HTSC-2025: Een benchmarkdataset van hoge-temperatuur supergeleiders bij omgevingsdruk voor AI-gestuurde voorspelling van kritische temperaturen

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

Samenvatting

De ontdekking van hoogtemperatuur-supergeleidende materialen is van groot belang voor de menselijke industrie en het dagelijks leven. In recente jaren heeft onderzoek naar het voorspellen van supergeleidende overgangstemperaturen met behulp van kunstmatige intelligentie (AI) aan populariteit gewonnen, waarbij de meeste van deze tools opmerkelijke nauwkeurigheid claimen te bereiken. Het ontbreken van algemeen geaccepteerde benchmarkdatasets op dit gebied heeft echter een eerlijke vergelijking tussen verschillende AI-algoritmen ernstig belemmerd en verdere vooruitgang van deze methoden vertraagd. In dit werk presenteren we de HTSC-2025, een benchmarkdataset voor hoogtemperatuur-supergeleiding onder omgevingsdruk. Deze uitgebreide compilatie omvat theoretisch voorspelde supergeleidende materialen die door theoretisch natuurkundigen zijn ontdekt van 2023 tot 2025, gebaseerd op de BCS-supergeleidingstheorie, waaronder het bekende X_2YH_6-systeem, het perovskiet MXH_3-systeem, het M_3XH_8-systeem, kooiachtige BCN-gedoteerde metaalatomaire systemen afgeleid van de structurele evolutie van LaH_{10}, en tweedimensionale honingraatstructuren geëvolueerd uit MgB_2. De HTSC-2025-benchmark is openbaar gemaakt op https://github.com/xqh19970407/HTSC-2025 en zal continu worden bijgewerkt. Deze benchmark is van groot belang voor het versnellen van de ontdekking van supergeleidende materialen met behulp van AI-gebaseerde methoden.

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.