🔬 materials science

Electron affinity difference distributions guide the discovery of the superconductor PtPb $_3$ Bi

यह शोध पत्र GP- $T_c$ नामक एक व्याख्या योग्य गॉसियन प्रोसेस मॉडल प्रस्तुत करता है, जो सुपरकंडक्टिंग ट्रांजिशन तापमान की भविष्यवाणी करने के लिए इलेक्ट्रॉन-एफिनिटी अंतर वितरणों का उपयोग करता है, और निकलेट्स पर अपने दृष्टिकोण को सफलतापूर्वक मान्य करते हुए, लगभग 3 K के क्रिटिकल तापमान के साथ एक नए सुपरकंडक्टर, PtPb $_3$ Bi की प्रयोगात्मक खोज करता है।

मूल लेखक: Omri Lesser, Yanjun Liu, Natalie Maus, Aaditya Panigrahi, Krishnanand Mallayya, Albert Gong, Anmol Kabra, Scott B. Lee, Sudipta Chatterjee, Amira Merino, Kilian Q. Weinberger, Leslie M. Schoop, Jacob

प्रकाशित 2026-04-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Omri Lesser, Yanjun Liu, Natalie Maus, Aaditya Panigrahi, Krishnanand Mallayya, Albert Gong, Anmol Kabra, Scott B. Lee, Sudipta Chatterjee, Amira Merino, Kilian Q. Weinberger, Leslie M. Schoop, Jacob R. Gardner, Eun-Ah Kim

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो एक नया, उत्तम व्यंजन बनाने की कोशिश कर रहे हैं जो कभी खराब नहीं होता (एक सुपरकंडक्टर)। एक सदी से अधिक समय से, वैज्ञानिक कुछ सामग्रियों को मिला रहे थे और बेहतर होने की उम्मीद कर रहे थे, और अक्सर अपनी "अंतरात्मा की आवाज़" या भाग्यशाली दुर्घटनाओं पर निर्भर रहते थे। वे जानते थे कि यदि वे कुछ तत्वों को मिलाते हैं, तो जादू होता है (शून्य विद्युत प्रतिरोध), लेकिन वे यह नहीं समझा पाते थे कि क्यों और वह तापमान कितना अधिक हो सकता था जहाँ तक यह काम करना बंद कर देता है (क्रिटिकल टेम्परेचर, या $T_c$ )।

यह पेपर एक नए, बेहद स्मार्ट 'सौ-शेफ' (सहायक रसोइया) GP-Tc को पेश करता है जो खेल बदल देता है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. समस्या: खाना पकाने का "ब्लैक बॉक्स"

पहले, वैज्ञानिक केवल खरीद सूची (रासायनिक सूत्र) का उपयोग करके सुपरकंडक्टर्स की भविष्यवाणी करने की कोशिश करते थे। यह ऐसा ही है जैसे बिना यह जाने कि ओवन का तापमान क्या था या उन्हें कैसे मिलाया गया था, केवल "मैदा, चीनी, अंडे" पढ़कर यह अनुमान लगाने की कोशिश करना कि केक का स्वाद कैसा होगा।
बाद में, उन्होंने क्रिस्टल संरचना का उपयोग करने वाले जटिल AI (जैसे डीप न्यूरल नेटवर्क) का उपयोग किया। लेकिन वे "ब्लैक बॉक्स" थे। वे उत्तर का अनुमान तो लगा सकते थे, लेकिन वे आपको यह नहीं बता सकते थे कि उन्होंने वह उत्तर क्यों दिया। यह एक मैजिक 8-बॉल की तरह था: इसने एक उत्तर दिया, लेकिन कोई स्पष्टीकरण नहीं दिया।

2. समाधान: "पड़ोसी मोहल्ला" का मानचित्र

शोधकर्ताओं ने एक नया सिस्टम बनाया जो क्रिस्टल के हर परमाणु के स्थानीय पड़ोस को देखता है।

