Een volledige AI-versnelde workflow ontwikkelen voor de ontdekking van supergeleiders

Waarom het vinden van betere supergeleiders belangrijk is

Supergeleiders zijn uitzonderlijke materialen die elektriciteit zonder weerstand kunnen geleiden, wat betekent dat er geen energie verloren gaat als warmte. Ze drijven al technologieën aan zoals MRI-scanners en deeltjesversnellers, en zouden op den duur ultra-efficiënte energienetwerken en zwevende treinen mogelijk kunnen maken. Het ontdekken van nieuwe supergeleiders verloopt echter traag en kostbaar, omdat dat gewoonlijk arbeidsintensieve experimenten of zware quantummechanische berekeningen per kandidaatmateriaal vereist. Dit artikel beschrijft een nieuwe kunstmatig-intelligentie (AI) workflow die die zoektocht drastisch versnelt en al heeft geleid tot de ontdekking en experimentele bevestiging van twee nieuwe supergeleidende materialen.

Een slimme snelkoppeling door miljoenen mogelijkheden

De auteurs pakten een belangrijk knelpunt in de ontdekking van supergeleiders aan: het berekenen hoe elektronen met trillingen van het kristalrooster interageren, een grootheid die normaal enorme rekenkracht vergt. In plaats van deze berekeningen vanaf nul voor elk materiaal uit te voeren, trainden ze een krachtig AI-systeem genaamd BEE-NET om dit gedrag te leren van ongeveer 7.000 zorgvuldig berekende voorbeelden. BEE-NET verwerkt informatie over de atomaire rangschikking van een kristal, en in één versie ook zijn trillingsspectrum, en voorspelt vervolgens een gedetailleerd "vingerafdruk" van hoe elektronen koppelen aan trillingen. Vanuit die vingerafdruk kan het model de kritische temperatuur schatten — het punt waarop een materiaal supergeleidend wordt — met een gemiddelde fout van minder dan één kelvin vergeleken met volledige quantumberekeningen.

De AI leren met vertrouwen "nee" te zeggen

Een belangrijk kenmerk van deze aanpak is dat de AI niet alleen wordt getraind om direct de overgangstemperatuur te raden, maar om het volledige spectrum van elektron–trillingsinteracties te reconstrueren. Deze rijkere beschrijving stelt het model in staat supergeleidende en niet-supergeleidende materialen gelijkwaardig te behandelen, en het blijkt zeer goed in het uitsluiten van slechte kandidaten. In tests identificeerde BEE-NET niet-supergeleiders (materialen met overgangstemperaturen onder 5 kelvin) correct meer dan 99 procent van de tijd. Die hoge "true negative"-snelheid is cruciaal bij het screenen van enorme materiaalruimtes, omdat het voorkomt dat dure berekeningen worden verspild aan materialen die vrijwel zeker niet bruikbaar zijn.

Van miljoenen kandidaten naar een paar honderd winnaars

Gewapend met deze AI bouwde het team een meerstaps, AI-versnelde ontdekkingspipeline. Ze begonnen bij twee hoofdbronnen: bekende metallische verbindingen die in grote online materiaaldatabanken staan, en meer dan een miljoen nieuwe, hypothetische materialen die werden gegenereerd door systematisch chemische elementen in bekende kristalstructuren te vervangen. Deze ruwe kandidaten werden vervolgens door een reeks filters gehaald. Andere machine-learningmodellen controleerden snel of een materiaal waarschijnlijk metallisch en thermodynamisch stabiel was. BEE-NET gaf een snelle eerste schatting van de supergeleidende overgangstemperatuur en elimineerde materialen die naar verwachting onder de 5 kelvin zouden vallen. Alleen de overgebleven kandidaten werden daarna onderzocht met meer gedetailleerde quantumberekeningen, inclusief stabiliteitstests op basis van roostertrillingen. In totaal werden meer dan 1,3 miljoen initiële structuren teruggebracht tot slechts 741 metallische, dynamisch en thermodynamisch stabiele verbindingen met volledig bevestigde kritische temperaturen boven 5 kelvin, waaronder 69 met voorspelde waarden boven 20 kelvin.

Voorspellingen omzetten in echte supergeleiders

Om aan te tonen dat de workflow echte materialen oplevert en niet alleen veelbelovende cijfers, kozen de onderzoekers twee bijzonder aantrekkelijke kandidaten voor experimentele testen. Beide waren afgeleid van een bekende laagtemperatuur-supergeleider, Be₂Nb₃, door niobium (Nb) gedeeltelijk te vervangen door hafnium (Hf) op specifieke posities binnen de kristalstructuur. Nadat ze de voorgestelde Be₂Hf₂Nb en Be₂HfNb₂ verbindingen in het laboratorium hadden gesynthetiseerd en hun kristalstructuren zorgvuldig hadden geanalyseerd, maten ze hun elektrische weerstand en warmtecapaciteit bij lage temperaturen. Beide materialen toonden duidelijke supergeleidingsovergangen, waarmee de door AI geleide voorspellingen werden bevestigd, hoewel hun exacte kritische temperaturen iets lager uitvielen dan de meest optimistische theoretische schattingen vanwege structurele wanorde en onzuiverheden.

Wat dit betekent voor toekomstige materialen

De studie toont aan dat het combineren van geavanceerde machine learning met quantumberekeningen en gerichte experimenten de ontdekking van supergeleiders kan veranderen van een proef-en-foutproces in een systematische zoektocht. BEE-NET en de omliggende workflow kunnen miljoenen potentiële materialen binnen redelijke tijd scannen, de meest veelbelovende paar honderd aanwijzen en experimentatoren begeleiden naar verbindingen die zowel stabiel als waarschijnlijk supergeleidende eigenschappen bezitten. Hoewel de huidige modellen zich richten op een specifieke klasse supergeleiders en matige temperatuurbereiken, kan dezelfde strategie worden uitgebreid naar andere drukcondities en materiaalgroepen. Op de lange termijn kunnen dergelijke AI-gestuurde pipelines supergeleiders blootleggen die bij veel hogere temperaturen en in praktischer vormen werken, wat de deur zou openen naar efficiëntere netwerken, snellere elektronica en nieuwe magnetische technologieën.

Bronvermelding: 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

Trefwoorden: supergeleiders, machine learning, materiaalontdekking, grafneurale netwerken, high-throughput screening