Sviluppare un flusso di lavoro completo accelerato dall’IA per la scoperta di superconduttori

Perché trovare superconduttori migliori è importante

I superconduttori sono materiali straordinari in grado di trasportare elettricità senza resistenza, cioè senza perdite di energia sotto forma di calore. Alimentano già tecnologie come le macchine per risonanza magnetica e gli acceleratori di particelle, e un giorno potrebbero rendere possibili reti elettriche ultra-efficienti e treni a levitazione. Però la scoperta di nuovi superconduttori è stata lenta e costosa, perché normalmente richiede esperimenti meticolosi o pesanti calcoli quantomeccanici per ciascun materiale candidato. Questo articolo descrive un nuovo flusso di lavoro basato sull’intelligenza artificiale (IA) che accelera drasticamente quella ricerca e ha già portato alla scoperta e alla conferma sperimentale di due nuovi materiali superconduttori.

Una scorciatoia intelligente attraverso milioni di possibilità

Gli autori si sono posti l’obiettivo di risolvere un collo di bottiglia chiave nella scoperta di superconduttori: calcolare come gli elettroni interagiscono con le vibrazioni del reticolo cristallino, una grandezza che normalmente richiede enormi risorse di calcolo. Invece di eseguire questi calcoli da zero per ogni materiale, hanno addestrato un potente sistema di IA chiamato BEE-NET a imparare questo comportamento a partire da circa 7.000 esempi calcolati con cura. BEE-NET riceve informazioni sulla disposizione atomica di un cristallo e, in una versione, anche sul suo spettro vibrazionale, e poi predice una «impronta» dettagliata di come gli elettroni si accoppiano alle vibrazioni. Da questa impronta il modello può stimare la temperatura critica — il punto in cui un materiale diventa superconduttore — con un errore medio inferiore a un kelvin rispetto ai calcoli quantistici completi.

Insegnare all’IA a dire “no” con fiducia

Una caratteristica importante di questo approccio è che l’IA non viene addestrata solo a indovinare direttamente la temperatura di transizione, ma a ricostruire l’intero spettro delle interazioni elettrone–vibrazione. Questa descrizione più ricca permette al modello di trattare materiali superconduttori e non superconduttori allo stesso modo, e si rivela molto efficace nel scartare candidati scadenti. Nei test, BEE-NET ha identificato correttamente i non-superconduttori (quelli con temperature di transizione inferiori a 5 kelvin) in più del 99 percento dei casi. Questo alto tasso di “veri negativi” è cruciale quando si setacciano spazi di materiali vastissimi, perché evita di sprecare calcoli costosi su materiali che quasi certamente non sono utili.

Da milioni di candidati a poche centinaia di vincitori

Armati di questa IA, il team ha costruito una pipeline di scoperta multi-step accelerata dall’IA. Sono partiti da due fonti principali: composti metallici noti elencati in grandi banche dati di materiali online e oltre un milione di nuovi materiali ipotetici generati sistematicamente sostituendo elementi chimici in strutture cristalline note. Questi candidati grezzi sono poi passati attraverso una serie di filtri. Altri modelli di machine learning hanno rapidamente verificato se un materiale era probabile fosse metallico e termodinamicamente stabile. BEE-NET ha fornito una prima stima rapida della temperatura critica superconducting, eliminando i materiali previsti sotto i 5 kelvin. Solo i superstiti sono stati poi esaminati con calcoli quantistici più dettagliati, inclusi test di stabilità basati sulle vibrazioni del reticolo. In totale, oltre 1,3 milioni di strutture iniziali sono state ristrette a sole 741 composti metallici, dinamicamente e termodinamicamente stabili, con temperature critiche completamente confermate superiori a 5 kelvin, di cui 69 con valori previsti oltre i 20 kelvin.

Trasformare le previsioni in superconduttori reali

Per dimostrare che il flusso di lavoro produce materiali reali, non solo numeri promettenti, i ricercatori hanno scelto due candidati particolarmente interessanti per i test sperimentali. Entrambi derivavano da un noto superconduttore a bassa temperatura, Be₂Nb₃, sostituendo parzialmente il niobio (Nb) con l’afnio (Hf) in posizioni specifiche della struttura cristallina. Dopo aver sintetizzato in laboratorio i composti proposti Be₂Hf₂Nb e Be₂HfNb₂ e aver analizzato accuratamente le loro strutture cristalline, il team ha misurato la loro resistenza elettrica e la capacità termica a basse temperature. Entrambi i materiali hanno mostrato chiare transizioni superconduttrici, confermando le previsioni guidate dall’IA, sebbene le loro temperature critiche esatte siano risultate un po’ più basse rispetto alle stime teoriche più ottimistiche a causa di disordine strutturale e impurità.

Cosa significa questo per i materiali futuri

Lo studio dimostra che combinare apprendimento automatico avanzato con calcoli quantistici e esperimenti mirati può trasformare la scoperta di superconduttori da un processo di tentativi ed errori in una ricerca sistematica. BEE-NET e la pipeline che lo circonda possono scandagliare milioni di potenziali materiali in tempi ragionevoli, evidenziare le poche centinaia più promettenti e guidare gli sperimentatori verso composti che sono sia stabili sia probabilmente superconduttori. Mentre i modelli attuali si concentrano su una particolare classe di superconduttori e su intervalli di temperatura moderati, la stessa strategia potrebbe essere estesa ad altre condizioni di pressione e famiglie di materiali. A lungo termine, pipeline guidate dall’IA potrebbero scoprire superconduttori che operano a temperature molto più elevate e in forme più pratiche, aprendo la strada a reti elettriche più efficienti, elettronica più veloce e nuove tecnologie magnetiche.

Citazione: 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

Parole chiave: superconduttori, apprendimento automatico, scoperta di materiali, reti neurali su grafi, screening ad alto rendimento