Recherche guidée par apprentissage automatique de la supraconductivité médiée par les phonons dans les composés de bore et de carbone

Pourquoi de nouveaux supraconducteurs comptent

Les supraconducteurs, matériaux qui transportent l'électricité sans résistance, pourraient transformer les réseaux électriques, l'imagerie médicale, les ordinateurs quantiques et les trains à grande vitesse. Pourtant la plupart des supraconducteurs connus ne fonctionnent qu'à des températures très basses, ce qui rend leur usage coûteux. Cette étude examine si des modèles informatiques intelligents et l'apprentissage automatique peuvent accélérer la recherche de meilleurs supraconducteurs fabriqués à partir d'éléments légers courants comme le bore et le carbone, rapprochant potentiellement des matériaux haute performance d'une utilisation pratique.

Rechercher intelligemment plutôt qu'à l'aveugle

Les auteurs se concentrent sur une classe particulière appelée supraconducteurs médiés par les phonons, où les vibrations du réseau cristallin (phonons) aident les électrons à s'apparier et à se déplacer sans résistance. Les atomes légers tels que le bore et le carbone vibrent naturellement à des fréquences élevées, ce qui peut favoriser des températures critiques plus élevées. Plutôt que de tester les matériaux un par un au laboratoire, l'équipe part d'une vaste bibliothèque numérique de plus d'un millier de composés contenant du bore et du carbone issus de la base de données Materials Project. Ils appliquent des filtres pour sélectionner des candidats métalliques, non magnétiques et raisonnables sur le plan énergétique avec des tailles de cellules cristallines gérables, réduisant l'ensemble à environ 700 matériaux susceptibles, en principe, de soutenir ce type de supraconductivité.

Des calculs lourds pour enseigner à la machine

Pour estimer si chaque candidat pourrait devenir supraconducteur, les chercheurs utilisent une méthode quantique appelée théorie de la perturbation en fonctionnelle de la densité. Celle-ci leur permet de calculer la force du couplage électron–phonon et de prédire une température critique à laquelle la supraconductivité apparaîtrait. Cependant, ces calculs sont longs et délicats : ils exigent un échantillonnage soin du espace des moments du cristal et révèlent souvent des instabilités dynamiques, où certaines modes vibratoires sont « imaginaires », indiquant que la structure préférerait se déformer. L'équipe met au point un test pratique pour vérifier si leurs prédictions de température sont numériquement fiables et affine leur échantillonnage jusqu'à convergence pour plus de 400 composés. Ils conçoivent aussi des moyens — pression, déformations douces ou augmentation de l'étalement électronique — pour stabiliser des modes vibratoires instables afin d'estimer quand même leur comportement supraconducteur plutôt que de les écarter.

Apprendre aux réseaux neuronaux à repérer les supraconducteurs

Une fois qu'ils disposent d'un grand ensemble de données calculées et raisonnablement précises, les auteurs entraînent deux réseaux neuronaux basés sur des graphes, CGCNN et ALIGNN, pour apprendre le lien entre la structure cristalline et les propriétés supraconductrices. Ces modèles traitent le cristal comme un réseau d'atomes et de liaisons, puis ajustent des paramètres internes pour reproduire la force calculée du couplage électron–phonon et la température de transition. Le flux de travail est itératif : un modèle initial est entraîné sur un sous-ensemble de composés, utilisé pour prédire quels matériaux inexplorés semblent les plus prometteurs ou clairement non supraconducteurs, et ces candidats sont ensuite réinjectés dans les calculs quantiques coûteux. À chaque boucle, l'ensemble d'entraînement s'élargit et les modèles d'apprentissage automatique deviennent plus fiables. Un aspect clé de ce travail est que les auteurs incluent délibérément des composés initialement instables dynamiquement mais susceptibles d'être stabilisés, élargissant ainsi la variété de motifs observés par les modèles.

Vibrations douces : une opportunité cachée

En stabilisant et en analysant des composés présentant initialement des modes phononiques imaginaires, l'étude révèle que ces vibrations « douces » peuvent en réalité renforcer la supraconductivité une fois maîtrisées. Plusieurs de ces composés, notamment un nitrure de bore calcique (Ca5B3N6) et divers borures et carbures de molybdène, tantale et ruthénium, sont prédits avec des températures critiques relativement élevées, certaines rivalisant ou dépassant théoriquement le bien connu MgB2. Le travail montre que l'ignorance des systèmes dynamiquement instables aurait fait manquer environ un cinquième de l'ensemble de données et plusieurs des candidats les plus prometteurs. Lorsque ces cas difficiles sont inclus, le modèle ALIGNN, qui encode explicitement les angles de liaison en plus des longueurs, surpasse nettement CGCNN, soulignant l'importance de caractéristiques géométriques subtiles pour capter le comportement des vibrations douces.

Ce que cela signifie pour les matériaux futurs

Pour les non-spécialistes, le message principal est que la combinaison de calculs quantiques détaillés et de modèles d'apprentissage automatique adaptés permet désormais d'explorer des espaces chimiques complexes bien plus efficacement que les seules expériences. L'étude n'identifie pas seulement des composés riches en bore et en carbone — tels que TaNbC2, Nb3B3C, Y2B3C2, Ca5B3N6 et une famille de matériaux à base de Ru — comme supraconducteurs prometteurs, elle établit aussi une stratégie réutilisable : ne pas éliminer trop vite les candidats « instables », car leurs vibrations douces peuvent contenir la clé d'une supraconductivité plus forte une fois stabilisées. Si ces prédictions exigent encore une confirmation expérimentale et des contrôles théoriques plus fins, elles tracent une voie plus ciblée et mieux informée vers la découverte de supraconducteurs pratiquement exploitables pour les technologies futures.

Citation: Nepal, N.K., Wang, LL. Machine-learning guided search for phonon-mediated superconductivity in boron and carbon compounds. npj Comput Mater 12, 152 (2026). https://doi.org/10.1038/s41524-026-01962-w

Mots-clés: supraconductivité, apprentissage automatique, composés de bore et de carbone, couplage électron-phonon, découverte de matériaux