उपमा: एक शहर की कल्पना करें। केवल वहां रहने वाले लोगों के नाम सूचीबद्ध करने के बजाय, GP-Tc एक नक्शा बनाता है कि कौन किसके बगल में रहता है, उनके घर एक-दूसरे से कितनी दूर हैं, और उनकी "व्यक्तित्व" (रासायनिक गुण) क्या हैं।
उपकरण: उन्होंने ग्राफलेट हिस्टोग्राम (Graphlet Histograms) नामक चीज़ का उपयोग किया। इसे ऐसे समझें कि हर संभावित छोटे पड़ोसी समूहों (जोड़े, तिकड़ी) की फोटो लेना और यह गिनना कि प्रत्येक प्रकार के समूह कितनी बार दिखाई देते हैं। यह एक जटिल 3D क्रिस्टल को "पड़ोसीदार इंटरैक्शन" के एक सरल, व्यवस्थित चार्ट में बदल देता है।

3. बड़ी खोज: "इलेक्ट्रॉन एफिनिटी" का रहस्य

इस पेपर का सबसे रोमांचक हिस्सा यह है कि AI ने हजारों रेसिपी का अध्ययन करने के बाद क्या पाया। उसने महसूस किया कि एक महान सुपरकंडक्टर का रहस्य कोई जटिल, छिपा हुआ सूत्र नहीं है। यह आश्चर्यजनक रूप से सरल है: पड़ोसियों के बीच "भूख" का अंतर।

रूपक: परमाणुओं को लोगों के रूप में कल्पना करें। कुछ लोग इलेक्ट्रॉन्स के लिए बहुत "भूखे" होते हैं (उनका इलेक्ट्रॉन एफिनिटी उच्च होता है), जबकि अन्य कम भूखे होते हैं।
निष्कर्ष: AI ने पाया कि पड़ोसियों के बीच इन भूख के स्तरों का वितरण ही कुंजी है।
- यदि पड़ोसियों के भूख का स्तर बहुत समान है, तो वे इलेक्ट्रॉन्स को समान रूप से साझा करते हैं (एक शांत, सहकारी पड़ोस की तरह)।
- यदि पड़ोसियों के भूख के स्तर अलग हैं, तो वहां थोड़ा "तनाव" या चार्ज ट्रांसफर होता है (एक जीवंत, गतिशील पड़ोस की तरह)।
- आश्चर्य: AI ने पाया कि इन अंतरों का फैलाव (पूरे क्रिस्टल में भूख के स्तरों में कितनी विविधता है) पूरे क्रिस्टल में बिजली के संचालन की क्षमता का सबसे महत्वपूर्ण भविष्यवक्ता है। यह एक रासायनिक नियंत्रण नॉब है जिसे वैज्ञानिकों ने दशकों से अनदेखा कर दिया था!

4. परिणाम: एक नया सुपरकंडक्टर खोजना

यह साबित करने के लिए कि उनका नया AI केवल अनुमान नहीं लगा रहा था, उन्होंने दो चीजें कीं:

परीक्षण: उन्होंने AI से एक ज्ञात सुपरकंडक्टर (एक निकल-आधारित सामग्री) के लिए तापमान की भविष्यवाणी करने के लिए कहा, जिसे उसने पहले कभी नहीं देखा था। AI ने इसे सही बताया।
खोज: AI ने ज्ञात क्रिस्टल संरचनाओं के एक विशाल डेटाबेस को खंगाला और एक विशिष्ट, अज्ञात रेसिपी की ओर इशारा किया: PtPb3Bi (प्लेटिनम, लेड और बिस्मिथ)।
- AI ने भविष्यवाणी की कि यह लगभग 3 केल्विन पर सुपरकंडक्टर बन जाएगा (बहुत ठंडा, लेकिन प्राप्त करने योग्य)।
- वैज्ञानिकों ने लैब में जाकर, इन सामग्रियों को मिलाया और वॉयला! यह काम कर गया। उन्होंने ठीक वैसा ही नया सुपरकंडक्टर बनाया जैसा कि AI ने भविष्यवाणी की थी।

5. यह क्यों मायने रखता है

यह पेपर एक गेम-चेंजर है क्योंकि:

यह पारदर्शी है: "ब्लैक बॉक्स" AI के विपरीत, यह सिस्टम हमें बताता है कि इसने भविष्यवाणी क्यों की। यह कहता है, "मुझे लगता है कि यह काम करेगा क्योंकि इन पड़ोसियों के बीच इलेक्ट्रॉन भूख के अंतर बिल्कुल सही हैं।"
यह कुशल है: इसने एक विशाल, जटिल समस्या को केवल चार प्रमुख सामग्रियों (मुख्य रूप से परमाणुओं के बीच इलेक्ट्रॉन भूख के अंतर और दूरियों) में संकुचित कर दिया।
यह एक मार्गदर्शिका है: उन्होंने एक मुफ्त वेबसाइट बनाई है जहां कोई भी क्रिस्टल संरचना अपलोड कर सकता है, और AI उन्हें बताएगा कि क्या इसकी सुपरकंडक्टर होने की संभावना है और उसका तापमान क्या हो सकता है।

