深度学习驱动的高温超导三元氢化物计算发现研究

本研究针对三元氢化物超导材料探索中面临的巨大化学和构型空间挑战，提出了一种深度学习驱动的理论框架。通过集成高通量晶体结构探索、物理信息筛选和超导临界温度精准预测，研究人员系统探索了29种元素组成的约3600万种三元氢化物结构，成功鉴定出144种潜在高温超导体（Tc≥200K），其中129种化合物和27种新型结构原型为首次报道。该工作不仅极大扩展了高温超导氢化物的知识库，更为探索多元系统复杂景观建立了可扩展的高效方法学。

在凝聚态物理领域，实现高温甚至室温超导一直是科学家们追求的圣杯。近年来，压缩二元氢化物作为一类具有异常高超导转变温度（T_c）的传统超导体引起了广泛关注，如H₃S、CaH₆、YH₆、YH₉和LaH₁₀等材料的T_c值在高压条件下可达215-260K。这些发现大多受到基于第一性原理的结构搜索的启发，彰显了理论方法在材料设计中的预测能力。

然而，超导体的探索正从二元体系扩展到三元氢化物。虽然非化学计量比的三元氢化物如(La,Y)H₁₀、(La,Ce)H₉和(La,Al)H₁₀已被预测或合成，但它们大多复制了二元氢化物的结构框架。化学计量比的三元氢化物如LaBeH₈（首个实验合成的化学计量比三元氢化物超导体，T_c=110K at 80GPa）和LaSc₂H₂₄（首个室温超导体，T_c=298K at 260GPa）显示出巨大潜力。但三元氢化物中巨大的化学计量比和结构变异数量既为提高T_c提供了可能，也为理论方法全面探索和识别稳定超导相带来了严峻挑战。

传统的高通量结构替代方法虽能有效筛选组成空间，但受限于现有结构原型，可能遗漏凸包上的竞争相。基于第一性原理的晶体结构预测（Crystal Structure Prediction, CSP）方法虽能进行无模板的构型空间探索，但其高计算成本限制了在多元系统中的应用。此外，准确的T_c预测需要资源密集的电子-声子耦合（Electron-Phonon Coupling, EPC）计算，进一步增加了超氢化物研究的复杂性。

针对这些挑战，研究人员在《National Science Review》上发表了题为"Computational discovery of High-Temperature Superconducting Ternary Hydrides via Deep Learning"的研究论文，提出了一个深度学习驱动的理论框架，用于富氢超导体的高效发现。

关键技术方法

研究团队开发了基于深度势注意力（Deep Potential Attention, DPA）架构的大原子模型（Large Atomic Model, LAM），通过并发学习策略对29种元素（氢、19种金属和9种非金属）组成的三元氢化物进行高通量晶体结构预测。利用CALYPSO方法结合LAM作为焓值预测器，探索了约3600万种三元氢化物结构。通过物理信息筛选标准（热力学稳定性、对称性约束、原子氢分数、动力学稳定性）和从LAM微调的T_c预测模型，识别出潜在高温超导体。采用密度泛函理论（Density Functional Theory, DFT）和密度泛函微扰理论进行电子-声子耦合计算，通过求解各向同性Eliashberg方程获得超导能隙和T_c值。

研究结果

高通量晶体结构预测

研究系统枚举了A_mB_nH_x的可能化学组成（m≤4，n≤4，3(m+n)≤x≤10(m+n)），利用LAM作为焓值预测主力探索了36,292,030种三元氢化物结构。通过五步筛选流程（LAM水平热力学稳定性、对称性约束、原子氢分数、动力学稳定性、DFT水平热力学稳定性），从2429种候选氢化物中识别出144种潜在高温超导体。

发现的高T_c氢化物

研究在200GPa压力下鉴定出144种潜在高温氢化物超导体，涵盖38种结构原型，所有化合物的预测T_c均超过200K，且具有良好的热力学稳定性（E_hull,DFT≤50meV/原子）。其中129种氢化物和27种结构原型为首次报道的新预测，几乎使已知的高T_c氢化物超导体笼形结构原型数量翻倍。

12种氢化物的T_c接近或超过室温，包括R3m-Sr₃Y₄H₄₂（T_c≈308K）、Fm3m-KLu₃H₂₄（T_c≈301K）、Fd3m-SrYH₁₂（T_c≈291K）等。特别值得注意的是Fd3m-Li₂NaH₁₇表现出极高的T_c（372K）和良好的热力学稳定性（E_hull=26.7meV/原子）。

8种预测氢化物位于凸包上，表明它们具有热力学稳定性和较高的实验合成潜力，包括Fm3m-Ca₃YH₂₄（T_c≈236K）、R3m-Ca₄LuH₃₀（T_c≈210K）、P6/mmm-Lu₂ThH₂₄（T_c≈237K）等。

关键化学系统

研究识别出多个含有大量满足筛选标准（T_c≥200K且E_hull,DFT≤50meV/原子）化合物的化学系统，其中Y-Lu-H、Ca-Y-H、Ca-Lu-H、Sr-Y-H、Na-Y-H和Y-La-H系统主要包含具有CaH₆型结构的氢化物，这些结构在体心立方金属晶格中具有A和B原子的占位变化，且通常具有较低的E_hull,DFT值，表明热力学稳定性增强。

Y-Th-H系统尤为突出，包含10种氢化物，涵盖6种结构原型。P6₃mc-Y₂ThH₂₈采用新型结构原型，具有两种Y中心的H₂₉笼和一个Th中心的H₃₁笼，表现出T_c=255K。P6/mmm-Y₂ThH₂₄与最近提出的P6/mmm-LaSc₂H₂₄共享相同的结构原型，计算T_c≈291K，接近室温。此外还鉴定出两种热力学稳定化合物P6m2-YThH₁₈和R32-Y₃Th₃H₅₅，计算T_c分别为209K和202K。

研究结论与意义

该研究提出的深度学习驱动计算框架成功解决了材料发现中巨大的化学和构型空间探索挑战。通过结合高通量全局结构搜索、物理引导筛选和基于第一性原理的性质计算，并借助基于深度学习的大原子模型增强，该框架成为加速新材料发现的强大工具。

应用于三元超氢化物，该框架发现了129种超导转变温度超过200K的化合物，揭示了多样的结构原型，包括已知的笼形构型和全新结构，几乎使已知的高T_c氢化物超导体笼形结构原型数量翻倍。这些结果证明了所提出方法在导航多元氢化物复杂景观中的预测能力和效率。

未来工作将聚焦于将该框架扩展到四元及更高阶氢化物系统，同时系统研究压力变化对其稳定性和超导性质的影响。实验验证对于确认预测结构和T_c值以及提供对超导机制更深入的理解至关重要。总体而言，这项研究为推进高温超导性建立了坚实基础，对基础研究和实际应用都具有深远意义。