研究人员开发了一种结合机器学习与高通量从头算计算的新框架，用于在数百万种化合物中寻找高性能金属导电材料。这一方法成功筛选出若干潜在的高电导率金属候选材料，其中一项新发现的化合物LiBePt2其电导率可与铝（36.59 × 10^6 S/m）相媲美。
该研究发表于《npj Computational Materials》期刊，并指出，尽管贵金属银、铜、金等因其独特的电子结构和低散射而具有难以超越的电导率，但通过合理设计化合物结构，仍有可能找到性能相当的材料。研究指出，恒定弛豫时间近似（CRTA）在预测材料导电性排序时具有稳健性，这一发现为后续的高效筛选提供了可行方法。
研究团队对性能最优的材料进行了完整的电子-声子耦合计算，结果与实验数据吻合良好。分析表明，LiBePt2等化合物通过利用轻元素提供的价电子，将高散射的d态推移至费米能级以下，从而实现了良好的导电性能。这一工作不仅发现了新的高性能导体，也展示了将统计学习与详细从头算相结合所具有的预测能力，为高通量材料发现提供了有效范式。
来源1 机器学习与高通量从头算相结合的有序金属电导率研究 - 生物通，2026-10-21
参考来源：
- 机器学习与高通量从头算相结合的有序金属电导率研究 - 生物通 2026-10-21
由 AI 整理，仅供参考；请以原始来源为准。
