AI opdagede 6 nye superledere på få dage: Slut med trial-and-error i materialeforskning

I årtier har det at finde en ny superleder været det samme som års langstrakt syntese, måling og en god portion held. Det samlede antal kendte superledende materialer – indsamlet i SuperCon-databasen gennem årtiers global indsats – ligger på omkring 2.000 .

I løbet af få dage i slutningen af juni og starten af juli 2026 skiftede paradigmet markant. To uafhængige forskningsprojekter – ét ledet af Alibabas DAMO Academy og et andet af det internationale SuperC-konsortium – annoncerede opdagelsen af seks nye superledende materialer, alle identificeret og eksperimentelt bekræftet ved hjælp af AI-drevne metoder. Hastigheden, rækkevidden og autonomien i disse opdagelser tyder på, at materialevidenskaben har krydset en kritisk grænse.

Alibabas Elements Claw: Den første autonome AI-agent til superlederopdagelse

Den 3. juli 2026 afslørede Alibabas DAMO Academy i samarbejde med Renmin Universitet og Det Kinesiske Videnskabsakademis Universitet Elements Claw, beskrevet som industriens første AI-agent bygget specifikt til superlederopdagelse . Elements Claw er ikke et simpelt forudsigelsesværktøj; det er et autonomt system, der kan læse videnskabelig litteratur, vurdere gennemførligheden af at syntetisere et materiale og designe eksperimentelle protokoller – og dermed efterligne hele arbejdsgangen for en menneskelig materialeforsker .

Arkitektur og ydelse. Elements Claw bruger en hybrid "specialiseret atom-fundamentmodel + generel intelligent ramme". Dets 1-milliard-parameter-atommodel blev fortrænet på en database med 125 millioner molekyler og krystalstrukturer . Modellen forudsiger superledning med bemærkelsesværdig nøjagtighed: en AUC på 0,996 og en gennemsnitlig fejl på under 1 K, når den estimerer kritisk temperatur (Tc) .

Gennemstrømning, der omskriver tidslinjen. I en demonstration af effektivitet, der ville være umulig med traditionelle metoder, screenede Elements Claw 2,4 millioner krystalstrukturer på blot 28 GPU-timer. Fra den screening identificerede den 68.000 højkonfidente superledende kandidater . Forskerholdet udvalgte derefter fire kandidater til syntese og eksperimentel verifikation. Alle fire blev bekræftet som ægte superledere.

• Hf₂₁Re₂₅ – et materiale, der tidligere var overset i eksisterende databaser
• Zr₄VRe₇ – et materiale bekræftet efter korrektion af en strukturel fejl i databasen
• HfZrRe₄ – en helt ny struktur designet fra bunden af AI'en
• Zr₃ScRe₈ – identificeret gennem ekstrapolation af strukturel lighed

Den højeste bekræftede kritiske temperatur blandt disse nåede 6,5 K . Resultaterne blev offentliggjort på arXiv, og alle forudsigelsesdata er blevet open-sourcet til det globale forskningssamfund .

Rong Yu, leder af DAMO Academys videnskabelige intelligens, udtalte, at arbejdet viser, at "AI-agenter kan opdage nye materialer" – en evne, der, hvis den skaleres til højere temperaturområder, kunne transformere energi, computing og kvanteteknologi .

SuperC-konsortiet: Maskinlæring møder Kagome-geometri

Blot få dage tidligere, den 29. juni 2026, offentliggjorde et internationalt forskningssamarbejde ledet af Aalto Universitets professor Päivi Törmä – SuperC-konsortiet – sin egen AI-drevne superlederopdagelse .

Deres tilgang kombinerede maskinlæringsaccelereret high-throughput-screening med first-principles-beregninger (tæthedsfunktionalteori, DFT) for at målrette en specifik og lovende strukturel familie: kagome-gitre . Kagome-gitre, opkaldt efter et japansk kurvefletningsmønster, har længe været betragtet som frugtbar grund for superledning, fordi deres geometri skaber næsten flade elektroniske bånd med en høj tilstandstæthed .

ML-pipelinen screenede det enorme kombinatoriske rum af 1:3:2-kagome-materialer, flaggede de mest lovende kandidater, raffinerede dem med DFT og pegede eksperimentalforskere mod to tidligere ukendte forbindelser: YRu₃B₂ og LuRu₃B₂ .

Begge blev derefter syntetiseret og bekræftet at udvise volumen-superledning gennem magnetiserings-, specifik varme- og elektriske transportmålinger . De rapporterede kritiske temperaturer spænder fra 0,63–0,95 K afhængigt af måling og prøve, hvor begge materialer viser svagt koblet, lavtemperatur-superledning .

Arbejdet, forfattet af Rose Albu Mustaf et al., blev offentliggjort i Physical Review Research 8, 023308 (2026) . Betydningen, som understreget af professor Törmä, er, at ML-pipelinen kan filtrere et "praktisk talt uendeligt" antal materialekombinationer uden om de traditionelle beregningsmæssige flaskehalse, der historisk har begrænset superlederopdagelse .

Hvad disse parallelle fremskridt signalerer: Et branchemæssigt vendepunkt

Taget sammen markerer disse to gennembrud et klart vendepunkt i materialevidenskaben. Skiftet er fra arbejdskrævende empirisk serendipitet til beregningsstyret rationel design. Sammenligningen er slående:

Aspekt	Traditionel trial-and-error	AI-drevet paradigme
Søgerum	Årtier til at screene ~2.000 kendte superledere (SuperCon-databasen)	Millioner af kandidater på få dage
Tid pr. opdagelse	År med iterativ syntese og måling	28 GPU-timer til fuld screening
Autonomi	Menneskestyret intuition og manuel litteraturgennemgang	AI-agent læser selvstændigt artikler, foreslår kandidater, designer eksperimenter
Skalerbarhed	Enkeltstående opdagelser, ofte serendipitale	Systematisk, gentagelig og open-data-pipeline

De to indsatser er komplementære i deres tilgange. Elements Claw demonstrerer, at end-to-end autonome AI-agenter nu kan planlægge og udføre hele opdagelsesløkken – fra hypotese-generering til eksperimentel protokol . SuperC-konsortiet viser på den anden side, at ML-accelereret screening produktivt kan kombineres med kvantefysik-baserede beregninger for at navigere i store kemiske rum for målrettede gittergeometrier som kagome .

En vigtig forbehold: Dette er endnu ikke rumtemperatursuperledning

Et kritisk forbehold må nævnes direkte: de Tc-værdier, der er fundet indtil nu (0,6–6,5 K), er alle lavtemperatur-superledere, der kræver ekstrem nedkøling med flydende helium. Det er ikke rumtemperatur-gennembrud. Betydningen af disse opdagelser ligger ikke i overgangstemperaturerne i sig selv, men i hastigheden og autonomien af opdagelsesmetoden.

Det afgørende er, at pipelinen virker. AI kan nu pege forskere mod levedygtige superledere på en brøkdel af den traditionelle tid, og disse forudsigelser kan eksperimentelt bekræftes. Hvis disse metoder skaleres til højere temperaturområder – og der er ingen grundlæggende grund til, at de ikke kan – kan implikationerne for energitransmission, magnetisk levitation, kvantecomputere og medicinsk billeddannelse være transformative.

Som Huang Wenbing, lektor ved Renmin Universitet, bemærkede, kunne den samme AI-agent-ramme anvendes på andre materialeopdagelsesudfordringer, herunder faststof-batterielektrolytter og flerfasekatalysatorer .