[论文解读] 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 3

一句话总结

本论文提出一个深度学习驱动的框架（LAM），与结构搜索和第一性原理筛选相结合，以在高压下发现高Tc三元氢化物超导体，识别出144个Tc>200 K 的候选者，其中包括38个结构中的29个原型。

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.

研究动机与目标

• 在高压下对高Tc 氢化物超导体的庞大组合搜索空间进行处理。
• 开发并验证一个深度学习代理（LAM），以在29元素化学空间中预测焓。
• 使用物理信息筛选引导的高通量结构搜索（CALYPSO）。
• 筛选候选体以评估热力学和动力学稳定性，并通过学习型Tc模型预测Tc。
• 识别新颖的结构原型并评估预测超导体的合成性。

提出的方法

• 使用 Deep Potential Attention 架构构建大型原子模型（LAM），在150–250 GPa下预测三元氢化物的焓和力。
• 通过与 CALYPSO 结构搜索的并行学习训练 LAM，以生成约218k个带标签的DFT样本（能量、力、应力）。
• 枚举 A_mB_nH_x 组成，m,n≤4 且 3(m+n)≤x≤10(m+n)；在 CALYPSO 下以 LAM 作为能量估计器进行200 GPa 的结构搜索。
• 高通量筛选： hull 稳定性（LAM）≤50 meV/原子，对称性（空间群>75），氢原子含量>75%，动力学稳定性（声子）≤3 THz，DFT hull ≤50 meV/原子。
• 两阶段电子声子耦合（EPC）分析：阶段1对480个结构进行，得到202个可用Tc结果；阶段2对剩余候选者使用经过 EPC 数据微调的Tc模型。
• Tc模型通过能量预训练和多任务微调（Tc与能量数据）进行训练，在测试集上达到 MAE 20.2±2.2 K。

实验结果

研究问题

• RQ1 深度学习辅助框架是否能高效导航29元素三元氢化物的组合空间，在高压下识别高Tc 超导体？
• RQ2 物理信息驱动的深度学习模型在高压下对29元素的焓和稳定性预测的准确性如何？
• RQ3 在高压下高Tc（三元氢化物Tc>200 K）的潜在产出量有多大，以及能发现多少新颖的结构原型？
• RQ4 如何将EPC计算与机器学习预测的候选体结合，以验证超导性预测？

主要发现

• 该框架在29种元素中探索了约36,292,030个三元氢化物结构。
• 在38个结构原型中识别出144个潜在高Tc 氢化物超导体（Tc>200 K）。
• 其中有129种化合物跨越27个新颖结构原型，是首次预测的（此前未报道）。
• 8种氢化物在200 GPa的DFT hull上，显示热力学稳定性；若干为亚稳定但接近稳定（Δhull,DFT≤50 meV/原子）。
• 阶段-1 EPC 对480个结构的计算产生202个成功的 Tc 结果，其中有100个在29个原型中 Tc>200 K。
• 阶段-2 Tc 模型在能量预训练的LAM基础上微调后，测试集MAE达到20.2 K（±2.2 K）。
• 有12种预测的氢化物在200 GPa 下 Tc 接近或超过室温（如 Li2NaH17 在 Ca-Y-H/系统背景中 Tc 最高可达 372 K），显示出强烈的高Tc 潜力。
• 若干著名的 Y-Th-H 系统化合物 Tc>200 K（如 Y2ThH24: Tc≈291 K； YThH18: Tc≈209 K； Y3Th3H55: Tc≈202 K）。
• 识别出27个新颖的结构原型，等效地将高Tc 氢化物超导体的洞穴型原型数量翻倍。