[论文解读] 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 5

一句话总结

本论文基于Eliashberg理论，提出一种结合机器学习的解析公式，用于预测超导临界温度（$T_c$），取代长期使用的Allen-Dynes公式。通过在包含从第一原理计算和人工模型获得的电子-声子谱函数（$\alpha^2F(\omega)$）的多样化数据集上应用符号回归，该方法推导出一个具有物理约束、可逆的方程，有效纠正了高$T_c$氢化物中$T_c$的系统性低估问题，同时保持了对传统超导体的简洁性与高精度。

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.

研究动机与目标

• 解决Allen-Dynes公式在预测具有复杂$\alpha^2F(\omega)$谱的高温超导体（特别是高压氢化物）$T_c$时的局限性。
• 开发一种基于数据驱动、物理一致的$T_c$解析公式，改进Allen-Dynes近似，同时不损失可解释性或可逆性。
• 通过构建来自第一性原理计算和人工模型的全面$\alpha^2F(\omega)$函数数据库，克服符号回归中的小样本问题。
• 通过确保推导公式具有单调性和可逆性，实现从实验测得的$T_c$和$\omega_D$可靠估算电子-声子耦合强度$\lambda$。

提出的方法

• 使用SISSO框架进行符号回归，从精心筛选的$\alpha^2F(\omega)$函数数据集中发现$T_c$的闭式解析表达式。
• 构建一个多样化数据集，包含多峰型爱因斯坦类谱、氢化物的第一性原理计算谱以及数值求解的Eliashberg方程谱。
• 在符号回归过程中引入物理约束（如单调性与正确渐近行为），以确保结果的物理合理性。
• 使用无量纲描述符如$\omega_{\log}$和$\bar{\omega}_2$来表征谱形与耦合强度，实现跨材料的泛化能力。
• 将符号回归结果与传统机器学习模型（ANN、RF）进行比较，评估其精度、复杂度与可逆性。
• 在广泛范围的$\lambda$值与谱形（包括高$T_c$氢化物）上，通过与完整Eliashberg解对比，验证新公式的有效性。

实验结果

研究问题

• RQ1 符号回归能否在非单峰$\alpha^2F(\omega)$谱的超导体中，改进Allen-Dynes公式对$T_c$的预测性能？
• RQ2 所学习的机器公式是否保持物理一致性与可逆性，从而实现从实验数据可靠提取$\lambda$？
• RQ3 新公式在不同谱形与耦合强度下的性能，相较于Allen-Dynes及其他ML模型（ANN、RF）如何？
• RQ4 基于第一性原理与人工谱训练的数据驱动方法，能否泛化至Allen-Dynes系统性低估$T_c$的高$T_c$氢化物？

主要发现

• 该机器学习公式在低$T_c$超导体（如Hg、Pb）中表现与Allen-Dynes相当，但在具有复杂谱函数的高$T_c$氢化物中显著优于后者。
• 新公式有效纠正了Allen-Dynes在$\lambda \neq 1.6$时对$T_c$的系统性低估，尤其在具有多峰$\alpha^2F(\omega)$的高压氢化物中表现突出。
• 由于引入了单调性约束，符号回归解具有可逆性，使实验人员能够可靠地从测量得到的$T_c$和$\omega_D$反推出$\lambda$，而ANN与RF模型则不具备此特性。
• 该公式保留了与Allen-Dynes相同的指数形式，但引入了两个与谱形相关的前因子，可适应$\bar{\omega}_2 / \omega_{\log}$的偏离，从而提升非爱因斯坦型谱的预测精度。
• 模型复杂度与Allen-Dynes相近，但预测误差低于Allen-Dynes及其他ML模型（ANN、RF），尤其在高$\lambda$区域表现更优。
• 简化版本的公式（去除一个前因子）仍保持近乎相同的预测精度，同时维持了良好的可用性与可解释性。