金属学报

作者：赵晋彬, 王建韬, 何东昌, 李俊林, 孙岩, 陈星秋, 刘培涛

单位：1 太原科技大学 材料科学与工程学院 太原 030024；2 中国科学院金属研究所 沈阳材料科学国家研究中心 沈阳 110016；3 中国科学技术大学 材料科学与工程学院 沈阳 110016

关键词：氢化物超导体,超导转变温度,机器学习,随机森林,第一性原理计算,

基金：国家自然科学基金项目(52188101,52201030);国家重点研发计划项目(2021YFB3501503);中国科学院重点部署项目(ZDRW-CN-2021-2-5)

高压下发现的具有高临界转变温度(Tc)的氢化物超导体激起了研究者对常压室温超导材料探索的广泛兴趣。尽管第一性原理方法可以准确预测氢化物超导体的Tc，但电声耦合计算量巨大且十分昂贵，因此迫切需要建立一个既准确又高效的Tc预测模型。本工作利用随机森林算法，根据特征的重要性选择最关键的特征，开发了一个简单且物理可解释的机器学习模型。该模型利用所选择的4个关键特征(即组成元素价电子数标准差、共价半径平均值和门捷列夫数(Mendeleev数)范围，以及Fermi能级处H的态密度占比)实现了高的Tc预测精度(平均绝对误差为24.3 K，均方根误差为33.6 K)，这为氢化物超导体的高通量筛选提供了有效预测模型，有助于加速高Tc超导氢化物的发现。

来源：2024年第10期

《金属学报》期刊编辑部

查看金属学报杂志2024年第10期