HTSC-2025: Ein Benchmark-Datensatz für Hochtemperatursupraleiter bei Umgebungsdruck zur KI-gestützten Vorhersage der kritischen Temperatur

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

June 4, 2025

Autoren: Xiao-Qi Han, Ze-Feng Gao, Xin-De Wang, Zhenfeng Ouyang, Peng-Jie Guo, Zhong-Yi Lu

cs.AI

Zusammenfassung

Die Entdeckung von Hochtemperatur-Supraleitern hat große Bedeutung für die menschliche Industrie und den Alltag. In den letzten Jahren hat die Forschung zur Vorhersage von supraleitenden Übergangstemperaturen mithilfe künstlicher Intelligenz (KI) an Popularität gewonnen, wobei die meisten dieser Werkzeuge bemerkenswerte Genauigkeit beanspruchen. Das Fehlen weitgehend akzeptierter Benchmark-Datensätze in diesem Bereich hat jedoch faire Vergleiche zwischen verschiedenen KI-Algorithmen stark behindert und die Weiterentwicklung dieser Methoden erschwert. In dieser Arbeit präsentieren wir den HTSC-2025, einen Benchmark-Datensatz für Hochtemperatur-Supraleiter unter Umgebungsdruck. Diese umfassende Zusammenstellung umfasst theoretisch vorhergesagte supraleitende Materialien, die von theoretischen Physikern von 2023 bis 2025 basierend auf der BCS-Supraleitertheorie entdeckt wurden, darunter das bekannte X_2YH_6-System, das Perowskit-MXH_3-System, das M_3XH_8-System, käfigartige BCN-dotierte Metallatom-Systeme, die aus der strukturellen Entwicklung von LaH_{10} abgeleitet wurden, und zweidimensionale wabenförmige Systeme, die sich aus MgB_2 entwickelt haben. Der HTSC-2025-Benchmark wurde unter https://github.com/xqh19970407/HTSC-2025 quelloffen bereitgestellt und wird kontinuierlich aktualisiert. Dieser Benchmark ist von großer Bedeutung, um die Entdeckung supraleitender Materialien mithilfe KI-basierter Methoden zu beschleunigen.

English

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_2YH_6 system, perovskite MXH_3 system, M_3XH_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.