为超导体发现开发完整的 AI 加速工作流程

寻找更好超导体为何重要

超导体是能够以零电阻传输电流的非凡材料，这意味着不会有能量以热形式损失。它们已经为磁共振成像（MRI）设备和粒子加速器等技术提供动力，并有朝一日可能实现超高效的电力网和磁悬浮列车。然而，发现新型超导体一直缓慢且成本高昂，因为通常需要对每一种候选材料进行繁复的实验或耗费巨大的量子力学计算。本文描述了一种新的人工智能（AI）工作流程，能够大幅加速这一搜索，并已促成两种新超导材料的发现与实验确认。

在数百万种可能性中走出一条聪明的捷径

作者们着手解决超导体发现中的一个关键瓶颈：计算电子与晶格振动的相互作用，这一量通常需要巨大的计算资源。与其对每种材料从头进行这些计算，他们训练了一个名为 BEE-NET 的强大 AI 系统，从大约 7,000 个精确计算的示例中学习这种行为。BEE-NET 接收关于晶体原子排列的信息，在一个版本中还包含其振动谱，然后预测电子与振动耦合的详细“指纹”。从这一指纹，模型可以估算临界温度——材料变为超导的临界点——与完整量子计算相比，平均误差低于一开尔文。

教会 AI 自信地说“不”

该方法的一个重要特征是，AI 不只是直接猜测转变温度，而是重建完整的电子—振动相互作用谱。这种更丰富的描述使模型能够以平等的方式处理超导和非超导材料，并且在排除不良候选者方面表现非常出色。在测试中，BEE-NET 正确识别出非超导材料（转变温度低于 5 开尔文）的正确率超过 99%。在筛选庞大材料空间时，这一高“真阴性”率至关重要，因为它避免了在几乎肯定无用的材料上浪费昂贵的计算资源。

从数百万候选到数百优胜者

凭借这一 AI，团队构建了一个多步骤的 AI 加速发现流程。他们从两个主要来源开始：在线大型材料数据库中已知的金属化化合物，以及通过系统地将化学元素替换进已知晶体结构生成的超过一百万个新的假想材料。这些原始候选随后通过了一系列过滤器。其他机器学习模型快速检查材料是否可能呈金属性和热力学稳定性。BEE-NET 提供了对超导转变温度的快速初步估计，剔除了被预测低于 5 开尔文的材料。唯有幸存者才会接受更详尽的量子计算检查，包括基于晶格振动的稳定性测试。总计超过 130 万个初始结构被缩减到仅 741 个在金属性、动力学和热力学上稳定且经完全确认的临界温度高于 5 开尔文的化合物，其中 69 个的预测值高于 20 开尔文。

把预测变成真实的超导体

为了证明该工作流程产出的是实际材料而不仅是有前景的数据，研究者们选择了两个特别有吸引力的候选样品进行实验测试。两者都来源于已知的低温超导体 Be₂Nb₃，通过在晶体结构的特定位置上部分用铪（Hf）取代铌（Nb）而得到。实验室合成所提出的 Be₂Hf₂Nb 和 Be₂HfNb₂ 化合物并仔细分析其晶体结构后，团队测量了它们在低温下的电阻和热容。两种材料都显示出清晰的超导转变，证实了 AI 指导的预测，尽管由于结构无序和杂质，它们的实际临界温度比最乐观的理论估计略低。

这对未来材料意味着什么

该研究表明，将先进的机器学习与量子计算和有针对性的实验相结合，可以把超导体发现从试错过程变为系统化搜索。BEE-NET 及其周边工作流程能够在合理时间内扫描数百万种潜在材料，突出最有希望的几百种，并引导实验人员走向既稳定又可能呈现超导性的化合物。尽管当前模型侧重于某一类超导体和中等温度范围，同样的策略可扩展到不同压力条件和其他材料族。长期来看，这类 AI 驱动的流程可能会发现工作在更高温度并更具实用形式的超导体，从而为更高效的电力网、更快的电子器件和新的磁性技术打开大门。

引用: 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

关键词: 超导体, 机器学习, 材料发现, 图神经网络, 高通量筛选