超导体是交通、能源和其他行业中尖端技术的重要组成部分。来自佐治亚理工学院和河内科技大学的一篇新论文提出了使用人工智能驱动的方法，以更快地识别潜在的超导体。
根据该论文，合作团队试图将原子级信息融入机器学习路径，以在常压下发现新的传统超导体。问题在于在缺乏原子级信息的情况下，在零温度下预测高温超导性是一项具有挑战性的任务。
因此，研究人员共同策划了一个包含584个原子结构和1100多个λ和ωlog值的数据集。这些值是在不同压力下计算得出的，通过这样做，发展了λ和ωlog的机器学习模型。
然后，他们使用这些模型对Materials Project数据库中的80,000多个条目进行了筛选。这通过第一原理计算揭示出两种热力学和动力学稳定的材料，其超导性可能存在于Tc=10-15k和p=0的情况下。
为了实现这一点，他们使用matminer软件包将原子结构转换为数值向量，然后使用高斯过程回归和机器学习算法。根据论文，研究人员使用机器学习模型预测了35个候选者。
在这35个候选者中，有六个具有最高预测的Tc值。其他候选者太不稳定，仍需要进行更多的稳定性计算。验证了两个候选者CrH和CrH2的稳定性后，使用第一原理计算了它们的超导性质。
在此之后，研究人员能够评估他们的预测并继续进行更多计算以确认其预测结果。目前，准确度约为报告值的2-3%。那么为什么这很重要呢？
嗯，以更快、更可靠的方式识别潜在的超导体新候选者对于许多原因都很重要。其中一些原因包括提高能源效率，推动电力传输和储存的发展，以及推动对量子现象的科学理解。
后者，储存和量子现象，在数据科学中至关重要。在存储的情况下，每秒产生大量的数据，存储可能成为以后的问题。至于量子现象，这可能是推动普通人工智能和数据科学其他子领域进展的关键。