导读 超导体是一种无电阻导电的材料，对于医学成像和节能技术等多项技术进步至关重要。然而，大多数已知的超导体在极端条件下运行，例如极低的温...
超导体是一种无电阻导电的材料，对于医学成像和节能技术等多项技术进步至关重要。然而，大多数已知的超导体在极端条件下运行，例如极低的温度或高压，这限制了它们的实际应用。
氢化物化合物是一类有前景的超导材料，在超高压(数百GPa)下具有高超导转变温度(即H3S和LaH10 )。筛选在更高温度和可控条件下具有超导性的潜在新型氢化物基材料的整个空间仍然是物理学和材料科学中的重大挑战。
美国国家标准与技术研究所 (NIST) 的研究人员 Daniel Wines 博士和 Kamal Choudhary 博士利用基于量子力学的密度泛函理论 (DFT) 和人工智能 (AI) 的结合来应对这一挑战。通过整合这些方法，他们开发了一种方法，可以增强潜在氢化物超导体的预测和发现过程。
这篇题为“使用 DFT 和深度学习的高压氢化物超导体的数据驱动设计”的论文发表在《材料期货》杂志上。
研究人员使用高通量DFT计算来预测900多种氢化物材料在一定压力范围内的临界温度，发现120多种结构与临界温度为39 K的MgB2相比具有优异的超导性能。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！