La IA descubre 6 nuevos superconductores en cuestión de días: el fin del ensayo y error en la ciencia de materiales

Durante décadas, encontrar un nuevo superconductor implicaba años de síntesis, mediciones y una buena dosis de suerte. El universo conocido de materiales superconductores, catalogado en la base de datos SuperCon tras décadas de esfuerzo global, cuenta con apenas unos 2.000 registros ^F.

En cuestión de días, a finales de junio y principios de julio de 2026, ese paradigma cambió de forma decisiva. Dos investigaciones independientes —una liderada por Alibaba DAMO Academy, la otra por el consorcio internacional SuperC— anunciaron el descubrimiento de seis nuevos materiales superconductores, todos identificados y confirmados experimentalmente mediante métodos de inteligencia artificial. La velocidad, el alcance y la autonomía de estos hallazgos sugieren que la ciencia de materiales ha cruzado un umbral crítico.

Elements Claw de Alibaba: el primer agente autónomo de IA para descubrir superconductores

El 3 de julio de 2026, Alibaba DAMO Academy, en colaboración con la Universidad Renmin y la Universidad de la Academia China de las Ciencias, presentó Elements Claw, descrito como el primer agente de IA del mundo diseñado específicamente para el descubrimiento de superconductores ^SF1. Elements Claw no es una simple herramienta de predicción; es un sistema autónomo que puede leer literatura científica, evaluar la viabilidad de sintetizar un material y diseñar protocolos experimentales, imitando el flujo de trabajo completo de un científico de materiales humano ^FF.

Arquitectura y rendimiento. Elements Claw utiliza una arquitectura híbrida "modelo atómico especializado + marco inteligente general". Su modelo atómico de 1.000 millones de parámetros fue preentrenado en una base de datos de 125 millones de moléculas y estructuras cristalinas ^F1. El modelo predice la superconductividad con una precisión notable: un AUC de 0,996 y un error medio inferior a 1 K al estimar la temperatura crítica (Tc) ¹.

Rendimiento que reescribe la línea de tiempo. En una demostración de eficiencia imposible con métodos tradicionales, Elements Claw examinó 2,4 millones de estructuras cristalinas en solo 28 horas GPU. De ese análisis, identificó 68.000 candidatos a superconductor de alta confianza ¹. El equipo de investigación seleccionó luego cuatro candidatos para su síntesis y verificación experimental. Los cuatro se confirmaron como superconductores genuinos:

• Hf₂₁Re₂₅ — un material que había pasado desapercibido en bases de datos existentes ^F
• Zr₄VRe₇ — un material confirmado tras corregir un error estructural en la base de datos ^F
• HfZrRe₄ — una estructura completamente nueva diseñada desde cero por la IA ^F
• Zr₃ScRe₈ — identificado mediante extrapolación de similitud estructural ^F

La temperatura crítica más alta confirmada entre estos alcanzó los 6,5 K ^S1. Los resultados se publicaron en arXiv y todos los datos de predicción se han publicado en abierto para la comunidad científica mundial ^1H.

Rong Yu, responsable de inteligencia científica de DAMO Academy, declaró que el trabajo demuestra que "los agentes de IA pueden descubrir nuevos materiales", una capacidad que, si se escala a regímenes de temperatura más altos, podría transformar las tecnologías energéticas, informáticas y cuánticas ¹.

Consorcio SuperC: el aprendizaje automático se encuentra con la geometría kagome

Unos días antes, el 29 de junio de 2026, una colaboración internacional de investigación liderada por la profesora Päivi Törmä de la Universidad Aalto —el consorcio SuperC— publicó su propio descubrimiento de superconductores impulsado por IA ^SHP.

Su enfoque combinaba el cribado de alto rendimiento acelerado por aprendizaje automático con cálculos de primeros principios (teoría del funcional de la densidad, o DFT) para apuntar a una familia estructural específica y prometedora: las redes kagome ^1SP. Las redes kagome, que deben su nombre a un patrón japonés de cestería, se han considerado durante mucho tiempo un terreno fértil para la superconductividad porque su geometría crea bandas electrónicas casi planas con una alta densidad de estados ^P.

