Machine-accelerated extraction of experimental superconducting parameters for physical insight and prediction across thousands of materials
本文介绍了 AutoSuperCon,这是一个包含 20,354 个经实验验证的超导参数的大规模数据库,这些参数是通过大型语言模型从超过 47,000 篇 arXiv 预印本中提取而来的,它能够为数千种超导体提供新的物理见解和准确的机器学习预测。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
超导体是能够无电阻传输电流的材料,这意味着能量不会以热的形式损失。这一特性使其成为从医疗扫描仪中的强力磁铁到未来无损耗电网等各类技术的“圣杯”。然而,对于要应用于这些领域的材料而言,仅仅知道其进入超导状态时的温度是不够的。工程师还需要了解该材料在停止工作前能承受多少磁场,以及它能承载多少电流。几十年来,寻找新的超导体一直是一场概率游戏而非精确科学,像铜基和铁基超导体这样的重大发现,都是在没有任何先验理论预测的情况下出现的。虽然近年来计算机已被用于猜测哪些化学配方可能奏效,但由于缺乏除初始温度之外其他关键属性的可靠数据,它们受到了限制。
现在,一个研究小组建立了一个全新的大规模数字库来解决这个问题,创造了一个资源,终于可以让计算机学习超导性的完整故事。他们开发了一个自动化系统,通过阅读发表在公开档案上的 47,000 多篇科学论文,利用先进的语言软件提取出特定的实验数值。其成果是一个名为 AutoSuperCon 的数据库,其中包含近 7,000 种不同超导材料的 20,000 多个条目。该集合不仅包括材料进入超导状态时的温度,还包括另外八项关键测量值,例如材料能承受的最大磁场、磁场渗透的深度,以及允许电子配对的能隙大小。为了确保数据的准确性,团队将他们的发现与现有记录进行了交叉核对,发现其自动化提取的结果与人工整理的数据高度吻合。他们还包含了来自 1976 年一项调查的历史测量数据,这些数据此前被锁在一个标准计算机无法读取的扫描文档中,他们借助现代视觉软件将其数字化。
凭借这一庞大的新数据集,研究人员得以测试关于超导体行为的长期理论。他们发现,尽管旧理论预测超导体能够承受的磁场强度存在严格限制,但数据库中近 30% 的材料实际上超过了这一限制。这表明,许多现代超导体的运行机制处于标准理论无法完全解释的状态。他们还发现,这些材料中的能隙通常比预期大得多,特别是在铜基和铁基家族中,这表明将电子对结合在一起的力量比传统材料要强得多。此外,团队确定了这些材料运行温度的一个明确上限,该上限似乎与材料内超导流体的密度直接相关。这种关系在数千种不同的化合物中均成立,为物理上的可能性提供了一条新的定量规则。
这项工作的最直接应用在于能够预测新材料在制造前的属性。研究人员训练了计算机模型,仅根据化学成分来预测材料的临界温度和能承受的最大磁场。这些模型对于已知家族内的材料具有高度准确性,能够正确预测数千个留存样本的临界温度。然而,研究也揭示了这种方法的一个硬性限制:当被要求预测不属于其训练集的全新材料家族的属性时,模型会完全失效。这意味着,虽然该数据库是筛选已知化学领域内候选材料的强大工具,但它目前还无法预测一种完全未知的超导体类别的属性。这项工作证明,人工智能现在可以提取并组织埋藏在数十年科学文献中的隐藏知识,将零散的实验笔记转化为发现下一代超导材料的结构化基础。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。