Supercondutores são materiais que conduzem eletricidade sem resistência e são essenciais para diversos avanços tecnológicos, que incluem imagens médicas e tecnologia de eficiência energética. No entanto, a maioria dos supercondutores conhecidos operam sob condições extremas, tais como temperaturas extremamente baixas ou altas pressões, que limitam a sua utilização prática.



Os compostos de hidreto são uma classe de materiais supercondutores promissores que possuem altas temperaturas de transição supercondutora (ou seja, H₃ S e LaH₁₀ ) sob pressões ultra-altas (várias centenas de GPa). A triagem de todo o espaço de potenciais novos materiais à base de hidretos que são supercondutores em temperaturas mais altas e sob condições gerenciáveis ​​continua sendo um desafio significativo na física e na ciência dos materiais.

Kamal Choudhary, do Instituto Nacional de Padrões e Tecnologia (NIST), aproveitaram uma combinação de teoria do funcional da densidade (DFT) baseada na mecânica quântica e inteligência artificial (IA) para enfrentar esse desafio. Ao integrar esses métodos, eles desenvolveram uma abordagem que aprimora o processo de previsão e descoberta de potenciais supercondutores de hidreto.

O artigo, intitulado "Projeto baseado em dados de supercondutores de hidreto de alta pressão usando DFT e aprendizado profundo", foi publicado na revista Materials Futures. .

Os pesquisadores usaram cálculos DFT de alto rendimento para prever a temperatura crítica de mais de 900 materiais de hidreto sob uma variedade de pressões, encontrando mais de 120 estruturas com propriedades supercondutoras superiores em comparação com MgB₂ , que tem uma temperatura crítica de 39 K.

Para agilizar o processo de triagem e reduzir significativamente os custos computacionais, eles treinaram um modelo de rede neural gráfica (GNN) baseado na estrutura atômica que pode prever instantaneamente temperaturas de transição supercondutoras sob várias condições de pressão.

As abordagens baseadas em dados estabelecidas pela equipe do NIST fornecem uma estrutura que pode ser usada para rastrear novos supercondutores de hidreto de forma mais rápida e eficiente. A integração de simulações de mecânica quântica (DFT) de alto rendimento com aprendizado de máquina pode acelerar o processo de previsão antes de investigações experimentais mais dispendiosas.

Olhando para o futuro, o campo dos supercondutores de hidreto de alta pressão está evoluindo rapidamente. Para continuar a avançar neste campo, é fundamental aumentar o volume de dados únicos e de alta qualidade que estão disponíveis publicamente, o que pode, por sua vez, aumentar a precisão dos modelos de aprendizagem automática.

Wines afirma:"À medida que os investigadores em todo o mundo continuam a ultrapassar os limites da ciência dos materiais, o papel dos conjuntos de dados de alta qualidade e disponíveis publicamente torna-se mais crucial. Dados relevantes podem ajudar a refinar os nossos modelos e a melhorar as nossas capacidades preditivas, o que pode levar a descobertas mais rápidas e precisas."

A equipe do NIST incentiva esforços colaborativos e o compartilhamento aberto de dados, o que poderia ser facilitado por plataformas como o JARVIS (Joint Automated Repository for Various Integrated Simulations), que é uma infraestrutura de acesso aberto hospedada pelo NIST projetada para automatizar a descoberta de materiais.

Os supercondutores de alta temperatura têm o potencial de revolucionar tecnologias em diversos setores. Este trabalho não apenas mostra a sinergia da combinação de simulações de mecânica quântica com IA, mas também abre caminho para um futuro onde o sonho de um supercondutor à temperatura ambiente poderá um dia ser realizado.