論文の概要: HTSC-2025: A Benchmark Dataset of Ambient-Pressure High-Temperature Superconductors for AI-Driven Critical Temperature Prediction

• arxiv url: http://arxiv.org/abs/2506.03837v1
• Date: Wed, 04 Jun 2025 11:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.299518
• Title: HTSC-2025: A Benchmark Dataset of Ambient-Pressure High-Temperature Superconductors for AI-Driven Critical Temperature Prediction
• Title（参考訳）: HTSC-2025:AI駆動臨界温度予測のための常圧高温超伝導体のベンチマークデータセット
• Authors: Xiao-Qi Han, Ze-Feng Gao, Xin-De Wang, Zhenfeng Ouyang, Peng-Jie Guo, Zhong-Yi Lu,
• Abstract要約: HTSC-2025は, 常圧高温超伝導ベンチマークデータセットである。 このベンチマークは、AIベースの手法を用いて超伝導材料の発見を加速する上で重要な意味を持つ。
• 参考スコア（独自算出の注目度）: 5.048163814984219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of high-temperature superconducting materials holds great significance for human industry and daily life. In recent years, research on predicting superconducting transition temperatures using artificial intelligence~(AI) has gained popularity, with most of these tools claiming to achieve remarkable accuracy. However, the lack of widely accepted benchmark datasets in this field has severely hindered fair comparisons between different AI algorithms and impeded further advancement of these methods. In this work, we present the HTSC-2025, an ambient-pressure high-temperature superconducting benchmark dataset. This comprehensive compilation encompasses theoretically predicted superconducting materials discovered by theoretical physicists from 2023 to 2025 based on BCS superconductivity theory, including the renowned X$_2$YH$_6$ system, perovskite MXH$_3$ system, M$_3$XH$_8$ system, cage-like BCN-doped metal atomic systems derived from LaH$_{10}$ structural evolution, and two-dimensional honeycomb-structured systems evolving from MgB$_2$. The HTSC-2025 benchmark has been open-sourced at https://github.com/xqh19970407/HTSC-2025 and will be continuously updated. This benchmark holds significant importance for accelerating the discovery of superconducting materials using AI-based methods.
• Abstract（参考訳）: 高温超伝導材料の発見は、人間産業や日常生活にとって大きな意味を持つ。 近年、人工知能(AI)を用いた超伝導転移温度の予測に関する研究が盛んになり、これらのツールの多くは驚くほどの精度を達成していると主張している。 しかし、この分野で広く受け入れられているベンチマークデータセットの欠如は、異なるAIアルゴリズム間の公正な比較を著しく妨げ、これらの手法のさらなる進歩を妨げる。 本研究では,高温超伝導ベンチマークデータセットであるHTSC-2025を提案する。 この包括的コンパイルは、2023年から2025年にかけて理論物理学者がBCS超伝導理論に基づいて発見した理論上の超伝導材料を含み、その中には有名なX$2$YH$_6$システム、ペロブスカイトMXH$_3$システム、M$_3$XH$_8$システム、LaH$_{10}から派生したケージ状のBCNドープ金属原子系、MgB$_2$から進化した2次元ハニカム構造系が含まれる。 HTSC-2025ベンチマークはhttps://github.com/xqh 19970407/HTSC-2025でオープンソース化され、継続的に更新される予定である。 このベンチマークは、AIベースの手法を用いて超伝導物質の発見を加速する上で重要な意味を持つ。

関連論文リスト

• Generation of 95-qubit genuine entanglement and verification of symmetry-protected topological phases [65.36609782915427]
  95-qubitの1次元と72-qubitの2次元の真の絡み合ったクラスター状態の生成と検証に成功した。 以上の結果から,大規模絡み合いの発生と位相シミュレーションの進歩が示唆された。
  論文  参考訳（メタデータ） (2025-05-04T03:40:34Z)
• Siamese Foundation Models for Crystal Structure Prediction [70.63218101004398]
  結晶構造予測(CSP)は、組成から安定な結晶構造を生成することを目的としている。 CSPは比較的未発見の領域である。 CSPに特化して設計されたシームズ基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-13T15:44:16Z)
• InvDesFlow: An AI-driven materials inverse design workflow to explore possible high-temperature superconductors [9.926621857444765]
  InvDesFlowは、深層モデルの事前トレーニングと微調整技術、拡散モデル、物理ベースのアプローチを統合するAI検索エンジンである。 非常に小さなサンプルセットに基づいて,AIモデルにより予測される臨界温度がT_c geq$15Kと予測された74個の動的安定材料を得た。
  論文  参考訳（メタデータ） (2024-09-12T14:16:56Z)
• Thermalization and Criticality on an Analog-Digital Quantum Simulator [133.58336306417294]
  本稿では,69個の超伝導量子ビットからなる量子シミュレータについて述べる。 古典的Kosterlitz-Thouless相転移のシグネチャと,Kibble-Zurekスケール予測からの強い偏差を観測する。 本システムは, 対角二量体状態でディジタル的に調製し, 熱化時のエネルギーと渦の輸送を画像化する。
  論文  参考訳（メタデータ） (2024-05-27T17:40:39Z)
• Exploration of superconducting multi-mode cavity architectures for quantum computing [44.99833362998488]
  トランスモン回路に結合した超伝導無線周波数(SRF)キャビティは、高コヒーレンスな量子情報プロセッサを構築する上で有望なプラットフォームであることが証明されている。 本稿では,多セルSRF空洞の設計最適化プロセスについて述べる。
  論文  参考訳（メタデータ） (2023-08-22T19:02:23Z)
• Investigation on Machine Learning Based Approaches for Estimating the Critical Temperature of Superconductors [4.271684331748043]
  本稿では,超伝導材料の複雑な特性を学習するために,積層機械学習手法を用いる。 他のアクセス可能な研究と比較すると、このモデルはRMSE 9.68とR2スコア0.922で有望な性能を示した。
  論文  参考訳（メタデータ） (2023-08-02T17:11:50Z)
• Negative electrohydrostatic pressure between superconducting bodies [39.58317527488534]
  我々は、平面超伝導体間の負の(魅力的な)圧力を予測する。 結果として生じる表面エネルギーは、ハートリー・フォック理論によって予測されるものよりもよく一致している。 このモデルは、Bardeen-Cooper-Schrieffer と Ginzburg-Landau 理論のバルク制限を回避している。
  論文  参考訳（メタデータ） (2023-07-10T21:08:22Z)
• Prediction of superconducting properties of materials based on machine learning models [3.7492020569920723]
  本論文は超伝導体同定にXGBoostモデルを用いることを提案する。 深部森林モデルによる超伝導体の臨界温度の予測 ディープフォレストの最初の応用による材料のバンドギャップの予測 フェルミエネルギーレベルを予測する最初のサブネットワークモデル。
  論文  参考訳（メタデータ） (2022-11-06T10:24:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。