为具有特定性能的功能材料开发反向设计方法对于推进可再生能源,催化,储能和碳捕获等领域至关重要。 基于扩散原理的生成模型可直接生产出满足性能限制的新材料,从而显著加快材料设计过程。 然而,生成和预测晶体结构的现有方法往往仍然受到低成功率的限制。 在这项工作中,我们提出了一个名为InvDesFlow-AL的新型逆材料设计生成框架,该框架基于主动学习策略。 该框架可以迭代优化材料生成过程,以逐步引导其达到所需的性能特征。 在晶体结构预测方面,InvDesFlow-AL模型实现了0.0423 Å的RMSE,与存在的生成模型相比,性能提高了32.96。 此外,InvDesFlow-AL在低成型能和低铬材料的设计中已经成功验证。 它可以系统地产生具有逐渐降低形成能量的材料,同时不断扩大不同化学空间的探索。 这些结果充分证明了拟议的主动学习驱动生成模型在加速材料发现和逆向设计方面的有效性。 为了进一步证明这种方法的有效性,我们在环境压力下搜索了BCS超导体,这是InvDesFlow-AL探索的一个例子。 因此,我们成功确定 Li_2AuH_6 为常规BCS超导体,超高过渡温度为140K。 这一发现为逆向设计在材料科学中的应用提供了强有力的经验支持。
我们使用我们开发的AI搜索引擎(InvDesFlow)对环境稳定的超导氢化物进行广泛的调查。 具有Lu-H八面体图案的立方体结构 Li_2AuH_6 被确定为候选者。 在进行热力学分析后,我们提供了一个可行的途径,在环境压力下通过已知的LiAu和LiH化合物进行实验合成这种材料。 进一步的第一原理计算表明,Li_2AuH_6在环境压力下显示高超导过渡温度(T_c)∼140K。 H-1电子与Au-H八面体的声子振动模式以及Li原子的振动强烈耦合,后者在其他以前相似的情况下没有认真对待。 因此,与以前搜索金属共价键以找到高T_c超导体的说法不同,我们在这里强调那些具有强电子声子耦合(EPC)的声子模式的重要性。 我们建议,人们能够将原子相隔成二进制或三联氢化物,以引入具有强EPC的更潜在的声子模式,这是一种在多组分化合物中找到高T_c超导体的有效方法。
发现新的超导材料,特别是那些表现出高临界温度(T_c)的材料,一直是凝聚态物理领域的一个充满活力的研究领域。 常规方法主要依靠物理直觉来搜索现有数据库中的潜在超导体。 然而,已知的材料只会在材料领域的各种可能性的表面划伤。 在这里,我们开发了InvDesFlow,这是一个人工智能搜索引擎,集成了深度模型预训练和微调技术,扩散模型和基于物理的方法(例如,第一原则电子结构计算),用于发现高T_c超导体。 利用InvDesFlow,我们获得了74种动态稳定的材料,AI模型预测的关键温度为T_c≥15K,基于一组非常小的样本。 值得注意的是,这些材料不包含在任何现有的数据集中。 此外,我们分析了数据集和单个材料的趋势,包括B_4CN_3(5 GPa)和B_5CN_2(在环境压力下),其T_c分别为24.08 K和15.93 K。 我们证明AI技术可以发现一组新的高T_c超导体,概述其加速发现具有靶向特性的材料的潜力。
我们解决了全息超导体建模中的逆问题。 我们的研究重点是实验描绘的临界温度行为。 我们使用物理消息神经网络方法来找到质量函数M(F^2),这是理解相变行为所必需的。 这个质量函数描述了超导顺序和电荷载波密度之间的非线性相互作用。 我们引入了位置嵌入层,以改善算法中的学习过程,Adam优化用于通过全息计算以适当的精度预测临界温度数据。 位置嵌入层的考虑是由人工智能(AI)领域自然语言处理的变压器模型驱动的。 我们获得全息模型,再现由实际数据提供的正常和超导阶段的边界线。 我们的工作是首次尝试匹配从实验中获得的相变数据。 此外,目前的工作为基于数据的全息模型提供了一种新的方法。
No more items to load.