संक्षेप में: शोधकर्ताओं ने एक स्मार्ट, व्याख्यात्मक AI बनाया है जो क्रिस्टल के भीतर "पड़ोसी संबंधों" को देखता है। इसने खोज निकाला कि पड़ोसियों के बीच "व्यक्तित्व का टकराव" (इलेक्ट्रॉन एफिनिटी अंतर) सुपरकंडक्टिविटी के लिए गुप्त सॉस है। इस अंतर्दृष्टि का उपयोग करते हुए, उन्होंने सफलतापूर्वक एक नया सुपरकंडक्टर, PtPb3Bi, की भविष्यवाणी की और उसे बनाया, जो यह साबित करता है कि अब हम अंधेरे में केवल अनुमान लगाने के बजाय एक मानचित्र के साथ इन सामग्रियों को डिजाइन कर सकते हैं।

1. समस्या विवरण (Problem Statement)

किसी पदार्थ की क्रिस्टल संरचना और संरचना से सुपरकंडक्टिंग ट्रांजिशन तापमान ( $T_c$ ) की भविष्यवाणी करना कंडक्टेड-मैटर भौतिकी में एक केंद्रीय अनसुलझा प्रश्न बना हुआ है। हालांकि BCS और एलीशाबर्ग (Eliashberg) जैसे सूक्ष्म सिद्धांत विशिष्ट मामलों के लिए मात्रात्मक विवरण प्रदान करते हैं, उन्हें विस्तृत और अक्सर कठिन-से-प्राप्त इनपुट की आवश्यकता होती है और वे अनकन्वेंशनल (unconventional) सुपरकंडक्टर्स पर सामान्यीकृत करने में विफल रहते हैं। पिछले डेटा-संचालित दृष्टिकोण (मशीन लर्निंग) निम्नलिखित कारणों से सीमित रहे हैं:

संरचनात्मक जानकारी का अभाव: शुरुआती मॉडल केवल रासायनिक सूत्रों पर निर्भर थे, जिससे महत्वपूर्ण ज्यामितीय बॉन्डिंग जानकारी छूट गई।
व्याख्यात्मकता (Interpretability) का अभाव: हालिया ग्राफ न्यूरल नेटवर्क (GNNs) संरचना को शामिल तो करते हैं, लेकिन वे "ब्लैक बॉक्स" की तरह कार्य करते हैं, जिससे सुपरकंडक्टिविटी को नियंत्रित करने वाले भौतिक सिद्धांतों को समझना कठिन हो जाता है।
सैद्धांतिक पूर्वाग्रह (Theoretical Bias): कई दृष्टिकोण विशिष्ट सैद्धांतिक पूर्वधारणाओं (जैसे कि फोनोन-मध्यस्थ तंत्र) द्वारा सीमित हैं, जो विविध सामग्री परिवारों की प्रयोज्यता को सीमित करते हैं।

चुनौती एक ऐसा ढांचा विकसित करने की है जो संरचना-जागरूक (structure-aware), व्याख्यात्मक हो, और ऐसे संक्षिप्त, भौतिक रूप से सार्थक डिस्क्रिप्टर (descriptors) की पहचान करने में सक्षम हो जो सैद्धांतिक पूर्वधारणाओं पर निर्भर किए बिना स्थानीय बॉन्डिंग ज्योमेट्री को मैक्रोस्कोपिक सुपरकंडक्टिविटी से जोड़ सकें।

2. कार्यप्रणाली: GP-Tc ढांचा (Methodology: The GP-Tc Framework)

लेखक एक व्याख्यात्मक गॉसियन प्रोसेस (GP) मॉडल का उपयोग करके कार्यान्वित एक संरचना- और रसायन-जागरूक मशीन लर्निंग ढांचे, GP-Tc को प्रस्तुत करते हैं।

