Süperiletken keşfi için eksiksiz AI hızlandırmalı iş akışı geliştirmek

Daha iyi süperiletkenler bulmanın önemi

Süperiletkenler, elektrik akımını sıfır dirençle taşıyabilen olağanüstü malzemelerdir; bu da enerjinin ısı olarak kaybolmadığı anlamına gelir. Halihazırda MRI cihazları ve parçacık hızlandırıcılar gibi teknolojileri çalıştırıyorlar ve bir gün ultra verimli enerji şebekeleri ve manyetik kaldırmalı trenler gibi uygulamaları mümkün kılabilirler. Ancak yeni süperiletkenlerin keşfi yavaş ve maliyetli oldu; çünkü genellikle her aday malzeme için zahmetli deneyler veya yoğun kuantum mekanik hesaplamalar gerektirir. Bu makale, aramayı büyük ölçüde hızlandıran ve zaten iki yeni süperiletken malzemenin keşfi ile deneysel doğrulamasına yol açmış yeni bir yapay zeka (YZ) iş akışını anlatıyor.

Milyonlarca olasılık arasında akıllı bir kestirme

Yazarlar süperiletken keşfindeki temel darboğazlardan birini çözmeyi hedeflediler: elektronların kristal kafesinin titreşimleriyle nasıl etkileştiğini hesaplamak, normalde muazzam hesaplama gücü gerektiren bir nicelik. Her malzeme için bu hesaplamaları baştan yapmak yerine, yaklaşık 7.000 titizlikle hesaplanmış örnekten bu davranışı öğrenmesi için güçlü bir YZ sistemi olan BEE-NET'i eğittiler. BEE-NET, bir kristalin atomik düzenine ilişkin bilgileri alıyor ve bir versiyonunda ayrıca titreşim spektrumunu da kullanarak, elektronların titreşimlerle nasıl bağlandığını gösteren ayrıntılı bir “parmak izi” tahmin ediyor. Bu parmak izinden model, bir malzemenin kritik sıcaklığını—malzemenin süperiletken hale geldiği noktayı—tam kuantum hesaplamalarla karşılaştırıldığında ortalama hatası bir Kelvin’den az olacak şekilde tahmin edebiliyor.

YZ’ye güvenle “hayır” demeyi öğretmek

Bu yaklaşımın önemli bir özelliği, YZ’nin geçiş sıcaklığını doğrudan tahmin etmeyi öğrenmekle yetinmeyip elektron–titreşim etkileşimlerinin tüm spektrumunu yeniden oluşturacak şekilde eğitilmesi. Bu daha zengin betimleme, modelin süperiletken ve süperiletken olmayan malzemeleri eşit koşullarda ele almasına olanak tanıyor ve kötü adayları elerken son derece başarılı olduğu görülüyor. Testlerde BEE-NET, süperiletken olmayanları (geçiş sıcaklığı 5 kelvin’in altında olanları) doğru şekilde %99’dan fazla oranla tespit etti. Bu yüksek “gerçek negatif” oranı, geniş malzeme uzaylarını tararken kritik öneme sahip, çünkü neredeyse kesinlikle işe yaramayacak malzemeler üzerinde pahalı hesaplamalara zaman kaybedilmesini önlüyor.

Milyonlarca adaydan birkaç yüz kazanana

Bu YZ ile donanmış ekip, çok adımlı, YZ hızlandırmalı bir keşif hattı kurdu. İki ana kaynaktan başladılar: büyük çevrimiçi malzeme veritabanlarında listelenen bilinen metalik bileşikler ve bilinen kristal yapılar içine sistematik olarak kimyasal elementler yerleştirerek üretilen bir milyondan fazla yeni, varsayımsal malzeme. Bu ham adaylar ardından bir dizi filtreden geçti. Diğer makine öğrenimi modelleri, bir malzemenin metalik olma ve termodinamik olarak kararlı olma olasılığını hızla kontrol etti. BEE-NET, süperiletken geçiş sıcaklığı için hızlı bir ilk tahmin sağlayarak 5 kelvin’in altında kalması öngörülen malzemeleri eliyordu. Hayatta kalanlar daha sonra kafes titreşimlerine dayalı kararlılık testleri de dahil olmak üzere daha ayrıntılı kuantum hesaplamalarıyla incelendi. Toplamda, 1,3 milyondan fazla ilk yapı sadece 5 kelvin’in üzerinde tam olarak doğrulanmış kritik sıcaklıklara sahip 741 metalik, dinamik ve termodinamik olarak kararlı bileşiğe indirildi; bunların 69’u için tahmin edilen değerler 20 kelvin’in üzerindeydi.

Tahminleri gerçek süperiletkenlere dönüştürmek

İş akışının sadece umut vaat eden sayılar değil gerçek malzemeler sunduğunu göstermek için araştırmacılar, deneysel testler için özellikle çekici iki adayı seçti. Her ikisi de bilinen düşük sıcaklık süperiletkeni Be₂Nb₃’ten türetilmişti; kristal yapı içindeki belirli konumlarda niyobyumun (Nb) kısmi olarak hafniyum (Hf) ile değiştirilmesiyle elde edildiler. Önerilen Be₂Hf₂Nb ve Be₂HfNb₂ bileşimleri laboratuvarda sentezlendikten ve kristal yapı dikkatle analiz edildikten sonra ekip, düşük sıcaklıklarda elektrik direnci ve ısı kapasitesini ölçtü. Her iki malzeme de belirgin süperiletken geçişleri gösterdi ve yapısal düzensizlikler ile safsızlıklara bağlı olarak teorik en iyimser tahminlerden biraz daha düşük olsa da YZ rehberliğindeki tahminleri doğruladı.

Gelecekteki malzemeler için anlamı

Çalışma, gelişmiş makine öğrenimini kuantum hesaplamaları ve hedefli deneylerle birleştirmenin süperiletken keşfini deneme-yanılma sürecinden sistematik bir aramaya dönüştürebileceğini gösteriyor. BEE-NET ve çevresindeki iş akışı, milyonlarca potansiyel malzemeyi makul bir sürede tarayabilir, en umut verici birkaç yüzü öne çıkarabilir ve deneycilere hem kararlı hem de süperiletken olma olasılığı yüksek bileşiklere yön gösterebilir. Mevcut modeller belirli bir sınıf süperiletkenlere ve orta sıcaklık aralıklarına odaklansa da, aynı strateji diğer basınç koşullarına ve malzeme ailelerine genişletilebilir. Uzun vadede, böyle AI destekli hatlar çok daha yüksek sıcaklıklarda ve daha pratik formlarda işleyen süperiletkenleri ortaya çıkarabilir; bu da daha verimli enerji şebekelerinin, daha hızlı elektronik cihazların ve yeni manyetik teknolojilerin kapısını aralayabilir.

Atıf: 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

Anahtar kelimeler: süperiletkenler, makine öğrenimi, malzeme keşfi, graf sinir ağları, yüksek verimli tarama