(纯计算)佛罗里达大学npj Comput. Mater.: 通过电子-声子谱函数的回火深度学习加速超导体的发现

本文介绍了佛罗里达大学Jason B. Gibson和Ajinkya C. Hire课题组在npj Comput. Mater.上发表的研究，题为《通过电子-声子谱函数的回火深度学习加速超导体的发现》。研究背景在于机器学习在材料发现中的应用，特别是如何通过深度学习加速新超导体的发现。研究目的是通过开发一种新的深度学习模型来预测电子-声子谱函数，从而加速高温超导体的筛选。研究方法包括计算818种动态稳定材料的电子-声子谱函数，并训练一个回火等变图神经网络（BETE-NET）来预测这些函数。研究结果显示，该模型在预测超导临界温度方面表现出色，平均绝对误差（MAE）为2.1 K，比随机筛选高出近五倍的精度。结论是，BETE-NET不仅加速了高温超导体的搜索，还为在数据有限的情况下应用机器学习于材料发现提供了新的方法。