La transizione ortorombica-tetragonale guidata dalla diffusione in YBa2Cu3O7 ottenuta con un potenziale interatomico basato su machine learning

Perché piccoli spostamenti atomici contano

I fili superconduttori in grado di trasportare correnti elettriche enormi con quasi nessuna perdita sono componenti chiave nei futuri reattori a fusione e negli acceleratori di particelle potenti. Uno dei materiali più promettenti per questi fili è un ossido di rame chiamato YBCO. Ma YBCO è pieno di difetti atomici che possono indebolirne le prestazioni, in particolare sotto radiazioni e alte temperature. Questo studio mostra come un nuovo tipo di modello al computer possa tracciare quei difetti in dettaglio e spiegare un sottile cambiamento di forma del cristallo che avviene con l’aumento della temperatura.

Un cristallo usato nei magneti high-tech

YBCO appartiene a una famiglia di superconduttori ad alta temperatura usati nelle nastrature avanzate per dispositivi compatti per la fusione e nei magneti per acceleratori. Le sue proprietà utili dipendono sensibilmente da come gli atomi di ossigeno sono disposti all’interno del cristallo. Se troppi atomi di ossigeno sono assenti o mal posizionati, il materiale può passare da buon superconduttore a comportarsi più come un metallo ordinario o addirittura come un isolante. Le radiazioni, come in un reattore a fusione, possono spostare gli atomi e creare tali difetti. Gli esperimenti suggeriscono che il semplice riscaldamento di campioni irradiati può riparare parte del danno, lasciando intendere che gli atomi di ossigeno siano abbastanza mobili da ritornare in posizioni più favorevoli.

Insegnare a un computer a percepire le forze atomiche

Per comprendere questi riarrangiamenti atomici, gli autori hanno costruito un modello di machine learning delle interazioni tra atomi in YBCO. Invece di basarsi su formule semplici e fisse per le forze tra atomi, hanno addestrato un “potenziale interatomico” usando migliaia di calcoli quantomeccanici dettagliati. I dati di addestramento includevano cristalli perfetti, strutture stirate o compresse in modi diversi e molte configurazioni con vacanze, atomi extra inseriti nella rete e regioni altamente disordinate. Questa ampiezza permette al modello di riconoscere sia ambienti calmi sia quelli caotici che emergono quando gli atomi di ossigeno si muovono.

Mettere il modello alla prova

Il gruppo ha verificato che il loro potenziale di machine learning potesse riprodurre proprietà di base di YBCO, come la variazione di energia quando il cristallo è compresso o espanso e come rispondono le distanze atomiche. Hanno inoltre esaminato difetti specifici dell’ossigeno in cui un atomo lascia il sito normale e occupa una posizione intermedia, creando ciò che è noto come coppia di Frenkel. Questi spostamenti comportano un costo energetico e una barriera da superare. Il nuovo modello ha corrisposto ai calcoli quantomeccanici più esigenti per queste quantità molto meglio dei precedenti modelli empirici, specialmente per le barriere energetiche che controllano quanto facilmente l’ossigeno può diffondere.

Seguire un sottile cambiamento di forma con il calore

Armati di questo modello accurato, i ricercatori hanno eseguito lunghe simulazioni di dinamica molecolare su grandi cristalli mentre venivano riscaldati da alcune centinaia fino a oltre mille gradi Kelvin. A bassa temperatura il cristallo presenta un’impronta leggermente rettangolare: catene di atomi di ossigeno corrono lungo una direzione nel piano, conferendo una forma “ortorombica”. Con l’aumentare della temperatura, gli atomi di ossigeno saltano da queste catene verso siti vicini tra le catene. Questo rompe gradualmente le lunghe catene dritte e rimuove la direzione preferita nel piano. Intorno a 800 Kelvin nelle simulazioni, il cristallo diventa quasi quadrato in sezione, una forma “tetragonale”, in eco con quanto osservato sperimentalmente a temperature leggermente più alte.

Disordine, entropia e perché avviene il cambiamento

Tracciando la frequenza dei salti degli atomi di ossigeno e come il costo energetico delle coppie di Frenkel cambia con l’espansione della rete, gli autori mostrano che la transizione non è guidata puramente da risparmi energetici. A temperature vicine alla transizione, formare questi difetti costa ancora energia, ma il numero crescente di modi per disporre gli atomi di ossigeno aumenta l’entropia del sistema, favorendo il disordine. Questo impulso entropico, aiutato da una modesta diminuzione dell’energia dei difetti a volumi maggiori, spinge il cristallo da uno stato ordinato a catene verso uno stato più disordinato ma più simmetrico. Il modello suggerisce anche che piccole quantità di ossigeno mancanti accelerano leggermente la transizione, in linea con indizi sperimentali.

Cosa significa per i futuri dispositivi superconduttori

Per i non specialisti, il messaggio chiave è che un modello di machine learning accuratamente addestrato può ora seguire la danza degli atomi di ossigeno in un superconduttore complesso e spiegare come il loro moto rimodella il cristallo ad alte temperature. Questa capacità apre la porta a simulazioni realistiche su larga scala di come YBCO risponde a radiazioni e calore nei magneti in funzione, e di come trattamenti termici possano ripristinarne le prestazioni. Più in generale, il lavoro dimostra che il machine learning può trattare ossidi con diversi elementi e chimica complessa, offrendo uno strumento nuovo per progettare e proteggere materiali superconduttori avanzati.

Citazione: Gambino, D., Di Eugenio, N., Byggmästar, J. et al. The diffusion-driven orthorhombic to tetragonal transition in YBa₂Cu₃O₇ derived with a machine learning interatomic potential. npj Quantum Mater. 11, 41 (2026). https://doi.org/10.1038/s41535-026-00891-7

Parole chiave: YBCO, diffusione dell’ossigeno, potenziale di machine learning, superconduttori, transizione di fase