El proceso de aprendizaje automático examinó el vasto espacio combinatorio de materiales kagome 1:3:2, señaló los candidatos más prometedores, los refinó con DFT y dirigió a los experimentalistas hacia dos compuestos previamente desconocidos: YRu₃B₂ y LuRu₃B₂ ^AL.

Ambos se sintetizaron y se confirmó que presentan superconductividad de volumen mediante mediciones de magnetización, calor específico y transporte eléctrico ^AL. Las temperaturas críticas reportadas oscilan entre 0,63 y 0,95 K según la medición y la muestra, y ambos materiales muestran una superconductividad de baja temperatura y acoplamiento débil ^RFAAA.

El trabajo, firmado por Rose Albu Mustaf et al., se publicó en Physical Review Research 8, 023308 (2026) ^SM. La importancia, como destacó la profesora Törmä, es que el proceso de aprendizaje automático puede filtrar un número "prácticamente infinito" de combinaciones de materiales, sorteando los cuellos de botella computacionales tradicionales que históricamente han limitado el descubrimiento de superconductores ^HP.

Qué señalan estos avances paralelos: un punto de inflexión en la industria

En conjunto, estos dos avances marcan un claro punto de inflexión en la ciencia de materiales. El cambio es de la serendipia empírica intensiva en mano de obra al diseño racional guiado computacionalmente. La comparación es evidente:

Aspecto	Ensayo y error tradicional	Paradigma impulsado por IA
Espacio de búsqueda	Décadas para examinar ~2.000 superconductores conocidos (Base de datos SuperCon) F	Millones de candidatos en días
Tiempo por descubrimiento	Años de síntesis y medición iterativas	28 horas GPU para el cribado completo 1
Autonomía	Intuición humana y revisión manual de literatura	Agente de IA lee artículos de forma autónoma, propone candidatos y diseña experimentos F
Escalabilidad	Descubrimientos singulares, a menudo serendípicos	Procesos sistemáticos, repetibles y con datos abiertos P

Ambos esfuerzos son complementarios en sus enfoques. Elements Claw demuestra que los agentes autónomos de IA de extremo a extremo ya pueden planificar y ejecutar el ciclo completo de descubrimiento, desde la generación de hipótesis hasta el protocolo experimental ^F1. El consorcio SuperC, por su parte, muestra que el cribado acelerado por aprendizaje automático puede combinarse productivamente con cálculos basados en la física cuántica para navegar vastos espacios químicos en busca de geometrías de red específicas, como la kagome ^1SP.

Una advertencia importante: esto no es superconductividad a temperatura ambiente

Debe señalarse una advertencia crítica: los valores de Tc encontrados hasta ahora (0,6–6,5 K) son todos superconductores de baja temperatura, que requieren un enfriamiento extremo con helio líquido. No son avances a temperatura ambiente. La importancia de estos descubrimientos no reside en las temperaturas de transición en sí mismas, sino en la velocidad y autonomía de la metodología de descubrimiento.

Lo que importa es que el proceso funciona. Ahora la IA puede señalar a los investigadores superconductores viables en una fracción del tiempo tradicional, y esas predicciones pueden verificarse experimentalmente. Si estos métodos se escalan a regímenes de temperatura más alta —y no hay ninguna razón fundamental para que no puedan hacerlo— las implicaciones para la transmisión de energía, la levitación magnética, la computación cuántica y las imágenes médicas podrían ser transformadoras.

Como señaló Huang Wenbing, profesor asociado de la Universidad Renmin, el mismo marco de agente de IA podría aplicarse a otros desafíos de descubrimiento de materiales, incluidos los electrolitos de baterías de estado sólido y los catalizadores multifásicos ¹.