A. फीचर प्रतिनिधित्व: ग्राफलेट हिस्टोग्राम (Feature Representation: Graphlet Histograms)

कच्ची क्रिस्टल संरचनाओं या सरल सूत्रों के बजाय, लेखक सामग्रियों को प्रयोगात्मक रूप से मापी गई क्रिस्टल संरचनाओं (ICSD और 3DSC डेटाबेस से) से प्राप्त ग्राफलेट हिस्टोग्राम का उपयोग करके एनकोड करते हैं। यह पदानुक्रमित दृष्टिकोण कई स्तरों पर स्थानीय बॉन्डिंग वातावरण को कैप्चर करता है:

प्रथम क्रम (1st Order): व्यक्तिगत परमाणु जिन्हें 10 मौलिक गुणों (जैसे विद्युत ऋणात्मकता, इलेक्ट्रॉन बंधुता, परमाणु भार) द्वारा वर्णित किया गया है।
द्वितीय क्रम (2nd Order): परमाणु जोड़े जिन्हें अंतर-परमाणु दूरियों और मौलिक गुणों के सांख्यिकीय संयोजनों (माध्य, अंतर) द्वारा एनकोड किया गया है।
तृतीय क्रम (3rd Order): परमाणु त्रिक (triplets) जिनमें बॉन्ड कोण और उच्च-क्रम सांख्यिकी शामिल है।
कुल फीचर्स: प्रति सामग्री 67 हिस्टोग्राम फीचर्स।
सममिति फीचर्स (Symmetry Features): एक 11-आयामी वेक्टर जो यूनिट सेल के भीतर साइट-सिमेट्री ऑपरेशंस (पॉइंट ग्रुप्स) के वितरण का प्रतिनिधित्व करता है।

B. दूरी मीट्रिक और कर्नेल (Distance Metric and Kernel)

इन हिस्टोग्राम-आधारित फीचर्स की तुलना करने के लिए, लेखक अर्थ मूवर्स डिस्टेंस (EMD) का उपयोग करते हैं। EMD एक वितरण को दूसरे में बदलने के लिए न्यूनतम "लागत" को मापता है, जो डेटा की वितरण संबंधी प्रकृति का सम्मान करता है।

कर्नेल निर्माण: चूंकि मानक EMD सीधे एक वैध मर्सेर कर्नेल (Mercer kernel) प्रदान नहीं करता है, इसलिए लेखक सिद्ध करते हैं कि 1D हिस्टोग्राम के लिए, नेगेटिव EMD (फीचर आयामों के माध्यम से भारित योग) के एक्सपोनेंशियल पर आधारित एक कर्नेल पॉजिटिव डेफिनिट (positive definite) है।
मॉडल: एक गॉसियन प्रोसेस रिग्रेसर ( $T_c$ भविष्यवाणी के लिए) और एक क्लासिफायर (SC/Non-SC प्रायिकता के लिए) को इस EMD-आधारित कर्नेल और सिमेट्री फीचर्स के लिए RBF कर्नेल के संयोजन का उपयोग करके प्रशिक्षित किया गया है।

C. डेटा क्यूरेशन (Data Curation)

डेटासेट: 3DSC डेटाबेस से क्यूरेट किया गया (SuperCon $T_c$ डेटा को ICSD क्रिस्टल संरचनाओं के साथ मिलाया गया)।
फिल्टरिंग: जिन सामग्रियों में कई CIFs थे, उन्हें संरचनात्मक निरंतरता सुनिश्चित करने के लिए EMD का उपयोग करके फ़िल्टर किया गया (सामान्यीकृत EMD < 0.2), जिसके परिणामस्वरूप 4,325 सुपरकंडक्टर्स और 1,531 नॉन-सुपरकंडक्टर्स का प्रशिक्षण सेट प्राप्त हुआ।
विभाजन (Split): 80% प्रशिक्षण, 20% होल्ड-आउट टेस्ट।

3. प्रमुख योगदान और खोजें (Key Contributions and Discoveries)

A. फीचर संपीड़न और भौतिक अंतर्दृष्टि (Feature Compression and Physical Insight)

सबसे महत्वपूर्ण खोज भविधिक फीचर स्पेस का नाटकीय संपीड़न है। पुनरावृत्त फीचर छंटनी और व्यापक कॉम्बिनेटोरियल खोज के माध्यम से, लेखकों ने पहचाना कि केवल चार फीचर्स लगभग इष्टतम भविष्य कहनेवाला प्रदर्शन ( $R^2 \approx 0.922$ ) प्राप्त करते हैं:

