Développer un flux de travail complet accéléré par l’IA pour la découverte de supraconducteurs

Pourquoi trouver de meilleurs supraconducteurs compte

Les supraconducteurs sont des matériaux remarquables capables de transporter l’électricité sans résistance, ce qui signifie qu’aucune énergie n’est dissipée sous forme de chaleur. Ils alimentent déjà des technologies comme les appareils d’IRM et les accélérateurs de particules, et pourraient un jour permettre des réseaux électriques ultra-efficaces et des trains à sustentation. Mais la découverte de nouveaux supraconducteurs a été lente et coûteuse, car elle exige généralement des expériences minutieuses ou des calculs quantiques lourds pour chaque matériau candidat. Cet article décrit un nouveau flux de travail fondé sur l’intelligence artificielle (IA) qui accélère drastiquement cette recherche et a déjà conduit à la découverte et à la confirmation expérimentale de deux nouveaux matériaux supraconducteurs.

Un raccourci intelligent à travers des millions de possibilités

Les auteurs ont cherché à résoudre un goulot d’étranglement majeur dans la découverte de supraconducteurs : le calcul de l’interaction entre les électrons et les vibrations du réseau cristallin, une quantité qui exige normalement une puissance de calcul énorme. Plutôt que d’effectuer ces calculs de zéro pour chaque matériau, ils ont entraîné un puissant système d’IA appelé BEE-NET à apprendre ce comportement à partir d’environ 7 000 exemples soigneusement calculés. BEE-NET prend en entrée des informations sur l’agencement atomique d’un cristal, et dans une version inclut aussi son spectre vibratoire, puis prédit une « empreinte » détaillée de la façon dont les électrons se couplent aux vibrations. À partir de cette empreinte, le modèle peut estimer la température critique — le point où un matériau devient supraconducteur — avec une erreur moyenne de moins d’un kelvin par rapport aux calculs quantiques complets.

Apprendre à l’IA à dire « non » avec confiance

Une caractéristique importante de cette approche est que l’IA n’est pas seulement formée à deviner directement la température de transition, mais à reconstruire le spectre complet des interactions électron–vibration. Cette description plus riche permet au modèle de traiter les matériaux supraconducteurs et non supraconducteurs sur un pied d’égalité, et il s’avère excellent pour écarter les mauvais candidats. Lors des tests, BEE-NET a identifié correctement les non-supraconducteurs (ceux dont la température de transition est inférieure à 5 kelvins) plus de 99 % du temps. Ce taux élevé de « vrais négatifs » est crucial lors du dépistage d’espaces de matériaux vastes, car il évite de gaspiller des calculs coûteux sur des matériaux qui sont presque certainement inutiles.

De millions de candidats à quelques centaines de gagnants

Armée de cette IA, l’équipe a construit une chaîne de découverte en plusieurs étapes accélérée par l’IA. Ils sont partis de deux sources principales : des composés métalliques connus répertoriés dans de grandes bases de données de matériaux en ligne, et plus d’un million de nouveaux matériaux hypothétiques générés en remplaçant systématiquement des éléments chimiques dans des structures cristallines connues. Ces candidats bruts ont ensuite passé une série de filtres. D’autres modèles d’apprentissage automatique ont rapidement vérifié si un matériau était probablement métallique et thermodynamiquement stable. BEE-NET a fourni une première estimation rapide de la température de transition supraconductrice, éliminant les matériaux prédits en dessous de 5 kelvins. Seuls les survivants ont ensuite été examinés par des calculs quantiques plus détaillés, y compris des tests de stabilité basés sur les vibrations du réseau. Au total, plus de 1,3 million de structures initiales ont été réduites à seulement 741 composés métalliques, dynamiquement et thermodynamiquement stables, avec des températures critiques entièrement confirmées supérieures à 5 kelvins, dont 69 avec des valeurs prédites supérieures à 20 kelvins.

Transformer des prédictions en supraconducteurs réels

Pour démontrer que le flux de travail produit de vrais matériaux, et pas seulement des nombres prometteurs, les chercheurs ont choisi deux candidats particulièrement attractifs pour des tests expérimentaux. Les deux étaient dérivés d’un supraconducteur connu à basse température, Be₂Nb₃, en remplaçant partiellement l’élément niobium (Nb) par du hafnium (Hf) à des positions spécifiques dans la structure cristalline. Après avoir synthétisé en laboratoire les composés proposés Be₂Hf₂Nb et Be₂HfNb₂ et analysé soigneusement leurs structures cristallines, l’équipe a mesuré leur résistance électrique et leur capacité calorifique à basses températures. Les deux matériaux ont montré des transitions supraconductrices nettes, confirmant les prédictions guidées par l’IA, même si leurs températures critiques exactes se sont avérées légèrement inférieures aux estimations théoriques les plus optimistes en raison du désordre structurel et des impuretés.

Ce que cela signifie pour les matériaux à venir

L’étude montre que la combinaison d’un apprentissage automatique avancé avec des calculs quantiques et des expériences ciblées peut transformer la découverte de supraconducteurs d’un processus d’essais et d’erreurs en une recherche systématique. BEE-NET et le flux de travail associé peuvent scanner des millions de matériaux potentiels en un temps raisonnable, mettre en évidence les quelques centaines les plus prometteurs et orienter les expérimentateurs vers des composés à la fois stables et susceptibles d’être supraconducteurs. Bien que les modèles actuels se concentrent sur une classe particulière de supraconducteurs et des plages de température modérées, la même stratégie pourrait être étendue à d’autres conditions de pression et familles de matériaux. À long terme, de tels pipelines pilotés par l’IA pourraient découvrir des supraconducteurs fonctionnant à des températures beaucoup plus élevées et sous des formes plus pratiques, ouvrant la voie à des réseaux électriques plus efficaces, à une électronique plus rapide et à de nouvelles technologies magnétiques.

Citation: 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

Mots-clés: supraconducteurs, apprentissage automatique, découverte de matériaux, réseaux de neurones graphiques, dépistage à haut débit