AI objevila šest nových supravodičů během několika dní: Konec metody pokus-omyl ve vědě o materiálech

Architektura a výkon. Elements Claw využívá hybridní „specializovaný atomový fundamentální model + obecný inteligentní framework". Jeho atomový model s 1 miliardou parametrů byl předtrénován na databázi 125 milionů molekul a krystalových struktur ^F1. Model předpovídá supravodivost s pozoruhodnou přesností: AUC 0,996 a průměrná chyba při odhadu kritické teploty (Tc) je nižší než 1 K ¹.

Rychlost, která přepisuje časové harmonogramy. V ukázce efektivity, která by byla tradičními metodami nemožná, Elements Claw prověřil 2,4 milionu krystalových struktur za pouhých 28 GPU hodin. Z tohoto prověření identifikoval 68 000 vysoce důvěryhodných kandidátů na supravodiče ¹. Výzkumný tým poté vybral čtyři kandidáty k syntéze a experimentálnímu ověření. Všechny čtyři byly potvrzeny jako skutečné supravodiče:

• Hf₂₁Re₂₅ – materiál, který dříve unikal stávajícím databázím ^F
• Zr₄VRe₇ – materiál potvrzený po opravě strukturální chyby v databázi ^F
• HfZrRe₄ – zcela nová struktura navržená od nuly umělou inteligencí ^F
• Zr₃ScRe₈ – identifikovaný extrapolací strukturální podobnosti ^F

Nejvyšší potvrzená kritická teplota mezi nimi dosáhla 6,5 K ^S1. Výsledky byly zveřejněny na arXivu a všechna predikční data byla zpřístupněna celosvětové výzkumné komunitě ^1H.

Rong Yu, vedoucí vědecké inteligence v DAMO Academy, uvedl, že práce demonstruje, že „AI agenti dokážou objevovat nové materiály" – což je schopnost, která by po rozšíření do oblastí vyšších teplot mohla transformovat energetiku, výpočetní techniku a kvantové technologie ¹.

Konsorcium SuperC: Strojové učení se setkává s kagome geometrií

Jen o několik dní dříve, 29. června 2026, zveřejnila mezinárodní výzkumná spolupráce vedená profesorkou Päivi Törmä z Aalto University – konsorcium SuperC – svůj vlastní objev supravodiče poháněný AI ^SHP.

Jejich přístup kombinoval high-throughput screening urychlený strojovým učením s výpočty z prvních principů (teorie funkcionálu hustoty, DFT) a zaměřil se na specifickou a slibnou strukturální rodinu: kagome mřížky ^1SP. Kagome mřížky, pojmenované podle japonského vzoru pletení košíků, jsou dlouho považovány za úrodnou půdu pro supravodivost, protože jejich geometrie vytváří téměř ploché elektronické pásy s vysokou hustotou stavů ^P.

ML pipeline prověřila obrovský kombinatorický prostor kagome materiálů typu 1:3:2, označila nejslibnější kandidáty, upřesnila je pomocí DFT a nasměrovala experimentátory ke dvěma dříve neznámým sloučeninám: YRu₃B₂ a LuRu₃B₂ ^AL.

Obě byly poté syntetizovány a u nich byla potvrzena objemová supravodivost prostřednictvím měření magnetizace, měrného tepla a elektrického transportu ^AL. Uváděné kritické teploty se pohybují v rozmezí 0,63–0,95 K v závislosti na měření a vzorku, přičemž oba materiály vykazují slabě vázanou nízkoteplotní supravodivost ^RFAAA.

Práce, jejímž autorem je Rose Albu Mustaf a kol., byla publikována v Physical Review Research 8, 023308 (2026) ^SM. Jak zdůraznila profesorka Törmä, ML pipeline dokáže filtrovat „prakticky nekonečné" množství kombinací materiálů, čímž obchází tradiční výpočetní úzká hrdla, která historicky omezovala objevování supravodičů ^HP.

Co tyto paralelní pokroky signalizují: Inflexní bod v oboru

Dohromady tyto dva průlomy označují jasný inflexní bod v materiálové vědě. Posun je od pracné empirické náhody k výpočetně řízenému racionálnímu designu. Srovnání je výmluvné:

Oba přístupy se vzájemně doplňují. Elements Claw demonstruje, že end-to-end autonomní AI agenti nyní dokážou naplánovat a provést celý cyklus objevování – od generování hypotéz po experimentální protokol ^F1. Konsorcium SuperC mezitím ukazuje, že ML-urychlený screening lze produktivně kombinovat s výpočty založenými na kvantové fyzice k navigaci obrovskými chemickými prostory pro cílené geometrie mřížek, jako je kagome ^1SP.

Důležité upozornění: Zatím to není supravodivost při pokojové teplotě

Je nutné uvést kritické upozornění: nalezené hodnoty Tc (0,6–6,5 K) jsou všechny nízkoteplotní supravodiče vyžadující extrémní chlazení kapalným heliem. Nejedná se o průlomy v oblasti pokojové teploty. Význam těchto objevů nespočívá v samotných přechodových teplotách, ale v rychlosti a autonomii metodologie objevování.

Důležité je, že pipeline funguje. AI nyní dokáže výzkumníkům ukázat cestu k životaschopným supravodičům ve zlomku tradičního času a tyto předpovědi lze experimentálně ověřit. Pokud se tyto metody rozšíří do oblastí vyšších teplot – a neexistuje žádný zásadní důvod, proč by nemohly – důsledky pro přenos energie, magnetickou levitaci, kvantové počítání a lékařské zobrazování by mohly být transformační.

Jak poznamenal Huang Wenbing, docent na Renmin University, stejný rámec AI agenta by mohl být aplikován na další výzvy v oblasti objevování materiálů, včetně elektrolytů pro pevné baterie a vícefázových katalyzátorů ¹.