레스트)과의 정확도, 복잡성, 역행 가능성 비교를 통해 성능 평가를 수행한다.
• 다양한 $\lambda$와 스펙트럼 형태, 특히 고-$T_c$ 수소화물을 포함한 전체 엘리아시버그 해와의 비교를 통해 신규 공식의 유효성을 검증한다.

실험 결과

연구 질문

• RQ1 기호적 회귀는 비단일 모드 스펙트럼을 가진 초전도체에서 앨런-드라인 공식의 성능을 향상시킬 수 있는가?
• RQ2 기계학습으로 유도된 공식은 물리적 일관성과 역행 가능성 유지를 유지하는가? 이는 실험 데이터에서 $\lambda$를 신뢰성 있게 추출할 수 있도록 하는가?
• RQ3 다양한 스펙트럼 형태와 결합 강도에서 새로운 공식의 성능은 앨런-드라인 및 다른 기계학습 모델(ANN, RF)과 비교해 어떻게 되는가?
• RQ4 백터리얼 및 인공 스펙트럼 데이터로 훈련된 데이터 기반 접근법은 앨런-드라인이 체계적으로 $T_c$를 과소평가하는 고-$T_c$ 수소화물로 일반화될 수 있는가?

주요 결과

• 기계학습 공식은 저-$T_c$ 초전도체(예: Hg, Pb)에서는 앨런-드라인과 동등한 성능을 보이며, 복잡한 스펙트럼 함수를 가진 고-$T_c$ 수소화물에서는 뚜렷이 뛰어난 성능을 보인다.
• 새로운 공식은 $\lambda \neq 1.6$일 경우 앨런-드라인에서 관찰된 $T_c$의 체계적 과소평가 문제를 수정한다. 특히 다중 피크 스펙트럼을 가진 고압 수소화물에서 유의미한 개선을 이룬다.
• 기호적 회귀 해법은 단조성 제약 조건 덕분에 역행 가능성이 확보되어, 앨런-드라인 및 랜덤 포레스트 모델과 달리 실험자가 측정된 $T_c$와 $\omega_D$에서 $\lambda$를 안정적으로 추출할 수 있다.
• 공식은 앨런-드라인과 동일한 지수 형태를 유지하지만, 스펙트럼 형태에 따라 조정되는 두 개의 형상 의존 계수를 도입하여 비아인슈타인 스펙트럼에 대한 정확도를 향상시킨다.
• 모델 복잡성은 앨런-드라인과 유사하지만, 특히 고-$\lambda$ 영역에서 앨런-드라인 및 다른 기계학습 모델(ANN, RF)보다 낮은 예측 오차를 기록한다.
• 한 개의 계수를 제거한 단순화된 버전의 공식은 거의 동일한 정확도를 유지하면서도 사용성과 해석 가능성의 유지에 기여한다.