SuperBand: Il Navigatore Stellare per Esplorare l’Universo Segreto dei Superconduttori!

Amici appassionati di scienza e meraviglie tecnologiche, mettetevi comodi perché oggi vi porto in un viaggio affascinante nel cuore pulsante della materia, lì dove le leggi della fisica si piegano per dare vita a fenomeni strabilianti. Parliamo di superconduttività, quella magica proprietà di alcuni materiali di condurre elettricità senza alcuna resistenza, senza disperdere nemmeno un briciolo di energia. Un sogno, vero? Immaginate un mondo con treni a levitazione magnetica superveloci, computer quantistici potentissimi e reti elettriche senza perdite. Beh, la superconduttività potrebbe renderlo realtà!

Il “piccolo” dettaglio è che, fin dalla sua scoperta nel lontano 1911, la maggior parte dei superconduttori funziona solo a temperature bassissime, vicine allo zero assoluto, o a pressioni elevatissime. Capirete che non è proprio praticissimo per l’uso quotidiano. La caccia a superconduttori che funzionino a temperature più “umane” è una delle sfide più grandi e stimolanti della fisica moderna. Ne abbiamo scoperti oltre 10.000, ma prevedere quale sarà il prossimo campione ad alta temperatura critica (Tc) è come cercare un ago in un pagliaio cosmico.

Ma Come Fanno i Fisici a Capirci Qualcosa? Entra in Scena la Struttura Elettronica!

Qui la faccenda si fa interessante. Per capire un superconduttore, non basta la sua formula chimica o come sono disposti i suoi atomi. Bisogna scendere più in profondità, fino alla sua struttura elettronica a bande e alla sua superficie di Fermi. Lo so, suonano come concetti da mal di testa, ma pensateli come la “carta d’identità” più intima degli elettroni dentro un materiale. Ci dicono come si muovono, quanta energia hanno, e sono fondamentali per capire perché un materiale diventa superconduttore e un altro no.

Ottenere questi dati non è una passeggiata: servono calcoli complessi basati sulla Teoria del Funzionale della Densità (DFT). Questi calcoli ci forniscono mappe dettagliate, come la struttura a bande e la densità degli stati (DOS), che sono cruciali. Pensate che la DFT ci ha aiutato a capire sia i superconduttori “classici”, spiegati dalla teoria BCS (come il MgB2), sia quelli “non convenzionali” e più bizzarri, dove entrano in gioco correlazioni forti o fluttuazioni di spin (come i cuprati o i superconduttori a base di ferro).

Il punto è che questi dati sulla struttura elettronica sono molto più ricchi e intuitivi rispetto alla semplice formula chimica. E indovinate un po’? Nell’era dei big data e del machine learning (ML), avere dati di qualità è come avere oro tra le mani! L’intelligenza artificiale potrebbe analizzare queste complesse “impronte digitali” elettroniche per scovare nuovi superconduttori o per svelare i segreti dei meccanismi che li governano.

Ecco a Voi SuperBand: Il Database Che Cambia le Regole del Gioco!

Ed è qui che entro in scena io, o meglio, il progetto di cui voglio parlarvi con tanto entusiasmo: SuperBand! Immaginate una gigantesca biblioteca, super organizzata, che non contiene libri, ma dati dettagliatissimi sulla struttura elettronica e sulla superficie di Fermi di migliaia di superconduttori. L’abbiamo creata proprio per questo: per dare una spinta alla ricerca, soprattutto quella che usa il machine learning.

Cosa abbiamo fatto, in pratica? Abbiamo preso i dati sulle formule chimiche e sulle temperature critiche (Tc) principalmente dal database SuperCon (edizione 2022, con oltre 33.000 materiali!) e li abbiamo arricchiti con le scoperte più recenti. Poi, per le strutture cristalline, ci siamo appoggiati a colossi come il Materials Project (MP) e l’Open Quantum Materials Database (OQMD). Ma non è finita qui! Molti superconduttori nascono “drogando” (cioè aggiungendo piccole quantità di altri elementi) dei composti “genitori”. Gestire queste strutture drogate per i calcoli DFT è una bella gatta da pelare. Abbiamo usato metodologie sofisticate (come la 3DSC e l’espansione in supercelle) per creare file di struttura ordinati e pronti per essere “digeriti” dai software di calcolo.

Una delle sfide più grandi è stata la “pulizia dei dati”. Immaginatevi a dover setacciare migliaia di schede, eliminare i doppioni, e soprattutto, trasformare strutture cristalline spesso “disordinate” (come quelle che si trovano nei database pubblici) in strutture ordinate, adatte ai calcoli DFT. Per 14 materiali particolarmente ostici, con disordini irrisolvibili, abbiamo dovuto alzare bandiera bianca e escluderli dai calcoli. Ma per il resto, è stato un lavoro certosino!

Dentro la “Sala Macchine” di SuperBand: Calcoli e Dati per l’AI

Una volta ottenute le strutture cristalline “pulite” e ordinate, è iniziato il bello: i calcoli DFT ad alto parallelismo. Abbiamo usato il pacchetto VASP, con l’approssimazione GGA e il funzionale PBE. Per gestire l’enorme mole di calcoli, ci siamo affidati ad Atomate e FireWorks, con parametri derivati dal MIT High-Throughput Project. Abbiamo considerato anche il magnetismo collineare e implementato l’approccio GGA+U per certi metalli di transizione. Certo, metodi più avanzati come SOC, DMFT o GW sarebbero più accurati per sistemi fortemente correlati, ma per un progetto ad alto parallelismo come il nostro, sarebbero stati computazionalmente proibitivi. La nostra priorità era la scalabilità e la consistenza.

