Opracowanie kompletnego przepływu pracy przyspieszonego przez AI do odkrywania nadprzewodników

Dlaczego znalezienie lepszych nadprzewodników ma znaczenie

Nadprzewodniki to niezwykłe materiały, które przewodzą prąd bez oporu, co oznacza, że żadna energia nie jest tracona w postaci ciepła. Już dziś zasilają technologie takie jak aparaty MRI i akceleratory cząstek, a w przyszłości mogą umożliwić ultraskuteczne sieci energetyczne i pociągi lewitujące. Jednak odkrywanie nowych nadprzewodników przebiegało powoli i kosztownie, ponieważ zwykle wymagało żmudnych eksperymentów lub ciężkich obliczeń z mechaniki kwantowej dla każdego kandydata. Ten artykuł opisuje nowy przepływ pracy oparty na sztucznej inteligencji (AI), który drastycznie przyspiesza te poszukiwania i już doprowadził do odkrycia oraz eksperymentalnego potwierdzenia dwóch nowych materiałów nadprzewodzących.

Sprytne skrócenie drogi przez miliony możliwości

Autorzy postawili sobie za cel rozwiązanie kluczowego wąskiego gardła w odkrywaniu nadprzewodników: obliczania, jak elektrony oddziałują z drganiami sieci krystalicznej — wielkości, która zazwyczaj wymaga ogromnej mocy obliczeniowej. Zamiast wykonywać te obliczenia od zera dla każdego materiału, wytrenowali potężny system AI o nazwie BEE-NET na podstawie około 7000 starannie obliczonych przykładów. BEE-NET przyjmuje informacje o rozmieszczeniu atomów w krysztale, a w jednej wersji także o jego spektrum drgań, po czym przewiduje szczegółowy „odcisk palca” tego, jak elektrony sprzęgają się z drganiami. Z tego odcisku model potrafi oszacować temperaturę krytyczną — punkt, w którym materiał staje się nadprzewodzący — ze średnim błędem mniejszym niż jeden kelwin w porównaniu z pełnymi obliczeniami kwantowymi.

Nauczenie AI pewnego mówienia „nie”

Istotną cechą tego podejścia jest to, że AI jest trenowana nie tylko do bezpośredniego zgadywania temperatury przejścia, lecz do rekonstrukcji pełnego spektrum oddziaływań elektron–drgania. Bogatszy opis pozwala modelowi traktować materiały nadprzewodzące i nienadprzewodzące na równych zasadach i okazuje się wyjątkowo skuteczny w odrzucaniu słabych kandydatów. W testach BEE-NET poprawnie identyfikował nienadprzewodniki (te z temperaturami przejścia poniżej 5 kelwinów) w ponad 99 procent przypadków. Tak wysoki odsetek prawdziwych negatywów jest kluczowy przy przesiewaniu ogromnych przestrzeni materiałowych, ponieważ zapobiega marnowaniu kosztownych obliczeń na materiały, które z dużym prawdopodobieństwem nie są użyteczne.

Z milionów kandydatów do kilkuset zwycięzców

Wyposażeni w to AI, badacze zbudowali wieloetapową, przyspieszoną przez AI linię odkryć. Rozpoczęli od dwóch głównych źródeł: znanych metalicznych związków wymienionych w dużych internetowych bazach danych materiałów oraz ponad miliona nowych, hipotetycznych materiałów wygenerowanych przez systematyczną zamianę pierwiastków chemicznych w znanych strukturach krystalicznych. Te surowe kandydatury przeszły następnie przez serię filtrów. Inne modele uczenia maszynowego szybko sprawdzały, czy materiał prawdopodobnie jest metaliczny i termodynamicznie stabilny. BEE-NET dostarczał szybkie wstępne oszacowanie temperatury przejścia, eliminując materiały przewidywane poniżej 5 kelwinów. Tylko ocalałe następnie poddawano bardziej szczegółowym obliczeniom kwantowym, w tym testom stabilności opartym na drganiach sieci. W sumie ponad 1,3 miliona początkowych struktur zawężono do zaledwie 741 metalicznych, dynamicznie i termodynamicznie stabilnych związków z w pełni potwierdzonymi temperaturami krytycznymi powyżej 5 kelwinów, w tym 69 z przewidywanymi wartościami powyżej 20 kelwinów.

Przekształcanie przewidywań w rzeczywiste nadprzewodniki

Aby wykazać, że przepływ pracy daje rzeczywiste materiały, a nie tylko obiecujące liczby, badacze wybrali do testów eksperymentalnych dwa szczególnie atrakcyjne kandydaty. Oba pochodziły z modyfikacji znanego niskotemperaturowego nadprzewodnika Be₂Nb₃ przez częściowe zastąpienie niobu (Nb) hafnem (Hf) na określonych pozycjach w strukturze krystalicznej. Po syntezie proponowanych związków Be₂Hf₂Nb i Be₂HfNb₂ w laboratorium oraz starannej analizie ich struktur krystalicznych zespół zmierzył opór elektryczny i pojemność cieplną w niskich temperaturach. Oba materiały wykazały wyraźne przejścia nadprzewodzące, potwierdzając przewidywania prowadzone przez AI, choć ich rzeczywiste temperatury krytyczne okazały się nieco niższe niż najbardziej optymistyczne estymaty teoretyczne z powodu nieporządku strukturalnego i zanieczyszczeń.

Co to oznacza dla przyszłych materiałów

Badanie pokazuje, że połączenie zaawansowanego uczenia maszynowego z obliczeniami kwantowymi i ukierunkowanymi eksperymentami może przekształcić odkrywanie nadprzewodników z procesu prób i błędów w systematyczne poszukiwanie. BEE-NET i otaczający go przepływ pracy potrafią przeskanować miliony potencjalnych materiałów w rozsądnym czasie, wyróżnić kilkaset najbardziej obiecujących i skierować badaczy eksperymentalnych ku związkom, które są zarówno stabilne, jak i prawdopodobnie nadprzewodzące. Choć obecne modele koncentrują się na określonej klasie nadprzewodników i umiarkowanych zakresach temperatur, ta sama strategia może zostać rozszerzona na inne warunki ciśnienia i rodziny materiałów. W dłuższej perspektywie takie pipeline’y napędzane przez AI mogą odkryć nadprzewodniki działające w znacznie wyższych temperaturach i w bardziej praktycznych formach, otwierając drzwi do bardziej wydajnych sieci energetycznych, szybszej elektroniki i nowych technologii magnetycznych.

Cytowanie: 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

Słowa kluczowe: nadprzewodniki, uczenie maszynowe, odkrywanie materiałów, grafowe sieci neuronowe, przesiewanie o dużej przepustowości