Desenvolvendo um fluxo de trabalho completo acelerado por IA para a descoberta de supercondutores

Por que encontrar supercondutores melhores importa

Supercondutores são materiais notáveis que conduzem eletricidade sem resistência, ou seja, sem perda de energia na forma de calor. Eles já alimentam tecnologias como aparelhos de ressonância magnética (MRI) e aceleradores de partículas, e um dia podem viabilizar redes de energia ultraeficientes e trens de levitação. Mas descobrir novos supercondutores tem sido lento e caro, porque normalmente exige experimentos meticulosos ou pesados cálculos quântico-mecânicos para cada material candidato. Este artigo descreve um novo fluxo de trabalho de inteligência artificial (IA) que acelera drasticamente essa busca e já levou à descoberta e confirmação experimental de dois novos materiais supercondutores.

Um atalho inteligente através de milhões de possibilidades

Os autores propuseram resolver um gargalo central na descoberta de supercondutores: calcular como os elétrons interagem com as vibrações da rede cristalina, uma grandeza que normalmente demanda enorme poder computacional. Em vez de realizar esses cálculos do zero para cada material, eles treinaram um sistema de IA poderoso chamado BEE-NET para aprender esse comportamento a partir de cerca de 7.000 exemplos cuidadosamente computados. O BEE-NET recebe informações sobre o arranjo atômico de um cristal e, em uma versão, também seu espectro vibracional, e então prevê uma “impressão digital” detalhada de como os elétrons se acoplam às vibrações. A partir dessa impressão digital, o modelo pode estimar a temperatura crítica — o ponto em que um material se torna supercondutor — com um erro médio inferior a um kelvin em comparação com cálculos quânticos completos.

Ensinar a IA a dizer “não” com confiança

Uma característica importante dessa abordagem é que a IA não é treinada apenas para chutar a temperatura de transição diretamente, mas para reconstruir o espectro completo das interações elétron–vibração. Essa descrição mais rica permite que o modelo trate materiais supercondutores e não supercondutores de forma equivalente, e mostra-se muito eficaz em descartar candidatos ruins. Em testes, o BEE-NET identificou corretamente não supercondutores (aqueles com temperaturas de transição abaixo de 5 kelvin) mais de 99% das vezes. Essa alta taxa de verdadeiros negativos é crucial ao rastrear vastos espaços de materiais, porque evita desperdiçar cálculos caros em materiais que quase certamente não são úteis.

De milhões de candidatos a algumas centenas de vencedores

Munidos dessa IA, a equipe construiu um pipeline de descoberta em várias etapas acelerado por IA. Eles partiram de duas fontes principais: compostos metálicos conhecidos listados em grandes bancos de dados de materiais online e mais de um milhão de novos materiais hipotéticos gerados ao substituir sistematicamente elementos químicos em estruturas cristalinas conhecidas. Esses candidatos brutos então passaram por uma série de filtros. Outros modelos de aprendizado de máquina verificaram rapidamente se um material era provavelmente metálico e termodinamicamente estável. O BEE-NET forneceu uma estimativa rápida inicial da temperatura de transição supercondutora, eliminando materiais previstos abaixo de 5 kelvin. Somente os sobreviventes foram então examinados com cálculos quânticos mais detalhados, incluindo testes de estabilidade baseados em vibrações da rede. No total, mais de 1,3 milhão de estruturas iniciais foram reduzidas a apenas 741 compostos metálicos, dinamicamente e termodinamicamente estáveis, com temperaturas críticas totalmente confirmadas acima de 5 kelvin, incluindo 69 com valores previstos acima de 20 kelvin.

Transformando previsões em supercondutores reais

Para demonstrar que o fluxo de trabalho entrega materiais reais, e não apenas números promissores, os pesquisadores escolheram dois candidatos particularmente atraentes para testes experimentais. Ambos derivavam de um supercondutor conhecido de baixa temperatura, Be₂Nb₃, substituindo parcialmente o elemento nióbio (Nb) por háfnio (Hf) em posições específicas dentro da estrutura cristalina. Após sintetizar no laboratório os compostos propostos Be₂Hf₂Nb e Be₂HfNb₂ e analisar cuidadosamente suas estruturas cristalinas, a equipe mediu a resistência elétrica e a capacidade térmica em baixas temperaturas. Ambos os materiais exibiram transições supercondutoras claras, confirmando as previsões guiadas por IA, embora suas temperaturas críticas finais tenham ficado um pouco abaixo das estimativas teóricas mais otimistas devido a desordem estrutural e impurezas.

O que isso significa para materiais futuros

O estudo mostra que combinar aprendizado de máquina avançado com cálculos quânticos e experimentos direcionados pode transformar a descoberta de supercondutores de um processo de tentativa e erro em uma busca sistemática. O BEE-NET e o fluxo de trabalho associado podem vasculhar milhões de potenciais materiais em tempo razoável, destacar as poucas centenas mais promissoras e guiar experimentalistas para compostos que são ao mesmo tempo estáveis e propensos a se tornarem supercondutores. Embora os modelos atuais se concentrem numa classe particular de supercondutores e em faixas de temperatura moderadas, a mesma estratégia pode ser estendida a outras condições de pressão e famílias de materiais. A longo prazo, pipelines guiados por IA podem descobrir supercondutores que funcionem em temperaturas muito mais altas e em formas mais práticas, abrindo caminho para redes de energia mais eficientes, eletrônica mais rápida e novas tecnologias magnéticas.

Citação: 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

Palavras-chave: supercondutores, aprendizado de máquina, descoberta de materiais, redes neurais de grafos, triagem em alta produtividade