Разработка полного ускоренного ИИ рабочего процесса для открытия сверхпроводников

Почему важно находить лучшие сверхпроводники

Сверхпроводники — это необычные материалы, способные проводить электричество без сопротивления, то есть без потерь энергии на нагрев. Они уже применяются в технологиях вроде МРТ-сканеров и ускорителей частиц и в будущем могут обеспечить сверхэффективные энергосети и поезда на магнитной подушке. Однако открытие новых сверхпроводников долгое и дорогое: обычно это требует трудоёмких экспериментов или тяжёлых квантово-механических расчётов для каждого кандидата. В этой статье описан новый рабочий процесс с использованием искусственного интеллекта (ИИ), который существенно ускоряет поиск и уже привёл к обнаружению и экспериментальному подтверждению двух новых сверхпроводящих материалов.

Умная «короткая дорога» сквозь миллионы вариантов

Авторы поставили задачу решить ключевое узкое место при поиске сверхпроводников: вычисление взаимодействия электронов с колебаниями кристаллической решётки — величины, для которой обычно требуется огромная вычислительная мощность. Вместо того чтобы выполнять такие расчёты с нуля для каждого материала, они обучили мощную ИИ-систему под названием BEE-NET на примерно 7000 тщательно рассчитанных примерах. BEE-NET принимает информацию о атомной структуре кристалла, а в одной из версий — также его колебательный спектр, после чего прогнозирует детальный «отпечаток» того, как электроны связаны с колебаниями. По этому отпечатку модель может оценить критическую температуру — точку, в которой материал становится сверхпроводящим — со средней погрешностью менее одного келвина по сравнению с полными квантовыми расчётами.

Обучение ИИ уверенно говорить «нет»

Важная особенность подхода в том, что ИИ обучают не просто предсказывать температуру перехода, а реконструировать полный спектр взаимодействий электрон–колебание. Это более богатое описание позволяет модели ставить сверхпроводящие и несверхпроводящие материалы в равные условия и, как оказалось, очень хорошо отсеивать плохие кандидаты. В тестах BEE-NET правильно идентифицировал несверхпроводники (с температурами перехода ниже 5 К) более чем в 99% случаев. Такая высокая доля истинных отрицательных результатов крайне важна при скрининге огромных пространств материалов, поскольку она позволяет не тратить дорогостоящие расчёты на материалы, которые почти наверняка бесполезны.

От миллионов кандидатов к нескольким сотням победителей

Вооружившись этим ИИ, команда построила многоступенчатый ускоренный рабочий процесс для открытия материалов. Они начали из двух основных источников: известных металлических соединений из крупных онлайн-баз данных материалов и более чем миллиона новых гипотетических материалов, полученных путём систематической подстановки химических элементов в известные кристаллические структуры. Эти первоначальные кандидаты прошли через серию фильтров. Другие модели машинного обучения быстро проверяли, вероятно ли, что материал металлический и термодинамически устойчивый. BEE-NET давал быстрый первичный прогноз критической температуры, отбрасывая материалы, предсказанные ниже 5 К. Только выжившие затем исследовали более детальными квантовыми расчётами, включая тесты на устойчивость на основе колебаний решётки. В итоге более 1,3 миллиона исходных структур сузились до всего 741 металлического, динамически и термодинамически стабильного соединения с полностью подтверждёнными критическими температурами выше 5 К, включая 69 с предсказанными значениями выше 20 К.

Превращение предсказаний в реальные сверхпроводники

Чтобы показать, что рабочий процесс даёт настоящие материалы, а не только многообещающие числа, исследователи выбрали для экспериментальной проверки два особенно привлекательных кандидата. Оба они были получены из известного низкотемпературного сверхпроводника Be₂Nb₃ путём частичной замены ниобия (Nb) на гафний (Hf) в определённых положениях кристаллической структуры. Синтезировав в лаборатории предложенные соединения Be₂Hf₂Nb и Be₂HfNb₂ и тщательно проанализировав их кристаллические структуры, команда измерила их электрическое сопротивление и теплоёмкость при низких температурах. Оба материала показали чёткие переходы в сверхпроводящее состояние, подтвердив ИИ-направленные предсказания, хотя их точные критические температуры оказались немного ниже самых оптимистичных теоретических оценок из‑за структурного беспорядка и примесей.

Что это означает для будущих материалов

Исследование показывает, что сочетание продвинутого машинного обучения с квантовыми расчётами и целевыми экспериментами может превратить открытие сверхпроводников из процесса проб и ошибок в систематический поиск. BEE-NET и сопутствующий рабочий процесс способны просканировать миллионы потенциальных материалов за разумное время, выделить наиболее перспективные несколько сотен и направить экспериментаторов к соединениям, которые одновременно стабильны и, вероятно, сверхпроводящи. Хотя текущие модели сосредоточены на конкретном классе сверхпроводников и умеренных диапазонах температур, ту же стратегию можно расширить на другие условия давления и семейства материалов. В перспективе такие ИИ-ориентированные конвейеры могут обнаружить сверхпроводники, работающие при значительно более высоких температурах и в более практичных формах, что откроет дорогу к более эффективным энергосетям, более быстрой электронике и новым магнитным технологиям.

Цитирование: 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

Ключевые слова: сверхпроводники, машинное обучение, поиск материалов, графовые нейронные сети, высокопроизводительный отбор