पड़ोसी परमाणुओं के बीच इलेक्ट्रॉन बंधुता (EA) अंतर (सबसे महत्वपूर्ण)।
अंतर-परमाणु दूरी।
औसत कुल संयोजकता इलेक्ट्रॉन (Mean Total Valence Electrons)।
औसत आवर्त सारणी कॉलम।

भौतिक व्याख्या:

EA अंतर: पड़ोसी परमाणुओं के बीच इलेक्ट्रॉन बंधुता अंतर का वितरण डोमिनेंट डिस्क्रिप्टर के रूप में उभरता है। यह बॉन्ड के चार्ज-ट्रांसफर चरित्र (आयनिक बनाम सहसंयोजक/धात्विक) को मापता है। अध्ययन से पता चलता है कि EA अंतर के व्यापक वितरण उच्च $T_c$ के साथ सह-संबंधित हैं, जो यह सुझाव देता है कि बॉन्डिंग विषमता (bonding heterogeneity) सुपरकंडक्टिविटी के लिए एक प्रमुख संगठित सिद्धांत है।
विद्युत ऋणात्मकता से श्रेष्ठता: जबकि पॉलिंग इलेक्ट्रोनेगेटिविटी (EN) का ऐतिहासिक रूप से बॉन्डिंग चरित्र के प्रॉक्सी के रूप में उपयोग किया जाता रहा है, लेखक पाते हैं कि EA अंतर (एक प्रयोगात्मक रूप से सुलभ, सीधे मापने योग्य मात्रा) बेहतर भविष्य कहनेवाला शक्ति प्रदान करता है।
सममिति की भूमिका: सममिति फीचर्स यह वर्गीकृत करने के लिए महत्वपूर्ण हैं कि कोई सामग्री सुपरकंडक्टिंग है या नहीं, लेकिन सुपरकंडक्टर्स के बीच विशिष्ट $T_c$ मान की भविष्यवाणी करने के लिए कम महत्वपूर्ण हैं।

B. भविष्य कहनेवाला प्रदर्शन (Predictive Performance)

सटीकता: GP-Tc होल्ड-आउट टेस्ट सेट पर $R^2 = 0.931$ प्राप्त करता है, जो डीप न्यूरल नेटवर्क ( $R^2 = 0.942$ ) के तुलनीय है, लेकिन इसमें अनिश्चितता मात्रा निर्धारण (uncertainty quantification) और व्याख्यात्मकता का अतिरिक्त लाभ भी है।
अनिश्चितता मात्रा निर्धारण: GP मॉडल की संभाव्य प्रकृति भविष्यवाणी अनिश्चितताओं को प्रदान करती है जो त्रुटियों के साथ सह-संबंधित होती हैं, जिससे प्रयोगकर्ताओं को उच्च-विश्वास वाले लक्ष्यों को प्राथमिकता देने में मदद मिलती है।

4. प्रयोगात्मक सत्यापन और परिणाम (Experimental Validation and Results)

ढांचे को दो पूरक परीक्षणों के माध्यम से मान्य किया गया था:

A. ज्ञात परिणामों का पुनरुत्पादन (Reproduction of Known Results)

लक्ष्य: इन्फिनिट-लेयर निकेलट Nd $_{0.8}$ Sr $_{0.2}$ NiO $_2$ (एक परिवार जो प्रशिक्षण डेटा में मौजूद नहीं था)।
परिणाम: GP-Tc ने 9–15 K की सीमा में $T_c$ की भविष्यवाणी की, जो प्रयोगात्मक रूप से रिपोर्ट किए गए मूल्यों से मेल खाती है। मॉडल ने इस सामग्री को सुपरकंडक्टर के रूप में सही ढंग से पहचाना, भले ही यह आउट-ऑफ-डिस्ट्रीब्यूशन थी।

