Entwicklung eines vollständigen KI-beschleunigten Workflows zur Entdeckung von Supraleitern

Warum die Suche nach besseren Supraleitern wichtig ist

Supraleiter sind bemerkenswerte Materialien, die Strom ohne Widerstand transportieren können, sodass keine Energie als Wärme verloren geht. Sie treiben bereits Technologien wie MRT-Geräte und Teilchenbeschleuniger an und könnten eines Tages hocheffiziente Stromnetze und schwebende Züge ermöglichen. Die Entdeckung neuer Supraleiter verlief jedoch lange langsam und teuer, weil sie meist aufwendige Experimente oder rechenintensive quantenmechanische Berechnungen für jedes einzelne Kandidatenmaterial erfordert. Dieser Artikel beschreibt einen neuen Workflow mit künstlicher Intelligenz (KI), der diese Suche drastisch beschleunigt und bereits zur Entdeckung sowie experimentellen Bestätigung von zwei neuen supraleitenden Materialien geführt hat.

Eine intelligente Abkürzung durch Millionen von Möglichkeiten

Die Autoren wollten einen zentralen Engpass bei der Entdeckung von Supraleitern lösen: die Berechnung, wie Elektronen mit den Schwingungen des Kristallgitters wechselwirken — eine Größe, die normalerweise enorm viel Rechenleistung verlangt. Anstatt diese Rechnungen für jedes Material neu durchzuführen, trainierten sie ein leistungsfähiges KI-System namens BEE-NET anhand von etwa 7.000 sorgfältig berechneten Beispielen auf dieses Verhalten. BEE-NET nimmt Informationen über die atomare Anordnung eines Kristalls auf und in einer Variante auch dessen Schwingungsspektrum, und sagt dann einen detaillierten „Fingerabdruck“ voraus, wie Elektronen an Schwingungen koppeln. Aus diesem Fingerabdruck kann das Modell die kritische Temperatur — den Punkt, an dem ein Material supraleitend wird — schätzen, mit einem durchschnittlichen Fehler von weniger als einem Kelvin im Vergleich zu vollständigen quantenmechanischen Berechnungen.

Der KI beibringen, mit Zuversicht „Nein" zu sagen

Ein wichtiges Merkmal dieses Ansatzes ist, dass die KI nicht nur darauf trainiert wird, die Übergangstemperatur direkt zu schätzen, sondern das vollständige Spektrum der Elektron–Phonon-Wechselwirkungen zu rekonstruieren. Diese ausführlichere Beschreibung ermöglicht es dem Modell, supraleitende und nicht‑supraleitende Materialien gleichwertig zu behandeln, und erweist sich als sehr gut darin, ungeeignete Kandidaten auszuschließen. In Tests identifizierte BEE-NET Nicht‑Supraleiter (jene mit Übergangstemperaturen unter 5 Kelvin) in mehr als 99 Prozent der Fälle korrekt. Diese hohe Rate an „true negatives“ ist beim Screening riesiger Materialräume entscheidend, weil so vermieden wird, unnötig teure Berechnungen an Materialien zu verschwenden, die mit hoher Wahrscheinlichkeit nicht brauchbar sind.

Von Millionen Kandidaten zu einigen Hundert Gewinnern

Mit dieser KI baute das Team eine mehrstufige, KI-beschleunigte Entdeckungspipeline auf. Sie starteten aus zwei Hauptquellen: bekannten metallischen Verbindungen aus großen Online‑Materialdatenbanken und über einer Million neuer, hypothetischer Materialien, die durch systematisches Ersetzen chemischer Elemente in bekannten Kristallstrukturen erzeugt wurden. Diese Rohkandidaten durchliefen dann eine Reihe von Filtern. Andere maschinelle Lernmodelle prüften schnell, ob ein Material wahrscheinlich metallisch und thermodynamisch stabil ist. BEE-NET lieferte eine schnelle Ersteinschätzung der supraleitenden Übergangstemperatur und eliminierte Materialien, die voraussichtlich unter 5 Kelvin liegen. Nur die Überlebenden wurden anschließend mit detaillierteren Quantenberechnungen untersucht, einschließlich Stabilitätstests auf Basis von Gittervibrationen. Insgesamt wurden mehr als 1,3 Millionen anfängliche Strukturen auf nur 741 metallische, dynamisch und thermodynamisch stabile Verbindungen mit vollständig bestätigten kritischen Temperaturen über 5 Kelvin eingeengt, darunter 69 mit prognostizierten Werten über 20 Kelvin.

Vorhersagen in echte Supraleiter verwandeln

Um zu zeigen, dass der Workflow reale Materialien liefert und nicht nur vielversprechende Zahlen, wählten die Forscher zwei besonders attraktive Kandidaten für experimentelle Tests aus. Beide wurden aus einem bekannten Niedertemperatur‑Supraleiter, Be₂Nb₃, abgeleitet, indem das Element Niob (Nb) in bestimmten Positionen der Kristallstruktur partiell durch Hafnium (Hf) ersetzt wurde. Nachdem die vorgeschlagenen Verbindungen Be₂Hf₂Nb und Be₂HfNb₂ im Labor synthetisiert und ihre Kristallstrukturen sorgfältig analysiert worden waren, maßen die Forscher deren elektrischen Widerstand und Wärmekapazität bei niedrigen Temperaturen. Beide Materialien zeigten klare supraleitende Übergänge und bestätigten damit die KI‑gesteuerten Vorhersagen, auch wenn ihre genauen kritischen Temperaturen etwas unter den optimistischsten theoretischen Schätzungen lagen — verursacht durch Strukturunordnung und Verunreinigungen.

Was das für zukünftige Materialien bedeutet

Die Studie zeigt, dass die Kombination fortgeschrittener maschineller Lernverfahren mit Quantenberechnungen und gezielten Experimenten die Supraleiterentdeckung von einem Trial‑and‑Error‑Verfahren in eine systematische Suche verwandeln kann. BEE-NET und der umgebende Workflow können Millionen potenzieller Materialien in angemessener Zeit durchmustern, die vielversprechendsten wenige Hundert herausfiltern und Experimentalisten zu Verbindungen führen, die sowohl stabil als auch wahrscheinlich supraleitend sind. Während sich die aktuellen Modelle auf eine bestimmte Klasse von Supraleitern und moderate Temperaturbereiche konzentrieren, könnte die gleiche Strategie auf andere Druckbedingungen und Materialfamilien ausgeweitet werden. Langfristig könnten solche KI‑gesteuerten Pipelines Supraleiter aufdecken, die bei deutlich höheren Temperaturen und in praktischeren Formen arbeiten, und so den Weg für effizientere Stromnetze, schnellere Elektronik und neue magnetische Technologien ebnen.

Zitation: Gibson, J.B., Hire, A.C., Prakash, P. et al. Developing a complete AI-accelerated workflow for superconductor discovery. npj Comput Mater 12, 95 (2026). https://doi.org/10.1038/s41524-026-01964-8

Schlüsselwörter: Supraleiter, maschinelles Lernen, Materialentdeckung, Graphneuronale Netze, Hochdurchsatz-Screening