Bor ve karbon bileşiklerinde fonon aracılı süperiletkenlik için makine öğrenimi ile yönlendirilen arama

Yeni süperiletkenlerin önemi

Elektriği sıfır dirençle taşıyan malzemeler olan süperiletkenler, enerji şebekelerini, tıbbi görüntülemeyi, kuantum bilgisayarları ve yüksek hızlı trenleri dönüştürebilir. Yine de bilinen süperiletkenlerin çoğu yalnızca çok düşük sıcaklıklarda çalışır, bu da kullanımlarını maliyetli hale getirir. Bu çalışma, akıllı bilgisayar modelleri ve makine öğreniminin bor ve karbon gibi yaygın hafif elementlerden yapılmış daha iyi süperiletkenlerin aranmasını hızlandırıp hızlandıramayacağını araştırıyor; bu da pratik yüksek performanslı malzemeleri günlük teknolojiye daha yakın hale getirebilir.

Körçe aramak yerine akıllıca aramak

Yazarlar, kristal kafesinin titreşimlerinin (fononların) elektronların eşleşmesine ve direnciz taşınmasına yardımcı olduğu fonon aracılı süperiletken adı verilen belirli bir sınıfa odaklanıyorlar. Bor ve karbon gibi hafif atomlar doğal olarak yüksek frekansta titreşir; bu da daha yüksek süperiletkenlik sıcaklıklarını destekleyebilir. Laboratuvarda malzemeleri tek tek test etmek yerine ekip, Materials Project veri tabanından alınmış binden fazla bor ve karbon içeren bileşiğin yer aldığı büyük bir dijital kütüphaneyle işe başlıyor. Metalik, manyetik olmayan ve enerji açısından makul, yönetilebilir kristal boyutlarına sahip adayları seçmek için filtreler uygulayarak, bu tür süperiletkenliği prensipte destekleyebilecek yaklaşık 700 malzemeye kadar havuzu daraltıyorlar.

Makineyi eğitmek için yoğun hesaplamalar

Her adayın süperiletken olup olmayacağını tahmin etmek için araştırmacılar yoğunluk fonksiyoneli bozulum teorisi adı verilen kuantum mekaniksel bir yöntem kullanıyorlar. Bu yöntem, elektronların kafes titreşimleriyle ne kadar güçlü etkileştiğini hesaplamayı ve süperiletkenliğin ortaya çıkacağı kritik bir sıcaklığı öngörmeyi mümkün kılıyor. Ancak bu hesaplamalar zaman alıcı ve zorludur: kristalin momentum alanının dikkatli örneklenmesini gerektirir ve sık sık bazı titreşim modlarının “imajiner” olduğu, yapının bozulmayı tercih edeceğini gösteren dinamik instabiliteleri ortaya çıkarır. Ekip, sıcaklık tahminlerinin sayısal olarak güvenilir olup olmadığını kontrol etmek için pratik bir test geliştirir ve sonuçlar 400’den fazla bileşik için yakınsayana kadar örneklemeyi iyileştirir. Ayrıca, kararsız titreşim modlarını atmak yerine stabilize ederek süperiletkenlik davranışlarını tahmin edebilmelerine olanak veren basınç, hafif bozulmalar veya artan elektronik yayma (smearing) gibi yollar icat ederler.

Süperiletkenleri tespit etmek için sinir ağlarını eğitmek

Geniş ve makul derecede doğru bir hesaplanmış veri kümesi elde ettikten sonra yazarlar, kristal yapı ile süperiletkenlik özellikleri arasındaki bağlantıyı öğrenmesi için iki grafik tabanlı sinir ağı, CGCNN ve ALIGNN’i eğitiyorlar. Bu modeller kristali atomlar ve bağlardan oluşan bir ağ olarak ele alır ve daha sonra hesaplanmış elektron–fonon etkileşimi gücünü ve geçiş sıcaklığını yeniden üretmek için iç parametreleri ayarlar. İş akışı yinelemelidir: başlangıçta bir alt küme üzerinde eğitilen model, keşfedilmemiş hangi malzemelerin en umut verici veya en açık şekilde süperiletken olmayan olduğunu tahmin etmek için kullanılır ve bu adaylar pahalı kuantum hesaplamalara geri beslenir. Her döngüyle birlikte eğitim seti büyür ve makine öğrenimi modelleri daha güvenilir hale gelir. Bu çalışmadaki kilit farklardan biri, yazarların başlangıçta dinamik olarak kararsız olan ancak stabilize edilebilen bileşikleri kasıtlı olarak dahil etmeleridir; bu, modellerin gördüğü desenlerin çeşitliliğini genişletir.

Yumuşak titreşimler gizli bir fırsat

Başlangıçta imajiner fonon modlarına sahip bileşikleri stabilize edip analiz ederek çalışma, bu yumuşak titreşimlerin evcilleştirildiklerinde aslında süperiletkenliği artırabileceğini ortaya koyuyor. Kalsiyum bor nitrür (Ca5B3N6) ve çeşitli molibden, tantal ve rutenyum boritleri ile karbitleri de dahil olmak üzere birkaç böyle bileşiğin teoride, iyi bilinen MgB2 ile karşılaştırılabilir veya onu aşan nispeten yüksek kritik sıcaklıklara sahip olması öngörülüyor. Çalışma, dinamik olarak kararsız sistemleri göz ardı etmenin veri kümesinin yaklaşık beşte birini ve en umut verici birkaç adayı kaçırmaya yol açacağını gösteriyor. Bu zorlu vakalar dahil edildiğinde, bağ açılarını ve bağ uzunluklarını açıkça kodlayan ALIGNN modeli CGCNN’den belirgin şekilde daha iyi performans gösteriyor; bu da yumuşak titreşim davranışını yakalamada ince geometrik özelliklerin önemini vurguluyor.

Gelecekteki malzemeler için anlamı

Uzman olmayanlar için ana mesaj, ayrıntılı kuantum hesaplamaları ile özel olarak uyarlanmış makine öğrenimi modellerinin artık deneylerin tek başına yapabileceklerinden çok daha verimli bir şekilde karmaşık kimyasal alanları tarayabilmesidir. Çalışma, TaNbC2, Nb3B3C, Y2B3C2, Ca5B3N6 ve bir dizi Ru-tabanlı malzeme gibi belirli bor ve karbon açısından zengin bileşikleri umut verici süperiletkenler olarak tanımlamakla kalmıyor, aynı zamanda yeniden kullanılabilir bir strateji de ortaya koyuyor: “kararsız” adayları fazla çabuk atmayın; çünkü yumuşak titreşimleri stabilize edildiğinde daha güçlü süperiletkenliğin anahtarını barındırıyor olabilir. Bu tahminlerin deneysel onay ve daha rafine teorik kontroller gerektirdiği doğru olsa da, pratik süperiletkenleri keşfetmeye yönelik daha hedefli ve bilgili bir yol haritası çiziyorlar.

Atıf: 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

Anahtar kelimeler: süperiletkenlik, makine öğrenimi, bor ve karbon bileşikleri, elektron-fonon etkileşimi, malzeme keşfi