https://arxiv.org/abs/2308.11160

 

Predicting Transition Temperature of Superconductors with Graph Neural NetworksPredicting high temperature superconductors has long been a great challenge. The difficulty lies in how to predict the transition temperature (Tc) of superconductors. Although recent progress in material informatics has led to a number of machine learning models predicting Tc, prevailing models have not shown adequate generalization ability and physical rationality to find new high temperature superconductors, yet. In this work, a bond sensitive graph neural network (BSGNN) was developed to predict the Tc of various superconductors. In BSGNN, communicative message passing and graph attention methods were utilized to enhance the model's ability to process bonding and interaction information in the crystal lattice, which is crucial for the superconductivity. Consequently, our results revealed the relevance between chemical bond attributes and Tc. It indicates that shorter bond length is favored by high Tc. Meanwhile, some specific chemical elements that have relatively large van der Waals radius is favored by high Tc. It gives a convenient guidance for searching high temperature superconductors in materials database, by ruling out the materials that could never have high Tc.arxiv.org


요약: 고온 초전도체 예측은 항상 큰 도전이었습니다.

그 어려움은 초전도체 전이 온도(Tc)를 예측하는 방법에 있습니다. 최근 몇 년 동안 재료 정보학이 일부 발전하고 Tc를 예측하는 많은 기계 학습 모델이 등장했지만, 주류 모델은 아직 새로운 고온 초전도체 발견을 위한 충분한 일반화 능력과 물리적 타당성을 입증하지 못했습니다.

본 연구에서는 다양한 초전도체에서 Tc를 예측하기 위해 화학 결합에 민감한 그래프 신경망(BSGNN)을 개발했으며, BSGNN에서는 통신 메시징과 그래프 주의 방법을 활용하여 초전도에 중요한 격자 내 화학 결합 및 상호 작용에 대한 정보를 처리하는 모델의 능력을 향상시켰습니다.

그 결과, 화학 결합 특성과 Tc 사이의 상관관계가 밝혀졌습니다. 또한 반데르발스 반경이 큰 일부 특정 화학 원소는 더 높은 Tc를 선호한다는 것을 보여주었습니다. 이는 재료 데이터베이스에서 고온 초전도체 검색에 편리한 가이드를 제공하며, 절대 더 높은 Tc를 가질 수 없는 재료를 제외할 수 있습니다.

결론: 본 연구에서는 다양한 초전도 물질의 전이온도(Tc)를 예측하기 위해 화학결합에 민감한 그래프 신경망 모델(BSGNN)을 개발했습니다. 이 연구는 잘 설계된 그래프 신경망 알고리즘이 특히 초전도처럼 메커니즘이 불분명한 복잡한 재료 문제에서 합리적이고 신뢰할 수 있는 결과를 얻을 수 있음을 보여줍니다.

 GAT(그래프 주의 전달) 및 CMP(통신 메시징) 기법을 사용하여 BSGNN은 결합 길이와 화학적 조성에 대한 Tc의 의존성을 효율적으로 학습했으며, BSGNN 예측에 따르면 결합 길이가 짧고 반데르발스 반경이 큰 특정 원소가 더 높은 Tc를 선호하며, 이는 다음과 같은 사실을 입증합니다.

초전도체 예측에서 결정 구조 정보를 고려하는 것이 필요하고 중요하다는 것을 보여줍니다. 화학 결합 길이의 영향을 학습함에 따라 BSGNN은 다양한 압력에서 초전도 물질을 예측하는 데 유리할 것입니다.

우리는 BSGNN의 도움으로 ICSD의 모든 물질을 예측하고 추가 수작업 스크리닝을 거쳐 고온 초전도 유망 후보 물질을 제안했습니다.

요약하자면, 그래프 신경망을 이용해 물질의 초전도 전이 온도를 예측하는 방법을 제안한 것입니다.




*이 논문은 첸닝 씨(웨이보 첸보)의 논문으로, 논문에는 LK-99가 언급되어 있지 않은 것 같습니다.