Machine-learning geleid zoeken naar fonon-gemedieerde supergeleiding in boron- en koolstofverbindingen

Waarom nieuwe supergeleiders ertoe doen

Supergeleiders, materialen die stroom zonder weerstand geleiden, kunnen stroomnetten, medische beeldvorming, quantumcomputers en hogesnelheidstreinen transformeren. Toch werken de meeste bekende supergeleiders alleen bij zeer lage temperaturen, wat het gebruik duur maakt. Deze studie onderzoekt of slimme computermodellen en machine learning de zoektocht naar betere supergeleiders van gangbare lichte elementen zoals boron en koolstof kunnen versnellen, en zo praktisch toepasbare materialen dichter bij alledaagse technologie kunnen brengen.

Slim zoeken in plaats van blind zoeken

De auteurs richten zich op een specifieke klasse, fonon-gemedieerde supergeleiders, waarbij trillingen van het kristalrooster (fononen) helpen dat elektronen paren vormen en weerstandloos bewegen. Lichte atomen zoals boron en koolstof trillen van nature op hoge frequenties, wat hogere kritischtemperaturen kan bevorderen. In plaats van materialen één voor één in het laboratorium te testen, begint het team met een grote digitale bibliotheek van meer dan duizend boron- en koolstofhoudende verbindingen uit de Materials Project-database. Ze passen filters toe om metalen, niet-magnetische en energetisch redelijke kandidaten met beheersbare kristalgroottes te selecteren, waardoor de verzameling wordt teruggebracht tot ongeveer 700 materialen die in principe dit type supergeleiding zouden kunnen ondersteunen.

Zware berekeningen om de machine te trainen

Om te schatten of elke kandidaat supergeleidend kan worden, gebruiken de onderzoekers een kwantummechanische methode genaamd density functional perturbation theory. Hiermee kunnen ze berekenen hoe sterk elektronen met roostertrillingen interageren en een kritische temperatuur voorspellen waarbij supergeleiding optreedt. Deze berekeningen zijn echter tijdrovend en ingewikkeld: ze vereisen zorgvuldige sampling van de impulsruimten van het kristal en brengen vaak dynamische instabiliteiten aan het licht, waarbij sommige trillingsmodi “imaginaire” frequenties hebben, wat aangeeft dat de structuur de voorkeur geeft aan vervorming. Het team ontwikkelt een praktische test om na te gaan of hun temperatuurvoorspellingen numeriek betrouwbaar zijn en verfijnt hun sampling totdat de resultaten convergeren voor meer dan 400 verbindingen. Ze bedenken ook manieren — door druk, zachte vervormingen of verhoogde elektronische smearing — om onstabiele trillingsmodi te stabiliseren zodat ze toch hun supergeleidende gedrag kunnen inschatten in plaats van ze te verwerpen.

Neurale netwerken leren supergeleiders te herkennen

Zodra ze een grote, redelijk nauwkeurige berekende dataset hebben, trainen de auteurs twee grafgebaseerde neurale netwerken, CGCNN en ALIGNN, om de relatie tussen kristalstructuur en supergeleidende eigenschappen te leren. Deze modellen behandelen het kristal als een netwerk van atomen en bindingen en passen interne parameters aan om de berekende sterkte van elektron–fonon koppeling en overgangstemperatuur te reproduceren. De workflow is iteratief: een initieel model wordt getraind op een subset van verbindingen, gebruikt om te voorspellen welke onverkende materialen veelbelovend of duidelijk niet-supergeleidend lijken, en die kandidaten worden vervolgens teruggevoerd naar de dure kwantumberekeningen. Bij elke lus groeit de trainingsset en worden de machine-learningmodellen betrouwbaarder. Een belangrijk element in dit werk is dat de auteurs opzettelijk verbindingen opnemen die aanvankelijk dynamisch onstabiel zijn maar gestabiliseerd kunnen worden, waardoor het spectrum aan patronen dat de modellen zien wordt verbreed.

Zachte trillingen als een verborgen kans

Door verbindingen met aanvankelijk imaginaire fononmodi te stabiliseren en te analyseren, toont de studie aan dat deze zachte trillingen de supergeleiding juist kunnen versterken zodra ze getemd zijn. Verschillende van zulke verbindingen, waaronder een calcium-bor-nitride (Ca5B3N6) en diverse molybdeen-, tantaal- en rutheniumboriden en -carbiden, worden theoretisch voorspeld relatief hoge kritischtemperaturen te hebben, sommige concurrerend met of boven het bekende MgB2. Het werk laat zien dat het negeren van dynamisch instabiele systemen ongeveer een vijfde van de dataset en meerdere van de meest veelbelovende kandidaten had gemist. Wanneer deze uitdagende gevallen worden meegenomen, presteert het ALIGNN-model, dat expliciet hoekinformatie van bindingen encodeert naast bindlengtes, duidelijk beter dan CGCNN, wat benadrukt hoe subtiele geometrische kenmerken belangrijk zijn om zacht trillingsgedrag te vatten.

Wat dit betekent voor toekomstige materialen

Voor niet-specialisten is de belangrijkste boodschap dat de combinatie van gedetailleerde kwantumberekeningen en op maat gemaakte machine-learningmodellen nu in staat is complexe chemische ruimten veel efficiënter te doorzoeken dan alleen experimenten. De studie identificeert niet alleen specifieke boron- en koolstofrijke verbindingen — zoals TaNbC2, Nb3B3C, Y2B3C2, Ca5B3N6 en een familie van Ru-gebaseerde materialen — als veelbelovende supergeleiders, maar stelt ook een herbruikbare strategie vast: gooi “instabiele” kandidaten niet te snel weg, want hun zachte trillingen kunnen de sleutel zijn tot sterkere supergeleiding zodra ze gestabiliseerd zijn. Hoewel deze voorspellingen nog experimentele bevestiging en meer verfijnde theoretische controles nodig hebben, wijzen ze een gerichtere en beter geïnformeerde route naar de ontdekking van praktische supergeleiders voor toekomstige technologieën uit.

Bronvermelding: Nepal, N.K., Wang, LL. Machine-learning guided search for phonon-mediated superconductivity in boron and carbon compounds. npj Comput Mater 12, 152 (2026). https://doi.org/10.1038/s41524-026-01962-w

Trefwoorden: supergeleiding, machine learning, boron- en koolstofverbindingen, elektron-fonon koppeling, materiaalontdekking