Los superconductores son materiales que conducen la electricidad sin resistencia y son esenciales para varios avances tecnológicos, que incluyen imágenes médicas y tecnología de eficiencia energética. Sin embargo, la mayoría de los superconductores conocidos funcionan en condiciones extremas, como temperaturas extremadamente bajas o altas presiones, que limitan su uso práctico.
Los compuestos de hidruro son una clase de materiales superconductores prometedores que poseen altas temperaturas de transición superconductoras (es decir, H3 S y LaH10 ) bajo presiones ultraaltas (varios cientos de GPa). La detección de todo el espacio de posibles nuevos materiales basados en hidruros que sean superconductores a temperaturas más altas y en condiciones manejables sigue siendo un desafío importante en la física y la ciencia de materiales.
Los investigadores Dr. Daniel Wines y Dr. Kamal Choudhary del Instituto Nacional de Estándares y Tecnología (NIST) han aprovechado una combinación de teoría funcional de densidad (DFT) basada en la mecánica cuántica e inteligencia artificial (IA) para abordar este desafío. Al integrar estos métodos, desarrollaron un enfoque que mejora el proceso de predicción y descubrimiento de posibles superconductores de hidruro.
El artículo, titulado "Diseño basado en datos de superconductores de hidruro de alta presión utilizando DFT y aprendizaje profundo", se publica en la revista Materials Futures. .
Los investigadores utilizaron cálculos DFT de alto rendimiento para predecir la temperatura crítica de más de 900 materiales de hidruro bajo un rango de presiones, y encontraron más de 120 estructuras con propiedades superconductoras superiores en comparación con el MgB2. , que tiene una temperatura crítica de 39 K.
Para acelerar el proceso de detección y reducir significativamente los costos computacionales, entrenaron un modelo de red neuronal gráfica (GNN) basado en una estructura atómica que puede predecir instantáneamente las temperaturas de transición superconductoras bajo diversas condiciones de presión.
Los enfoques basados en datos establecidos por el equipo del NIST proporcionan un marco que se puede utilizar para detectar nuevos superconductores de hidruro de una manera más rápida y eficiente. La integración de simulaciones de mecánica cuántica (DFT) de alto rendimiento con el aprendizaje automático puede acelerar el proceso de predicción antes de realizar una investigación experimental más costosa.
De cara al futuro, el campo de los superconductores de hidruros de alta presión está evolucionando rápidamente. Para seguir avanzando en este campo, es fundamental aumentar el volumen de datos únicos y de alta calidad que están disponibles públicamente, lo que a su vez puede mejorar la precisión de los modelos de aprendizaje automático.
Wines afirma:"A medida que los investigadores de todo el mundo continúan superando los límites de la ciencia de los materiales, el papel de los conjuntos de datos de alta calidad disponibles públicamente se vuelve más crucial. Los datos relevantes pueden ayudar a refinar nuestros modelos y mejorar nuestras capacidades predictivas, lo que puede conducir a descubrimientos más rápidos y precisos."
El equipo del NIST fomenta los esfuerzos de colaboración y el intercambio abierto de datos, lo que podría verse facilitado por plataformas como JARVIS (Repositorio Automatizado Conjunto para Varias Simulaciones Integradas), que es una infraestructura de acceso abierto alojada por el NIST diseñada para automatizar el descubrimiento de materiales.
Los superconductores de alta temperatura tienen el potencial de revolucionar las tecnologías en varias industrias. Este trabajo no solo muestra la sinergia de combinar simulaciones de mecánica cuántica con IA, sino que también allana el camino hacia un futuro en el que algún día el sueño de un superconductor a temperatura ambiente pueda hacerse realidad.
