導讀 超導體是一種無電阻導電的材料，對于醫(yī)學成像和節(jié)能技術等多項技術進步至關重要。然而，大多數已知的超導體在極端條件下運行，例如極低的溫...
超導體是一種無電阻導電的材料，對于醫(yī)學成像和節(jié)能技術等多項技術進步至關重要。然而，大多數已知的超導體在極端條件下運行，例如極低的溫度或高壓，這限制了它們的實際應用。
氫化物化合物是一類有前景的超導材料，在超高壓(數百GPa)下具有高超導轉變溫度(即H3S和LaH10 )。篩選在更高溫度和可控條件下具有超導性的潛在新型氫化物基材料的整個空間仍然是物理學和材料科學中的重大挑戰(zhàn)。
美國國家標準與技術研究所 (NIST) 的研究人員 Daniel Wines 博士和 Kamal Choudhary 博士利用基于量子力學的密度泛函理論 (DFT) 和人工智能 (AI) 的結合來應對這一挑戰(zhàn)。通過整合這些方法，他們開發(fā)了一種方法，可以增強潛在氫化物超導體的預測和發(fā)現過程。
這篇題為“使用 DFT 和深度學習的高壓氫化物超導體的數據驅動設計”的論文發(fā)表在《材料期貨》雜志上。
研究人員使用高通量DFT計算來預測900多種氫化物材料在一定壓力范圍內的臨界溫度，發(fā)現120多種結構與臨界溫度為39 K的MgB2相比具有優(yōu)異的超導性能。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！