Холодные металлы из машины экспресс
Транзистор в вашем телефоне работает как кран: открылся — потекли электроны, закрылся — остановились. Но обычный металлический кран всегда слегка подтекает: даже в закрытом состоянии через него просачивается ток. Это тратит заряд батареи и греет чип.
Долгое время такие материалы искали вручную, перебирая известные соединения. Нашли 252 штуки. Но база данных — это только то, что уже открыто. Нейросеть MatterGPT научилась собирать новые кристаллы из «букв» — специальных строк, описывающих расположение атомов. Ей показали 26 309 примеров и поставили цель: стабильность и зазор от 50 до 500 миллиэлектронвольт (это в сотни раз меньше энергии одного фотона видимого света).
Машина выдала 148 506 вариантов. Почти все удалось собрать в трёхмерные структуры. После фильтров на симметрию и новизну осталось 257 кандидатов, которых нет ни в одной базе. Для нескольких проверили колебания атомов — материал не разваливается. Значит, такие металлы можно синтезировать.
Так нейросеть расширила карту холодных металлов за пределы каталога. Теперь у инженеров есть целый склад новых «кранов без протечек» — осталось выбрать, какие отливать в цехе.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.13920
Cold metals are a class of metals with an intrinsic energy gap located close to the Fermi level, which enables cold-carrier injection for steep-slope transistors and is therefore promising for low-power electronic applications. High-throughput screening has revealed 252 three-dimensional (3D) cold metals in the Materials Project database, but database searches are inherently limited to known compounds. Here we present an inverse-design workflow that generates 3D cold metals using MatterGPT, a conditional autoregressive Transformer trained on SLICES, an invertible and symmetry-invariant crystal string representation. We curate a training set of 26,309 metallic structures labeled with energy above hull and a unified band-edge distance descriptor that merges p-type and n-type cold-metal characteristics to address severe label imbalance. Property-conditioned generation targeting thermodynamic stability and 50-500 meV band-edge distances produces 148,506 unique candidates; 92.1% are successfully reconstructed to 3D structures and down-selected by symmetry, uniqueness and novelty filters, followed by high-throughput DFT validation. We identify 257 cold metals verified as novel with respect to the Materials Project database, with gaps around the Fermi level spanning 50-500 meV. First-principles phonon, electronic-structure, and work-function calculations for representative candidates confirm dynamical stability and contact-relevant work functions. Our results demonstrate that SLICES-enabled generative transformers can expand the chemical space of cold metals beyond high-throughput screening, providing a route to low-power electronic materials discovery.
Зазор в 50 миллиэлектронвольт — это энергия, которую электрон получает от напряжения всего в 0.05 вольта. Для сравнения: батарейка-таблетка даёт 1.5 вольта.