机器学习与高通量从头算相结合的有序金属电导率研究

研究人员提出了一种将机器学习与高通量从头算（ab initio）计算相结合的计算框架，用于筛选超过280万种化合物以寻找金属输运材料。研究人员确定了若干具有预测高电导率的金属候选材料，其电导率可与铝（36.59 × 10⁶ S/m）相媲美。研究人员对性能最优的材料进行了完整的电子-声子耦合（electron-phonon coupling）计算，结果与可获得的实验数据吻合良好。分析表明，尽管贵金属（Ag、Au、Cu）因其独特的电子结构和低散射而具有难以超越的电导率，但像LiBePt₂这样的化合物可以通过利用轻元素提供的价电子将高散射的d态推移至费米能级以下，从而实现良好的性能。该研究不仅发现了新型高性能导体，还展示了将统计学习与详细的从头算相结合所具有的预测能力。

电导率是决定金属材料在微电子、电力传输、能量存储和量子技术等领域应用的关键物理量。从第一性原理出发预测和优化电输运性质，是计算材料科学长期追求的目标。然而，传统的基于密度泛函理论（Density Functional Theory，DFT）与玻尔兹曼输运方程（Boltzmann Transport Equation，BTE）的方法需要求解电子能带、散射率和输运积分，计算量巨大，通常只能处理少量体系。尽管Materials Project、AFLOW等数据库已收录数十万种材料的电子结构信息，但由于输运计算的高昂代价，电导率这一关键性质在高通量筛选中长期缺失。近年来，机器学习（Machine Learning，ML）方法通过学习材料结构与性能之间的关系，可大幅降低预测成本，为在数百万种化合物中快速搜索高导电材料提供了新机遇。本研究正是针对上述挑战，旨在发展一种将机器学习与高通量从头算相结合的计算框架，系统搜索有序金属中潜在的高电导率材料。该研究发表于《npj Computational Materials》。

研究人员采用多阶段高通量计算工作流。首先，基于Alexandria数据库（PBEsol泛函，约50万电子结构计算）中341,000种金属化合物，利用ALIGNN图神经网络分别训练了预测恒定弛豫时间近似下电导率σ_BT（由BoltzTraP2计算）和Eliashberg电子-声子耦合常数λ的代理模型（后者为先前超导研究已训练的模型）。随后，对Alexandria中经Orb v2通用机器学习原子间势弛豫、且热力学稳定性E_hull≤25 meV/atom的约280万种化合物进行筛选，通过符号回归得到的经验公式σ_SR=0.4σ_BT/λ估计电导率。对超过15×10⁶ S/m阈值的候选，开展第一性原理验证，最终用EPW代码在Wannier插值基础上迭代求解玻尔兹曼输运方程（iBTE）计算精确电导率。

研究结果如下。

### 机器学习筛选
通过ALIGNN模型预测全部280万候选化合物的σ_BT和λ，其二维分布显示Au、Ag、Cu等已知良好导体位于高σ_BT、低λ区域，而Pb、Nb₃Sn等导电性较差的材料位于低σ_BT、高λ区域，说明代理模型能正确捕捉导体性能的物理趋势。对机器学习预测超过阈值的约1200种化合物，结合数据库中已有的约12,800种化合物进行DFT验证，二者共约14,000种化合物的对比显示，机器学习预测与DFT计算的σ和λ均方根偏差分别为4.14×10⁶ S/m和0.18，表明模型具有良好精度，同时验证步骤有效剔除了极端异常值（假阳性）。

### 符号回归
研究人员以43种具有实验电导率的金属为参考集，对σ_BT和λ进行符号回归，以得到简洁的电导率经验表达式。回归所得公式为σ_SR=0.4σ_BT/λ。有趣的是，该公式与理论推导一致：若在恒定弛豫时间近似结果σ_BT中引入高温下弛豫时间τ与1/λ成正比的关系，即可得到相同函数形式，理论预因子0.405与回归值0.4非常接近。根据该公式，研究人员设定σ_SR>15×10⁶ S/m的标准，用于识别高导电候选材料。

### 基于从头算玻尔兹曼输运方程的电导率计算
采用EPW代码对若干元素金属进行基准测试，以评估计算精度。结果表明，多数金属的室温电导率计算值与实验值误差在30%以内，其中Cu、Au、Mo等符合得较好；Ca和Sr偏差最大，原因是其费米面附近的空d态与导带杂化，导致费米面拓扑对能带位置非常敏感。随后对筛选出的52种独特体系进行完整的电子-声子耦合计算，发现Be₂IrPt、H₃NaNi、LuIr、LiBePt₂等化合物的电导率约为34–38×10⁶ S/m，已接近铝（36.59×10⁶ S/m）。考虑自旋轨道耦合（Spin-Orbit Coupling，SOC）后，含重元素（如Ir、Pt）化合物的电导率下降约8%–9%，例如LiBePt₂从34.35×10⁶ S/m降至31.14×10⁶ S/m，表明忽略SOC在高通量工作流中是可接受的折衷。

进一步分析典型材料的电子和声子结构可揭示高电导机理。银具有闭合的4d¹⁰壳层，费米能级处仅有一个来自5s电子的宽抛物线带，产生极高的费米速度；其声子频率低，电子-声子耦合常数λ≈0.1，因此电导率最高。铝的λ≈0.45，散射较强，室温电导率低于银。LiBePt₂的费米能级处态密度主要由Pt轨道贡献，但Li和Be的价电子将高散射的Pt d态推至费米能级以下，形成高度色散的能带和载流子口袋，λ≈0.156，因而获得优良导电性。NbW₂的电导率（26.72×10⁶ S/m）高于其组元Nb和W（分别为6.62和16.75×10⁶ S/m），这与其多个色散带穿越费米能级及中高频声子提供的适度耦合（λ≈0.163）有关。

讨论部分指出，现代从头算方法结合半经典玻尔兹曼输运理论可以定量描述金属输运，其预测与实验值得高度一致。一个令人意外的发现是恒定弛豫时间近似（Constant Relaxation Time Approximation，CRTA）在预测材料导电性排序时具有稳健性：对于多种金属，电子态密度和费米速度的差异比散射细节更能决定电导率的相对高低。该近似使基于电子结构的简单描述符就能在数百万化合物中高效筛选良导体。然而，贵金属银、铜、金之所以难以超越，是因为它们具有单一的、高色散s带穿越费米能级且d态深埋这一固有电子拓扑，任何合金化、加工或微结构工程都会引入散射中心或改变能带色散，从而降低电导率。因此，在环境条件下极难找到电导率超过这些贵金属的材料。

研究结论：该研究不仅识别出若干新型高性能导体（例如LiBePt₂），还证明了将统计学习与详细从头算计算相结合的预测能力，为高通量材料发现提供了有效范式。