KI entdeckt sechs neue Supraleiter in wenigen Tagen: Das Ende der Trial-and-Error-Materialwissenschaft

Architektur und Leistung. Elements Claw verwendet eine hybride "spezialisierte atomare Grundmodell + allgemeines intelligentes Framework". Sein 1-Milliarden-Parameter-Atommodell wurde auf einer Datenbank mit 125 Millionen Molekülen und Kristallstrukturen vortrainiert ^F1. Das Modell sagt Supraleitung mit bemerkenswerter Genauigkeit voraus: einem AUC von 0,996 und einem durchschnittlichen Fehler von unter 1 K bei der Schätzung der kritischen Temperatur (Tc) ¹.

Durchsatz, der die Zeitachse neu schreibt. In einer Demonstration von Effizienz, die mit herkömmlichen Methoden unmöglich wäre, durchsuchte Elements Claw 2,4 Millionen Kristallstrukturen in nur 28 GPU-Stunden. Aus dieser Durchsuchung identifizierte es 68.000 vielversprechende supraleitende Kandidaten ¹. Das Forschungsteam wählte dann vier Kandidaten für die Synthese und experimentelle Verifizierung aus. Alle vier wurden als echte Supraleiter bestätigt:

• Hf₂₁Re₂₅ – ein Material, das in bestehenden Datenbanken zuvor übersehen wurde ^F
• Zr₄VRe₇ – ein Material, das nach Korrektur eines Strukturfehlers in der Datenbank bestätigt wurde ^F
• HfZrRe₄ – eine völlig neue, von der KI von Grund auf entworfene Struktur ^F
• Zr₃ScRe₈ – identifiziert durch Extrapolation struktureller Ähnlichkeiten ^F

Die höchste bestätigte kritische Temperatur erreichte 6,5 K ^S1. Die Ergebnisse wurden auf arXiv veröffentlicht, und alle Vorhersagedaten wurden für die globale Forschungsgemeinschaft als Open Source bereitgestellt ^1H.

Rong Yu, Leiter der Scientific Intelligence bei der DAMO Academy, erklärte, die Arbeit zeige, dass "KI-Agenten neue Materialien entdecken können" – eine Fähigkeit, die, wenn sie auf höhere Temperaturbereiche skaliert wird, die Energie-, Computer- und Quantentechnologien verändern könnte ¹.

SuperC-Konsortium: Maschinelles Lernen trifft auf Kagome-Geometrie

Nur wenige Tage zuvor, am 29. Juni 2026, veröffentlichte eine internationale Forschungskooperation unter der Leitung von Professor Päivi Törmä von der Aalto-Universität – das SuperC-Konsortium – ihre eigene KI-gestützte Supraleiter-Entdeckung ^SHP.

Ihr Ansatz kombinierte maschinell lernbeschleunigtes Hochdurchsatz-Screening mit First-Principles-Berechnungen (Dichtefunktionaltheorie, DFT), um eine bestimmte und vielversprechende Strukturfamilie gezielt zu untersuchen: Kagome-Gitter ^1SP. Kagome-Gitter, benannt nach einem japanischen Korbfl echtmuster, gelten seit langem als fruchtbarer Boden für Supraleitung, da ihre Geometrie nahezu flache elektronische Bänder mit einer hohen Zustandsdichte erzeugt ^P.

Die ML-Pipeline durchsuchte den riesigen kombinatorischen Raum von 1:3:2-Kagome-Materialien, markierte die vielversprechendsten Kandidaten, verfeinerte sie mit DFT und wies Experimentalphysiker auf zwei bisher unbekannte Verbindungen hin: YRu₃B₂ und LuRu₃B₂ ^AL.

Beide wurden dann synthetisiert und durch Magnetisierungs-, spezifische Wärme- und elektrische Transportmessungen als echte Supraleiter bestätigt ^AL. Die berichteten kritischen Temperaturen liegen je nach Messung und Probe zwischen 0,63–0,95 K, wobei beide Materialien schwach gekoppelte Tieftemperatur-Supraleitung aufweisen ^RFAAA.

Die Arbeit, verfasst von Rose Albu Mustaf et al., wurde in Physical Review Research 8, 023308 (2026) veröffentlicht ^SM. Die Bedeutung, so Professor Törmä, liegt darin, dass die ML-Pipeline eine "praktisch unendliche" Anzahl von Materialkombinationen filtern kann und so traditionelle rechnerische Engpässe umgeht, die die Supraleiter-Entdeckung bisher eingeschränkt haben ^HP.

Was diese parallelen Fortschritte signalisieren: Ein Wendepunkt für die Branche

Zusammen genommen markieren diese beiden Durchbrüche einen klaren Wendepunkt in der Materialwissenschaft. Der Wandel vollzieht sich von der arbeitsintensiven empirischen Serendipität hin zum rechnergestützten rationalen Design. Der Vergleich ist frappierend:

Die beiden Ansätze sind in ihrer Herangehensweise komplementär. Elements Claw demonstriert, dass End-to-End-autonome KI-Agenten nun den gesamten Entdeckungszyklus planen und ausführen können – von der Hypothesengenerierung bis zum Versuchsprotokoll ^F1. Das SuperC-Konsortium zeigt hingegen, dass ML-beschleunigtes Screening produktiv mit quantenphysikbasierten Berechnungen kombiniert werden kann, um riesige chemische Räume für gezielte Gittergeometrien wie Kagome zu navigieren ^1SP.

Ein wichtiger Vorbehalt: Dies ist noch keine Raumtemperatur-Supraleitung

Ein entscheidender Vorbehalt muss klar ausgesprochen werden: Die bisher gefundenen Tc-Werte (0,6–6,5 K) liegen alle im Bereich der Tieftemperatur-Supraleitung und erfordern extreme Kühlung mit flüssigem Helium. Es handelt sich nicht um Durchbrüche bei Raumtemperatur. Die Bedeutung dieser Entdeckungen liegt nicht in den Übergangstemperaturen selbst, sondern in der Geschwindigkeit und Autonomie der Entdeckungsmethodik.

Entscheidend ist, dass die Pipeline funktioniert. KI kann Forscher nun in einem Bruchteil der traditionellen Zeit auf realistische Supraleiter hinweisen, und diese Vorhersagen können experimentell verifiziert werden. Wenn diese Methoden auf höhere Temperaturbereiche skaliert werden – und es gibt keinen grundsätzlichen Grund, warum dies nicht möglich sein sollte –, könnten die Auswirkungen auf Energieübertragung, Magnetschwebebahnen, Quantencomputing und medizinische Bildgebung transformativ sein.

Wie Huang Wenbing, außerordentlicher Professor an der Renmin-Universität, anmerkte, könnte dasselbe KI-Agenten-Framework auf andere Herausforderungen der Materialentdeckung angewendet werden, darunter Festkörperbatterie-Elektrolyte und Mehrphasen-Katalysatoren ¹.