В данной работе изложена сущность подхода к созданию статистической модели для предсказания критической температуры сверхпроводника на основе характеристик, извлеченных из химической формулы сверхпроводника. Статистическая модель, созданная с помощью метода машинного обучения, а именно градиентного бустинга, дает разумные по точности предсказания критической температуры: ± 8.89 К по среднеквадратичной погрешности (RMSE). Характеристики, извлеченные на основе теплопроводности, атомного радиуса, атомной массы, валентности и сродства к электрону материала сверхпроводника вносят наибольший вклад в точность предсказания модели. Важно отметить, что модель не предсказывает, является ли материал сверхпроводником или нет; она только дает предсказания критической температуры для сверхпроводников. Результаты работы могут быть полезны исследователям, занимающимся развитием теории сверхпроводимости. Например, модель помогает выделить свойства материала,которые наиболее сильно влияют на его критическую температуру. Возможно развитие работы путем добавления большего количества признаков о материалах в обучающие данные, либо путем применения более сложных моделей машинного обучения, таких как нейронные сети.

This paper outlines the essence of an approach to create a statistical model for predicting the critical temperature of a superconductor based on features extracted from the chemical formula of the superconductor. The statistical model created using a machine learning method, namely gradient bousting, yields reasonable accuracy in predicting the critical temperature: ± 8.89 K in terms of root mean square error (RMSE). Characteristics extracted from the thermal conductivity, atomic radius, atomic mass, valence, and electron affinity of the superconductor material contribute most to the accuracy of the model prediction. It is important to note that the model does not predict whether a material is a superconductor or not; it only provides critical temperature predictions for superconductors. The results of the work may be useful to researchers involved in developing the theory of superconductivity. For example, the model helps to highlight the properties of a material that most strongly influence its critical temperature. It is possible to develop the work by adding more materials features to the training dataset, or by applying more complex machine learning models such as neural networks.