Da questi calcoli, abbiamo estratto le strutture a bande, la densità degli stati (DOS) e i dati sulla superficie di Fermi. Ma c’era un altro problema: per addestrare modelli di machine learning, i dati devono essere “normalizzati”, cioè avere tutti lo stesso formato. Le bande elettroniche, però, variano tantissimo da un materiale all’altro! Abbiamo quindi usato il pacchetto IFermi per standardizzare lo spazio k (lo spazio delle quantità di moto degli elettroni) su una griglia uniforme di 32x32x32 punti. Inoltre, siccome gli elettroni vicini al livello di Fermi sono quelli che contano di più per la superconduttività, ci siamo concentrati sulle 18 bande elettroniche attorno a questo livello. Il risultato? Dati di banda con dimensioni 18x32x32x32, pronti per essere dati in pasto agli algoritmi di intelligenza artificiale.

Alla fine, abbiamo messo insieme un dataset che contiene informazioni su 1.362 superconduttori (con le loro Tc sperimentali) e 1.112 materiali non superconduttori verificati sperimentalmente. Quest’ultimi sono importantissimi, perché per insegnare a un’AI cosa *è* un superconduttore, devi anche farle vedere cosa *non lo è*. Tutti questi dati sono conservati in formato HDF5, super efficiente e indipendente dalla piattaforma. Ogni materiale ha la sua “cartella” con metadati (Tc, formula, gruppo spaziale, volume della cella) e dataset specifici: parametri cristallografici, specie atomiche, coordinate atomiche, dati sulla superficie di Fermi, DOS risolta per orbitale e, ovviamente, i dati normalizzati della struttura a bande.

Cosa Ci Dice Già SuperBand? Qualche Chicca Statistica

Analizzando questo tesoro di dati, emergono già delle tendenze interessanti. Per esempio, abbiamo notato che la proporzione di superconduttori con Tc inferiore a 30 K è rimasta costante nel tempo, suggerendo che la loro scoperta sia in gran parte casuale. Gli anni ’70 hanno visto l’arrivo di superconduttori con Tc > 30 K, e la scoperta dei cuprati negli anni ’80 ha scatenato una vera e propria febbre da ricerca!

E le strutture cristalline? Tra i superconduttori, la struttura più comune è quella tetragonale (453 casi unici), seguita da quella cubica (439 casi). Le meno frequenti sono la monoclina e la triclina. Questo sembra confermare l’ipotesi di Matthias sulla correlazione tra alta simmetria e superconduttività. Però, attenzione! Se guardiamo ai materiali con Tc > 10 K, la proporzione di superconduttori cubici cala, mentre aumenta quella dei superconduttori ortorombici, che hanno una simmetria più bassa. E per Tc > 40 K, la maggioranza dei superconduttori non convenzionali (quelli che superano il limite di McMillan) tende ad avere simmetria tetragonale o ortorombica. Questo suggerisce che strutture a simmetria più bassa potrebbero giocare un ruolo chiave nella superconduttività ad alta temperatura.

SuperBand alla Prova dei Fatti: L’AI Fa Centro!

Bello avere tanti dati, ma funzionano? Per una prima validazione, abbiamo usato un modello di deep learning chiamato 3D-Vision Transformer e abbiamo confrontato le Tc predette con quelle sperimentali. I risultati? Un coefficiente di determinazione R² di 0.976! Un accordo eccellente, che dimostra il potenziale enorme del nostro dataset per l’addestramento di reti neurali. Ovviamente, questo è solo l’inizio. Il dataset SuperBand non contiene solo le strutture a bande, ma anche DOS e dati sulla superficie di Fermi, che possono essere usati come feature aggiuntive per i modelli di ML.

Porte Aperte alla Comunità Scientifica: Usate SuperBand!

La cosa più bella? SuperBand è pubblicamente disponibile su Science Data Bank! E sul nostro repository GitHub (ljcj007/SuperBand) trovate il codice per generare le figure, uno strumento per aggiungere nuovi dati, il codice per leggere i file HDF5 e persino il modello di rete neurale per addestrare il dataset. Abbiamo incluso anche un file CSV con i dati principali e i file CIF delle strutture cristalline per facilitare l’utilizzo.

Certo, ci sono delle limitazioni. Per ora, abbiamo escluso i superconduttori ad idruri ad alta pressione (come LaH10) perché richiedono condizioni estreme e mancano dati strutturali a pressione ambiente. Inoltre, il dataset attuale non tiene conto delle proprietà dipendenti dalla pressione. Ma stiamo già pensando a future estensioni!

La speranza è che SuperBand diventi uno strumento prezioso per fisici, chimici e scienziati dei materiali di tutto il mondo. Fornendo una base di dati così ampia e dettagliata, vogliamo incoraggiare la scoperta di nuove correlazioni, la formulazione di nuove teorie e, chissà, magari la progettazione del prossimo superconduttore da record! Io ci credo fermamente: con strumenti come SuperBand, il futuro della superconduttività è più luminoso che mai. E voi, siete pronti a esplorare?

Fonte: Springer