Utveckling av ett komplett AI-accelererat arbetsflöde för upptäckt av supraledare

Varför det är viktigt att hitta bättre supraledare

Supraledare är anmärkningsvärda material som kan leda elektricitet utan någon resistans, vilket innebär att ingen energi förloras som värme. De driver redan tekniker som MR-apparater och partikelacceleratorer, och skulle en dag kunna möjliggöra ultrameffektiva elnät och svävande tåg. Men att upptäcka nya supraledare har varit långsamt och kostsamt, eftersom det vanligtvis kräver mödosamma experiment eller tunga kvantmekaniska beräkningar för varje kandidatmaterial. Den här artikeln beskriver ett nytt artificiellt intelligens (AI)-arbetsflöde som drastiskt påskyndar den sökningen och redan lett till upptäckten och experimentell bekräftelse av två nya supraledande material.

En smart genväg genom miljontals möjligheter

Författarna satte upp för att lösa en viss flaskhals i upptäckten av supraledare: att beräkna hur elektroner interagerar med kristallgittervibrationer, en storlek som normalt kräver enorm datorkraft. Istället för att göra dessa beräkningar från grunden för varje material tränade de ett kraftfullt AI-system kallat BEE‑NET att lära sig detta beteende från ungefär 7 000 noggrant beräknade exempel. BEE‑NET tar in information om en kristalls atomära ordning, och i en version även dess vibrationsspektrum, och förutspår sedan ett detaljerat ”fingeravtryck” av hur elektroner kopplas till vibrationer. Från detta fingeravtryck kan modellen uppskatta den kritiska temperaturen—punkten där ett material blir supraledande—med ett genomsnittligt fel på mindre än en kelvin jämfört med fullständiga kvantberäkningar.

Att lära AI att säga ”nej” med självförtroende

En viktig egenskap i detta tillvägagångssätt är att AI inte bara tränas att gissa övergångstemperaturen direkt, utan att rekonstruera hela spektret av elektron–vibrationsinteraktioner. Denna rikare beskrivning låter modellen behandla supraledande och icke‑supraledande material på lika villkor, och det visar sig att den är mycket bra på att sålla bort dåliga kandidater. I tester identifierade BEE‑NET korrekt icke‑supraledare (de med övergångstemperaturer under 5 kelvin) mer än 99 procent av gångerna. Den höga andelen ”sanna negativa” är avgörande vid screening av stora materialrum eftersom den undviker att slösa dyra beräkningar på material som nästan säkert inte är användbara.

Från miljoner kandidater till några hundra vinnare

Med detta AI byggde teamet ett flerstegs, AI‑accelererat upptäcktsflöde. De började från två huvudkällor: kända metalliska föreningar listade i stora online‑materialdatabaser, och över en miljon nya, hypotetiska material genererade genom systematiska utbyten av kemiska element i kända kristallstrukturer. Dessa råa kandidater gick sedan igenom en serie filter. Andra maskininlärningsmodeller kontrollerade snabbt om ett material sannolikt var metalliskt och termodynamiskt stabilt. BEE‑NET gav en snabb första uppskattning av den supraledande övergångstemperaturen och eliminerade material som förutslogs ligga under 5 kelvin. Endast de som överlevde granskades sedan med mer detaljerade kvantberäkningar, inklusive stabilitetstester baserade på gittervibrationer. Totalt snävades mer än 1,3 miljoner initiala strukturer ned till endast 741 metalliska, dynamiskt och termodynamiskt stabila föreningar med fullt bekräftade kritiska temperaturer över 5 kelvin, inklusive 69 med förutsagda värden över 20 kelvin.

Att förvandla förutsägelser till verkliga supraledare

För att demonstrera att arbetsflödet levererar verkliga material, inte bara lovande siffror, valde forskarna två särskilt attraktiva kandidater för experimentell testning. Båda härstammade från en känd lågt‑temperatur‑supraledare, Be₂Nb₃, genom att delvis ersätta grundämnet niob (Nb) med hafnium (Hf) i specifika positioner i kristallstrukturen. Efter att ha syntetiserat de föreslagna föreningarna Be₂Hf₂Nb och Be₂HfNb₂ i laboratoriet och noggrant analyserat deras kristallstrukturer, mätte teamet deras elektriska resistans och värmekapacitet vid låga temperaturer. Båda materialen visade tydliga supraledande övergångar, vilket bekräftade de AI‑styrda förutsägelserna, även om deras exakta kritiska temperaturer visade sig vara något lägre än de mest optimistiska teoretiska uppskattningarna på grund av strukturell oordning och föroreningar.

Vad detta betyder för framtida material

Studien visar att kombinationen av avancerad maskininlärning med kvantberäkningar och riktade experiment kan förvandla upptäckten av supraledare från en prövning‑och‑fel‑process till en systematisk sökning. BEE‑NET och det omgivande arbetsflödet kan skanna miljontals potentiella material på rimlig tid, lyfta fram de mest lovande några hundra och styra experimentutövare mot föreningar som både är stabila och sannolikt supraledande. Medan de nuvarande modellerna fokuserar på en viss klass av supraledare och måttliga temperaturområden, kan samma strategi utvidgas till andra tryckförhållanden och materialfamiljer. På längre sikt kan sådana AI‑drivna pipelines upptäcka supraledare som fungerar vid mycket högre temperaturer och i mer praktiska former, vilket öppnar dörren för effektivare elnät, snabbare elektronik och nya magnetiska teknologier.

Citering: 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

Nyckelord: supraledare, maskininlärning, materialupptäckt, grafneuronätverk, höggenomströmningstestning