Studies of superhydrides by ab-initio and machine learning accelerated random structure searching
Institution:
université Paris-SaclayDisciplines:
Directors:
Abstract EN:
Alloys characterized by the presence of a large amount of hydrogen in their crystal structure, superhydrides are promising materials for dense energy storage and high temperature superconductivity. The main obstacle to the use of superhydrides for applications remains their very high synthesis pressure, in the range of one million atmosphere. To reduce it, knowledge about these new materials must be deepened. This thesis thus aims at making a contribution to the search of transition metal type superhydrides. For this purpose, the ”Ab-Initio Random Structure Searching” (AIRSS) algorithm was firstly implemented. Studies of hydrides and superhydrides of copper, manganese, yttrium as well as a ternary yttrium-iron system were carried out. The case of yttrium superhydrides is the place of a scientific challenge, because they probably have large primitive cells, which are not accessible by the AIRSS method. To reach a better description of these compounds machine learning tools were developed and used.
Abstract FR:
Alliages caractérisés par la présence d'une grande quantité d'hydrogène dans leur structure cristalline, les superhydrures sont des matériaux prometteurs pour le stockage dense d'énergie et la supraconductivité à haute température. Le principal obstacle à l'utilisation des superhydrures pour des applications est la pression de synthèse considérable de l'ordre du million d'atmosphère. Pour la réduire, la connaissance de ces nouveaux matériaux doit être approfondie. Cette thèse apporte ainsi une contribution à la recherche de superhydrures formés de métaux de transition. A cet effet, l'algorithme de Recherche Aléatoire de Structures couplée au calcul Ab-Initio (AIRSS) a d'abord été mis en œuvre sur des hydrures et superhydrures de cuivre, de manganèse, d’yttrium ainsi que d'un système ternaire yttrium-fer. Le cas des superhydrures d'yttrium est un défi scientifique. Il apparaît qu'ils doivent être décrits par des structures trop complexes pour la méthode AIRSS. Pour parvenir à une meilleure description de ces composés, des outils de ”machine learning” ont été développés.