HTSC-2025 : Un ensemble de données de référence pour les supraconducteurs à haute température sous pression ambiante, destiné à la prédiction de la température critique par intelligence artificielle

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

June 4, 2025

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

cs.AI

Résumé

La découverte de matériaux supraconducteurs à haute température revêt une importance majeure pour l'industrie et la vie quotidienne de l'humanité. Ces dernières années, les recherches sur la prédiction des températures de transition supraconductrice à l'aide de l'intelligence artificielle (IA) ont gagné en popularité, la plupart de ces outils affirmant atteindre une précision remarquable. Cependant, l'absence de jeux de données de référence largement acceptés dans ce domaine a sérieusement entravé les comparaisons équitables entre différents algorithmes d'IA et a freiné le progrès de ces méthodes. Dans ce travail, nous présentons le HTSC-2025, un jeu de données de référence pour les supraconducteurs à haute température à pression ambiante. Cette compilation exhaustive englobe des matériaux supraconducteurs prédits théoriquement par des physiciens théoriciens entre 2023 et 2025, basés sur la théorie de la supraconductivité BCS, y compris le célèbre système X_2YH_6, le système pérovskite MXH_3, le système M_3XH_8, les systèmes atomiques métalliques dopés BCN en forme de cage dérivés de l'évolution structurelle de LaH_{10}, et les systèmes bidimensionnels à structure en nid d'abeille évoluant à partir de MgB_2. Le benchmark HTSC-2025 a été mis en open source à l'adresse https://github.com/xqh19970407/HTSC-2025 et sera continuellement mis à jour. Ce benchmark est d'une importance cruciale pour accélérer la découverte de matériaux supraconducteurs à l'aide de méthodes basées sur l'IA.

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.