人工智能和高性能计算将进化扩展到超导体

　　人工智能和高性能计算将进化扩展到超导体
　　纯种种马的主人们经过几代人的精心培育，精心培育出获奖马匹，以便在百万美元的赛马比赛中勉强维持几分之一秒的成绩。材料科学家们已经从这个剧本中汲取了一页，转向进化和人工选择的力量，来开发能够尽可能有效地传输电流的超导体。也许与直觉相反，大多数应用超导体可以在高磁场下工作，因为它们含有缺陷。超导体内部缺陷的数量、大小、形状和位置共同作用，以提高磁场存在时的电流承载能力。然而，太多的缺陷可能会导致电流通路的阻塞或超导材料的崩溃，因此科学家需要在如何将缺陷纳入材料中进行选择。
　　在美国能源部(DOEArgonne National Laboratory)的一项新研究中，研究人员利用人工智能和高性能超级计算机的力量，介绍并评估了不同缺陷配置对超导体性能的影响。研究人员开发了一种计算机算法，可以像对待生物基因一样对待每一个缺陷。不同的缺陷组合产生了能够携带不同数量电流的超导体。一旦算法确定了一组特别有利的缺陷，它就用这组缺陷作为＂种子＂重新初始化，新的缺陷组合就会从中出现。
　　＂每次模拟都相当于新一代缺陷的形成，该算法试图优化这些缺陷，＂该研究的作者之一、著名研究员、高级材料科学家郭伟光(Wai-Kwong Kwok)说。＂随着时间的推移，缺陷结构会逐渐细化，因为我们有意选择的缺陷结构将允许具有最高临界电流的材料。＂
　　缺陷之所以成为超导体如此重要的一部分，是因为它们能够捕捉和固定在磁场中形成的磁涡流。当施加电流时，这些涡旋可以在纯超导材料中自由运动。当它们这样做时，它们开始产生一种电阻，抵消了超导效应。保持涡旋固定，同时仍然允许电流通过材料，这对科学家来说是一个圣杯，他们正在寻找在应用超导体中传输电流而不造成损失的方法。
　　为了找到合适的缺陷组合来抑制涡旋的运动，研究人员用随机形状和大小的缺陷来初始化算法。虽然研究人员知道这远非最优设置，但它为模型提供了一组中性的初始条件。随着研究人员对该模型进行了连续几代的研究，他们发现最初的缺陷转变为柱状，最终形成了平面缺陷的周期性排列。＂当人们想到定向进化时，他们可能会想到养狗或养马的人，＂该研究的通讯作者、阿贡材料科学家安德烈亚斯·格拉茨(Andreas Glatz)说。＂我们的产品是设计材料的一个例子，计算机从以前的几代产品中学习缺陷的最佳排列方式。＂
　　人工缺陷选择过程的一个潜在缺陷是，某些缺陷模式可以在模型中根深蒂固，导致遗传数据的一种钙化。＂在某种意义上，你可以把它看作近亲繁殖，＂郭说。＂在我们的缺陷‘基因库’中，在两代人之间保存大部分信息既有好处，也有局限性，因为它不允许系统范围内发生剧烈的转变。然而，我们的数字＂进化＂可以用不同的初始种子重复，以避免这些问题。＂
　　为了运行他们的模型，研究人员需要阿贡和橡树岭国家实验室的高性能计算设备。阿贡领导计算设施和橡树岭领导计算设施都是美国能源部科学用户办公室的设施。
　　《美国国家科学院院刊》(Proceedings of the National Academy of Sciences) 5月21日刊登了一篇基于该研究的文章，题为＂针对大型超导临界流的固定地貌的定向进化＂。除了郭富城和格拉茨，阿尔贡的伊万·萨多夫斯基、阿列克谢·科什列夫和乌尔里希·韦普也进行了合作。