Desarrollando un flujo de trabajo completo acelerado por IA para el descubrimiento de superconductores

Por qué importa encontrar mejores superconductores

Los superconductores son materiales notables que pueden conducir electricidad sin resistencia, lo que significa que no se pierde energía en forma de calor. Ya impulsan tecnologías como las máquinas de resonancia magnética y los aceleradores de partículas, y podrían algún día permitir redes eléctricas ultraeficientes y trenes de levitación. Pero el descubrimiento de nuevos superconductores ha sido lento y costoso, porque normalmente requiere experimentos cuidadosos o cálculos cuántico-mecánicos intensivos para cada material candidato. Este artículo describe un nuevo flujo de trabajo con inteligencia artificial (IA) que acelera drásticamente esa búsqueda y que ya ha llevado al descubrimiento y la confirmación experimental de dos nuevos materiales superconductores.

Un atajo inteligente entre millones de posibilidades

Los autores se propusieron resolver un cuello de botella clave en el descubrimiento de superconductores: calcular cómo interactúan los electrones con las vibraciones de la red cristalina, una magnitud que normalmente exige una enorme potencia de cálculo. En lugar de realizar estos cálculos desde cero para cada material, entrenaron un potente sistema de IA llamado BEE-NET para aprender este comportamiento a partir de unos 7.000 ejemplos cuidadosamente calculados. BEE-NET recibe información sobre la disposición atómica de un cristal, y en una versión también su espectro vibracional, y luego predice una “huella” detallada de cómo los electrones se acoplan a las vibraciones. A partir de esa huella, el modelo puede estimar la temperatura crítica—el punto en que un material se vuelve superconductor—con un error medio inferior a un kelvin en comparación con cálculos cuánticos completos.

Enseñar a la IA a decir “no” con confianza

Una característica importante de este enfoque es que la IA no solo se entrena para adivinar directamente la temperatura de transición, sino para reconstruir el espectro completo de interacciones electrón–vibración. Esta descripción más rica permite al modelo tratar por igual a materiales superconductores y no superconductores, y resulta ser muy eficaz para descartar candidatos pobres. En las pruebas, BEE-NET identificó correctamente a los no superconductores (aquellos con temperaturas de transición por debajo de 5 kelvin) más del 99 por ciento de las veces. Esa alta tasa de “verdaderos negativos” es crucial al cribar espacios de materiales vastos, porque evita malgastar cálculos caros en materiales que casi con toda seguridad no son útiles.

De millones de candidatos a unos pocos cientos de ganadores

Con esta IA, el equipo construyó una canalización de descubrimiento por etapas acelerada por IA. Partieron de dos fuentes principales: compuestos metálicos conocidos listados en grandes bases de datos de materiales en línea, y más de un millón de materiales hipotéticos nuevos generados al intercambiar sistemáticamente elementos químicos en estructuras cristalinas conocidas. Estos candidatos en bruto pasaron luego por una serie de filtros. Otros modelos de aprendizaje automático comprobaron rápidamente si un material era probablemente metálico y termodinámicamente estable. BEE-NET ofreció una estimación rápida inicial de la temperatura crítica superconductora, eliminando materiales predichos por debajo de 5 kelvin. Solo los supervivientes fueron examinados con cálculos cuánticos más detallados, incluidas pruebas de estabilidad basadas en vibraciones de la red. En total, más de 1,3 millones de estructuras iniciales se redujeron hasta apenas 741 compuestos metálicos, dinámicamente y termodinámicamente estables, con temperaturas críticas confirmadas por completo por encima de 5 kelvin, incluidos 69 con valores predichos por encima de 20 kelvin.

Convertir predicciones en superconductores reales

Para demostrar que el flujo de trabajo produce materiales reales y no solo cifras prometedoras, los investigadores eligieron dos candidatos particularmente atractivos para pruebas experimentales. Ambos derivaban de un superconductor conocido de baja temperatura, Be₂Nb₃, al reemplazar parcialmente el elemento niobio (Nb) por hafnio (Hf) en posiciones específicas dentro de la estructura cristalina. Tras sintetizar en el laboratorio los compuestos propuestos Be₂Hf₂Nb y Be₂HfNb₂ y analizar cuidadosamente sus estructuras cristalinas, el equipo midió su resistencia eléctrica y capacidad calorífica a bajas temperaturas. Ambos materiales mostraron transiciones superconductoras claras, confirmando las predicciones guiadas por la IA, aunque sus temperaturas críticas exactas resultaron algo inferiores a las estimaciones teóricas más optimistas debido a desorden estructural e impurezas.

Lo que esto significa para materiales futuros

El estudio demuestra que combinar aprendizaje automático avanzado con cálculos cuánticos y experimentos dirigidos puede convertir el descubrimiento de superconductores de un proceso de prueba y error en una búsqueda sistemática. BEE-NET y la canalización asociada pueden escanear millones de materiales potenciales en un tiempo razonable, resaltar los pocos cientos más prometedores y guiar a los experimentalistas hacia compuestos que son a la vez estables y propensos a ser superconductores. Aunque los modelos actuales se centran en una clase particular de superconductores y en rangos de temperatura moderados, la misma estrategia podría extenderse a otras condiciones de presión y familias de materiales. A largo plazo, tales flujos de trabajo impulsados por IA podrían descubrir superconductores que operen a temperaturas mucho más altas y en formas más prácticas, abriendo la puerta a redes eléctricas más eficientes, electrónica más rápida y nuevas tecnologías magnéticas.

Cita: 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

Palabras clave: superconductores, aprendizaje automático, descubrimiento de materiales, redes neuronales de grafos, cribado de alto rendimiento