Reinforcement learning-guided optimization of critical current in high-temperature superconductors
Mouyang Cheng, Qiwei Wan, Bowen Yu, Eunbi Rha, Michael J Landry, and Mingda Li
高温超导体对于下一代能量和量子技术至关重要,但它们的性能通常受到临界电流密度(J_c)的限制,而临界电流密度(J_c)受到微观结构缺陷的强烈影响。 通过缺陷工程优化 J_c 是具有挑战性的,由于缺陷类型,密度和空间相关性的复杂相互作用。 在这里,我们展示了一个集成的工作流程,将强化学习(RL)与时间依赖的Ginzburg-Landau(TDGL)模拟相结合,以自主识别最大化J_c的最佳缺陷配置。 在我们的框架中,TDGL模拟生成电流电压特性来评估J_c,它作为引导RL代理迭代改进缺陷配置的奖励信号。 我们发现该药剂在二维薄膜几何形状中发现了最佳的缺陷密度和相关性,增强了漩涡衬和 J_c 相对于原始薄膜的相关性,与随机初始化相比,接近理论去修复极限的60%,增强度高达15倍。 这种RL驱动的方法为缺陷工程提供了可扩展的策略,对推进聚变磁铁,粒子加速器和其他高场技术的HTS应用具有广泛的意义。
High-temperature superconductors are essential for next-generation energy and quantum technologies, yet their performance is often limited by the critical current density (J_c), which is strongly influenced by microstructural defects. Optimizing J_c through defect engineering is challenging due to the complex interplay of defect type, density, and spatial correlation. Here we present an integrated workflow that combines reinforcement learning (RL) with time-dependent Ginzburg-Landau (TDGL) simul...