SuperCon3D
SuperCon3D 是首个同时包含3D晶体结构和实验超导临界温度(Tc)的超导材料数据集，专门用于数据驱动的高温超导体设计。该工作填补了超导材料研究中缺乏结构-性质关系数据集的空白，并提出了两个深度学习模型来展示数据集的应用潜力。
评测数据
数据集构建：
- 数据来源：整合了SuperCon数据库（~33,000个超导体化学式）和ICSD数据库（>200,000个有序/无序晶体结构）
- 匹配策略：基于化学组成、空间群和晶格参数进行精确匹配，并结合文献中的氢富集超导体数据
- 最终规模：1,578个超导体数据条目，每个条目包含Tc值和完整晶体结构信息
- 专家验证：所有条目均经领域专家审核，并附有参考文献
数据特色：
- 有序与无序结构：首次系统包含无序晶体结构（替代无序SD、位置无序PD、混合无序SPD）
- 元素覆盖：涵盖83种不同元素，包含周期表中大部分元素类型
- 超导类型分布：
- 铜氧化物超导体（Cuprate）
- 氢富集超导体（H-rich）
- 重费米子超导体（Heavy-Fermion）
- 铁基超导体（Iron-based）
- 其他类型超导体
- Tc分布范围：从低温到高温超导体的完整覆盖
评测方法
模型架构与选取
该工作提出了两个互补的深度学习模型来展示SuperCon3D数据集的应用：
- SODNet（结构-性质预测模型）
- 核心创新：首个能同时处理有序和无序晶体结构的SE(3)等变图注意力网络
- 技术特点：
- 无序图表示：创新的k-hot嵌入方法处理替代/位置无序
- 等变图注意力：基于不可约表示的向量空间特征，确保SE(3)等变性
- 几何特征融合：结合原子间距离、球谐函数和占据权重信息
- 应用场景：从已知结构数据库（如ICSD）中筛选潜在高Tc超导体
- DiffCSP-SC（生成模型）
- 核心创新：首个面向超导体设计的Transformer-based等变扩散模型
- 技术特点：
- 联合优化：同时生成晶格矩阵L和分数坐标F
- 超导引导：融入时间依赖的性质优化机制，定向生成高Tc结构
- 周期性不变：通过傅里叶变换确保晶体周期平移不变性
- 应用场景：从零开始设计全新的高Tc超导体候选材料
训练策略：
- 预训练机制：在约114万个稳定晶体结构上预训练，解决SuperCon3D数据量限制
- 数据增强：通过SE(3)旋转变换增强训练数据的几何多样性
- 损失函数设计：结合重构损失、性质预测损失和等变性约束
评测指标
性质预测指标：
- MAE（平均绝对误差）：衡量Tc预测精度，单位为log(K)
- R²（决定系数）：评估模型解释方差的能力，越接近1越好
- 相对误差：针对最新发现的超导体进行验证，评估模型泛化能力
结构生成指标：
- SR（成功率）：生成结构中达到Tc阈值（10%、30%、50%分位点）的比例
- NSR（新颖成功率）：生成的新结构中达到高Tc要求的比例
- 结构有效性：生成结构的化学合理性和晶体学稳定性验证
实验验证指标：
- DFT计算验证：通过密度泛函理论计算验证电子结构特征（如Van Hove奇点）
- 文献对比：与已报道超导体的Tc值进行对比验证
- 候选材料筛选：从ICSD全库筛选出27个有序/无序超导体候选材料
核心发现
- 模型性能表现：
- SODNet优势显著：相比次优模型Matformer，MAE降低17.6%，R²提升4.4%
- 无序结构建模：相比MEGNet，在位置无序结构上MAE降低41.7%，R²提升66.1%
- 结构生成突破：DiffCSP-SC在所有成功率指标上均达到最高性能（SR50=0.50）
- 科学贡献：
- 首个有序-无序超导数据集：为AI驱动的超导体设计提供基础数据资源
- 无序结构建模方法：突破了传统GNN只能处理有序晶体的局限
- 端到端设计流程：从筛选已知材料到生成全新结构的完整解决方案
- 实验指导价值：识别出多个具有实验验证潜力的超导体候选材料
- 实际应用价值：
- 筛选出的候选材料中包含铜氧化物、氢富集、重费米子等多种超导体系
- 首次基于GNN方法报告无序结构超导体候选材料
- 为实验合成提供了明确的目标材料和理论预期Tc值
总结来说，该工作通过系统性数据集构建、创新模型架构设计和全面实验验证，为超导材料的计算发现建立了新的研究范式，代码和数据已完全开源。