B. एक नए सुपरकंडक्टर की खोज (Discovery of a New Superconductor)

लक्ष्य: PtPb $_3$ Bi, एक स्टोइकोमेट्रिक त्रिक यौगिक जिसे उच्च वर्गीकरण विश्वास (0.756) और अनुमानित $T_c \approx 2.93$ K के आधार पर चुना गया था।
संश्लेषण: सेल्फ-फ्लक्स विधि द्वारा संश्लेषित।
विशेषण (Characterization):
- चुंबकीय ससेप्टिबिलिटी (Magnetic Susceptibility): $T_c = 2.98$ K पर सुपरकंडक्टिंग ट्रांजिशन दिखाया।
- वॉल्यूम अंश: 1.8 K पर फील्ड-कूल्ड ससेप्टिबिलिटी $-1.06$ तक पहुँची, जो पूर्ण बल्क सुपरकंडक्टिंग वॉल्यूम अंश की पुष्टि करती है।
- टाइप-II व्यवहार: ट्रांसपोर्ट और मैग्नेटाइजेशन माप द्वारा पुष्टि की गई; अपर क्रिटिकल फील्ड $\mu_0 H_{c2}(0) \approx 0.667$ T।
महत्व: PtPb $_3$ Bi एक अद्वितीय क्रिस्टल संरचना (फेस-शेयरिंग डाइमरकृत इकाइयाँ) अपनाता है जो पहले सुपरकंडक्टर्स के बीच ज्ञात नहीं थी, जो यह दर्शाता है कि मॉडल मौजूदा संरचनात्मक रूपांकनों या सैद्धांतिक पूर्वाग्रहों से परे सामग्रियां खोज सकता है।

C. उच्च-प्राथमिकता वाले उम्मीदवार (High-Priority Candidates)

ढांचे ने पूरे इनऑर्गेनिक क्रिस्टल स्ट्रक्चर डेटाबेस (ICSD) की स्क्रीनिंग की, जिससे >1,000 नए संभावित सुपरकंडक्टर्स की पहचान हुई जिनका $T_c > 10$ K है। उल्लेखनीय भविष्यवाणियों में शामिल हैं:

SrNiO $_2$ : अनुमानित $T_c \approx 51.5$ K (ज्ञात निकेललेट्स की तुलना में काफी अधिक)।
K(PRh) $_2$ और Ho $_2$ C $_3$ : प्रयोगात्मक अन्वेषण के लिए उच्च-विश्वास वाले उम्मीदवार।

5. महत्व और प्रभाव (Significance and Impact)

नया संगठित सिद्धांत: यह अध्ययन अस्पष्ट, उच्च-आयामी डिस्क्रिप्टर से एक रासायनिक रूप से व्याख्यात्मक चर की ओर ध्यान केंद्रित करता है: इलेक्ट्रॉन बंधुता अंतर का वितरण। यह सुपरकंडक्टिविटी के लिए स्थानीय बॉन्डिंग विषमता की केंद्रीय भूमिका को उजागर करता है।
कार्य योग्य AI (Actionable AI): उच्च सटीकता के साथ अनिश्चितता मात्रा निर्धारण और व्याख्यात्मकता को जोड़कर, GP-Tc प्रयोगकर्ताओं को संश्लेषण प्रयासों को प्राथमिकता देने के लिए एक व्यावहारिक उपकरण प्रदान करता है।
सामान्यीकरण क्षमता: यह दृष्टिकोण केवल मौलिक तत्वों और संरचनात्मक जानकारी पर निर्भर करता है, जिससे यह सुपरकंडक्टिविटी के अलावा अन्य क्वांटम सामग्री गुणों के लिए विस्तार योग्य बन जाता है।
सामुदायिक संसाधन: लेखकों ने एक वेब इंटरफेस जारी किया है जो समुदाय को $T_c$ भविष्यवाणी और उम्मीदवार स्क्रीनिंग के लिए क्रिस्टल संरचनाएं (CIF फाइलें) इनपुट करने की अनुमति देता है, जिससे डेटा-संचालित खोज की बाधा कम हो जाती है।

निष्कर्षतः, यह कार्य प्रदर्शित करता है कि एक संरचना-जागरक, व्याख्यात्मक मशीन लर्निंग दृष्टिकोण न केवल उच्च सटीकता के साथ सुपरकंडक्टिविटी की भविष्यवाणी कर सकता है, बल्कि मौलिक भौतिक सिद्धांतों (EA अंतर वितरण) को भी उजागर कर सकता है जो नई सामग्रियों की खोज का मार्गदर्शन करते हैं, जिसे PtPb $_3$ Bi की प्रयोगात्मक खोज द्वारा सफलतापूर्वक मान्य किया गया है।