Поиск сверхпроводимости, опосредованной фононами, с помощью машинного обучения в соединениях бора и углерода

Почему новые сверхпроводники важны

Сверхпроводники — материалы, проводящие электричество без сопротивления, — могут изменить энергосети, медицинскую визуализацию, квантовые компьютеры и высокоскоростные поезда. Однако большинство известных сверхпроводников работают только при очень низких температурах, что делает их практическое применение дорогим. В этой работе исследуется, могут ли интеллектуальные компьютерные модели и машинное обучение ускорить поиск более эффективных сверхпроводников из распространённых лёгких элементов, таких как бор и углерод, приближая перспективу практичных высокопроизводительных материалов к повседневным технологиям.

Искать умно, а не вслепую

Авторы сосредотачиваются на особом классе, называемом фонон‑опосредованной сверхпроводимостью, где колебания кристаллической решётки (фононы) помогают электронам образовывать пары и двигаться без сопротивления. Лёгкие атомы, такие как бор и углерод, естественно колеблются на высоких частотах, что может способствовать более высоким температурам сверхпроводимости. Вместо поштучного лабораторного тестирования команда начинает с большой цифровой библиотеки — более тысячи соединений, содержащих бор или углерод, взятых из базы Materials Project. Они применяют фильтры, чтобы выбрать металлические, немагнитные и энергетически разумные кандидаты с управляемыми размерами ячейки, сократив набор примерно до 700 материалов, которые в принципе могли бы поддерживать этот тип сверхпроводимости.

Тяжёлые расчёты, чтобы обучить машину

Чтобы оценить, может ли каждый кандидат стать сверхпроводником, исследователи используют квантово‑механический метод теории функционала плотности для возмущений (density functional perturbation theory). Это позволяет им вычислить, насколько сильно электроны взаимодействуют с колебаниями решётки, и предсказать критическую температуру появления сверхпроводимости. Однако такие расчёты медлительны и сложны: требуется тщательная выборка импульсного пространства кристалла, и часто они выявляют динамические нестабильности, когда некоторые колебательные моды оказываются «мнимыми», указывая на то, что структура предпочла бы исказиться. Команда разрабатывает практический тест, чтобы проверить числовую надёжность своих предсказаний температур, и уточняет выборку до сходимости результатов для более чем 400 соединений. Они также придумывают способы — применение давления, мягкие искажения или увеличение электронного размытия — чтобы стабилизировать нестабильные колебательные моды и тем самым оценивать их сверхпроводящие свойства, вместо того чтобы отбрасывать такие структуры.

Обучение нейросетей распознавать сверхпроводники

Когда у них появляется большая и достаточно точная вычислительная выборка, авторы обучают две графовые нейросети, CGCNN и ALIGNN, устанавливать связь между кристаллической структурой и сверхпроводящими свойствами. Эти модели рассматривают кристалл как сеть атомов и связей и настраивают внутренние параметры, чтобы воспроизвести рассчитанную силу электрон‑фононного взаимодействия и переходную температуру. Рабочий процесс итеративен: начальная модель обучается на подмножестве соединений, используется для предсказания, какие ещё материалы выглядят наиболее перспективно или, наоборот, явно не сверхпроводящими, и эти кандидаты затем возвращаются в дорогостоящие квантовые расчёты. С каждой итерацией набор для обучения растёт, и модели машинного обучения становятся более надёжными. Ключевая особенность этой работы в том, что авторы намеренно включают соединения, которые поначалу динамически нестабильны, но могут быть стабилизированы, расширяя разнообразие шаблонов, которые видят модели.

Мягкие колебания как скрытая возможность

Анализируя и стабилизируя соединения с первоначально мнимыми фононными модами, исследование показывает, что эти «мягкие» колебания могут фактически усиливать сверхпроводимость после их укрощения. Несколько таких соединений, включая кальциевый борнитрид (Ca5B3N6) и различные боры и карбиды молибдена, тантала и рутения, предсказываются с относительно высокими критическими температурами, некоторые находящиеся на уровне или превосходящие хорошо известный MgB2, по крайней мере в теории. Работа показывает, что игнорирование динамически нестабильных систем привело бы к потере примерно одной пятой набора данных и нескольких из наиболее перспективных кандидатов. При включении этих сложных случаев модель ALIGNN, которая явно кодирует углы связей наряду с длинами, явно превосходит CGCNN, подчёркивая, насколько тонкие геометрические признаки важны для учёта мягких колебательных эффектов.

Что это значит для будущих материалов

Для неспециалистов главный вывод в том, что сочетание детализированных квантовых расчётов и специализированных моделей машинного обучения теперь позволяет намного эффективнее просеивать сложные химические пространства, чем одни только эксперименты. Исследование не только выделяет конкретные бор‑ и углерод‑богатые соединения — такие как TaNbC2, Nb3B3C, Y2B3C2, Ca5B3N6 и семейство материалов на основе Ru — как перспективные сверхпроводники, но и устанавливает повторяемую стратегию: не выбрасывать «нестабильные» кандидаты слишком быстро, потому что их мягкие колебания могут таить ключ к более сильной сверхпроводимости после стабилизации. Хотя эти предсказания ещё требуют экспериментального подтверждения и более тонкой теоретической проверки, они прокладывают более целенаправленный и информированный путь к открытию практичных сверхпроводников для будущих технологий.

Цитирование: 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

Ключевые слова: сверхпроводимость, машинное обучение, соединения бора и углерода, электрон‑фононное взаимодействие, открытие материалов