最新一周合集！《NPJ Comput. Mater》文章速递

又到栀子花开的季节，又是一年毕业季！研究生们给自己的科研生涯留下怎样的浓墨重彩呢？让我们拭目以待吧！

1.JACS：镧系/锕系超氢化物中室温以上超导电性的预测

实现室温超导，一直是一个持久的科学追求的广泛的基本利益和诱人的潜在应用。最近发现的超导临界温度(Tc)为250-260 K的高压包合物超氢化物LaH10，使其接近实现这一长期寻求的目标。在此，来自美国内华达大学的Changfeng Chen & 吉林大学的Hanyu Liu和马琰铭等研究者，基于一种先进的晶体结构搜索方法，报告了一类新的富氢包合物超氢化物MH18 (M：稀土/锕系原子)化学计量化合物的一个显著发现，该化合物稳定在350 GPa的实验压力下。据预测，这些化合物的寄主Tc温度高达330k，远高于室温。这些MH18笼状超氢化物的键合和电子性质与金属原子氢非常相似，从而产生了迄今为止在热力学稳定的氢化物化合物中发现的最高Tc。对这些极端超氢化物的深入研究，为阐明富氢和其他低-Z材料，在室温以上的声子介导的超导性提供了见解。

参考文献：

Xin Zhong, Ying Sun, Toshiaki Iitaka, Meiling Xu, Hanyu Liu, Russell J. Hemley, Changfeng Chen, and Yanming Ma. Prediction of Above-Room-Temperature Superconductivity in Lanthanide/Actinide Extreme Superhydrides. Journal of the American Chemical Society Article ASAP DOI: 10.1021/jacs.2c05834

原文链接：

https://pubs.acs.org/doi/10.1021/jacs.2c05834

2.Matter：利用迁移学习设计防撞晶格

与许多专业应用一样，设计防撞结构的速度，受到限于对专业测试的依赖。在此，来自美国波士顿大学的Elise F. Morgan & Keith A. Brown等研究者，开发了一种迁移学习方法，以确定如何更广泛地使用准静态测试来预测冲击保护。研究者首先在冲击和准静态领域广泛测试了一个参数晶格族，并训练了一个模型，该模型仅使用准静态测量数据预测冲击性能到8%以内。接下来，研究者使用一个不同的格族来测试该模型的可转移性，发现即使是行为外推到训练集之外的结构，性能排名也可以很好地预测。最后，研究者结合812次准静态试验和141次冲击试验训练了一个模型，该模型预测了新型晶格的绝对冲击性能，误差为18%。这些结果为加速专业应用的设计指明了一条道路，并且可以通过数据驱动的方式获得可转移的力学洞察力。

参考文献：

Gongora et al., Designing lattices for impact protection using transfer learning, Matter (2022), https://doi.org/ 10.1016/j.matt.2022.06.051.

原文链接：

https://www.sciencedirect.com/science/article/pii/S2590238522003460#!

3.npj Computational Materials：光学光谱中角度相关性质的有效和可解释的图网络表示

图神经网络，由于其对原子和键的直观图形编码，在学习原子结构性质方面具有吸引力。然而，传统的编码不包含角信息，而角信息，对于描述无序系统中的原子排列是至关重要的。在此，来自美国劳伦斯利弗尔国家实验室的Tim Hsu & Tuan Anh Pham

& Brandon C. Wood等研究者扩展了最近提出的ALIGNN(原子线图神经网络)编码，它包含键角，也包括二面角(ALIGNN-d)。这个简单的扩展，导致了一个内存高效的图表示，它捕获了原子结构的完整几何形状。利用ALIGNN-d预测动态无序Cu(II)水配合物的红外光学响应，利用内在的可解释性来阐明单个结构组分的相对贡献。研究发现，键角和二面角是吸收响应的精细结构的关键因素，与扭曲，代表过渡之间更常见的几何表现出最强的吸收强度。此外，研究者讨论了ALIGNN-d的进一步发展方向。

参考文献：

Hsu, T., Pham, T.A., Keilbart, N. et al. Efficient and interpretable graph network representation for angle-dependent properties applied to optical spectroscopy. npj Comput Mater 8, 151 (2022). https://doi.org/10.1038/s41524-022-00841-4

原文链接：

https://www.nature.com/articles/s41524-022-00841-4

4.npj Computational Materials：反钙钛矿中的超导

在此，来自德国马丁•路德•哈雷大学的Miguel A. L. Marques等研究者，对XYZ3立方反钙钛矿材料的常规超导进行了全面的理论研究，其中X和Z是金属，Y是H、B、C、N、O和p。研究者的出发点是用密度泛函微动理论对397种材料进行电子-声子计算。43%的材料是动态不稳定的，研究者发现16种化合物接近热力学稳定，Tc高于5 K。利用这些结果训练可解释的机器学习模型，研究者预测了另外57种(热力学不稳定)超导转变温度高于5 K的材料，PtHBe3的最高温度达到17.8 K。此外，该模型还有助于理解反钙钛矿的超导机理。传统方法与可解释机器学习的结合，被证明是一种非常有效的方法来研究和系统化整个类别的材料，并很容易扩展到其他化合物或物理性质的家庭。

参考文献：

Hoffmann, N., Cerqueira, T.F.T., Schmidt, J. et al. Superconductivity in antiperovskites. npj Comput Mater 8, 150 (2022). https://doi.org/10.1038/s41524-022-00817-4

原文链接：

https://www.nature.com/articles/s41524-022-00817-4

5.npj Computational Materials：利用标签误差鲁棒深度学习对手性纳米材料的手性进行分类

高通量扫描电子显微镜(SEM)结合神经网络分类，是确定大量手性纳米粒子构型的理想方法。自动标记，消除了人工对训练数据进行标记的耗时现象，但在训练后的神经网络中引入了标签错误，进而导致分类错误。在此，来自美国加州大学伯克利分校的M. C. Scott等研究者当从手性碲纳米颗粒的扫描电镜数据集的自动标签训练时，评估了最小化分类错误的方法。利用相反手性粒子图像之间的镜像关系，研究者人为地创建了不同标签误差的种群。研究者分别在理想数据集和实际数据集上分析了标签错误率和训练方法，对神经网络分类误差的影响。在考虑的三种训练方法中，研究者发现预训练方法在理想数据集上产生最准确的跨标签错误率结果，其中大小和其他形态变量保持不变，但联合教学方法在实际应用中表现最好。

参考文献：

Groschner, C.K., Pattison, A.J., Ben-Moshe, A. et al. Classifying handedness in chiral nanomaterials using label error robust deep learning. npj Comput Mater 8, 149 (2022). https://doi.org/10.1038/s41524-022-00822-7

原文链接：

https://www.nature.com/articles/s41524-022-00822-7