Tekoäly löysi kuusi uutta suprajohtajaa päivissä

Arkkitehtuuri ja suorituskyky. Elements Claw käyttää hybridimallia, jossa on erikoistunut perusatomimalli ja yleinen älykäs viitekehys. Sen miljardin parametrin atomimalli on esikoulutettu 125 miljoonan molekyylin ja kidemallin tietokannalla ^F1. Malli ennustaa suprajohtavuutta erittäin tarkasti: AUC on 0,996 ja kriittisen lämpötilan (Tc) keskimääräinen ennustevirhe on alle 1 K ¹.

Tehokkuus, joka määrittelee uudelleen aikataulut. Perinteisillä menetelmillä mahdottomassa tehokkuuden osoituksessa Elements Claw seuloi 2,4 miljoonaa kidemallia vain 28 GPU-tunnissa. Seulonnan perusteella se tunnisti 68 000 luotettavaa suprajohtavuusehdokasta ¹. Tutkimusryhmä valitsi näistä neljä kandidaattia synteesiä ja kokeellista vahvistusta varten. Kaikki neljä vahvistettiin aidoiksi suprajohteiksi:

• Hf₂₁Re₂₅ – materiaali, joka oli aiemmin jäänyt huomaamatta tietokannoista ^F
• Zr₄VRe₇ – materiaali, joka vahvistettiin tietokannan rakennetiedon virheen korjaamisen jälkeen ^F
• HfZrRe₄ – täysin uusi rakenne, jonka tekoäly suunnitteli tyhjästä ^F
• Zr₃ScRe₈ – materiaali, joka löydettiin rakenteellisen samankaltaisuuden avulla ^F

Korkein vahvistettu kriittinen lämpötila on 6,5 K ^S1. Tulokset on julkaistu arXiv-palvelussa, ja kaikki ennustetiedot on avoimesti saatavilla tutkijayhteisölle ^1H.

DAMO-akatemian tieteellisen tekoälyn johtaja Rong Yu totesi, että työ osoittaa "tekoälyagenttien kykenevän löytämään uusia materiaaleja" – kyky, joka korkeampiin lämpötiloihin siirrettynä voisi mullistaa energia-, tietotekniikka- ja kvanttiteknologiat ¹.

SuperC-konsortio: Koneoppiminen kohtaa kagome-geometrian

Vain muutama päivä aiemmin, 29. kesäkuuta 2026, kansainvälinen tutkimusryhmä – SuperC-konsortio, jota johtaa Aalto-yliopiston professori Päivi Törmä – julkaisi oman tekoälypohjaisen suprajohteen löytönsä ^SHP.

Heidän menetelmänsä yhdisti koneoppimisnopeutetun suurtehoseulonnan ja kvanttimekaniikan periaatteisiin perustuvat laskelmat (tiheysfunktionaaliteoria, DFT) keskittyen tiettyyn ja lupaavaan rakennetyyppiin: kagome-hiloihin ^1SP. Kagome-hilat, jotka on nimetty japanilaisen kudontakuvion mukaan, ovat jo pitkään olleet lupaavia suprajohteiden etsinnässä, koska niiden geometria luo lähes tasaisia elektronivyöhykkeitä, joilla on suuri tilatiheys ^P.

Koneoppimisputkisto seuloi laajan 1:3:2-kagome-materiaalien yhdistelmäavaruuden, merkitsi lupaavimmat kandidaatit, tarkensi niitä DFT:n avulla ja ohjasi kokeelliset tutkijat kahteen aiemmin tuntemattomaan yhdisteeseen: YRu₃B₂ ja LuRu₃B₂ ^AL.

Molemmat yhdisteet syntetisoitiin ja niiden todettiin olevan bulkkisuprajohteita magnetisaatio-, ominaislämpö- ja sähkönjohtavuusmittauksissa ^AL. Raportoidut kriittiset lämpötilat vaihtelevat välillä 0,63–0,95 K mittausmenetelmästä ja näytteestä riippuen, ja molemmat materiaalit osoittavat heikosti kytkettyä, matalan lämpötilan suprajohtavuutta ^RFAAA.

Tutkimus, jonka ensimmäinen kirjoittaja on Rose Albu Mustaf, julkaistiin lehdessä Physical Review Research 8, 023308 (2026) ^SM. Kuten professori Törmä korosti, koneoppimisputkisto pystyy suodattamaan "käytännöllisesti katsoen äärettömän" määrän materiaaliyhdistelmiä ohittaen perinteiset laskennalliset pullonkaulat, jotka ovat historiallisesti rajoittaneet suprajohteiden löytämistä ^HP.

Mitä nämä rinnakkaiset edistysaskeleet merkitsevät: alan käännekohta

Yhdessä nämä kaksi läpimurtoa merkitsevät selvää käännekohtaa materiaalitieteessä. Kyse on työvoimavaltaisesta empiirisestä sattumasta siirtymisestä laskennallisesti ohjattuun rationaaliseen suunnitteluun. Vertailu on selvä:

Näiden kahden menetelmän lähestymistavat täydentävät toisiaan. Elements Claw osoittaa, että päästä päähän autonomiset tekoälyagentit pystyvät nyt suunnittelemaan ja toteuttamaan koko löytösilmukan – hypoteesin muodostuksesta koeprotokollaan ^F1. SuperC-konsortio puolestaan osoittaa, että koneoppimisnopeutettu seulonta voidaan yhdistää hedelmällisesti kvanttimekaniikkaan perustuviin laskelmiin, jotta voidaan navigoida laajoissa kemiallisissa avaruuksissa kohdennettujen hilageometrioiden, kuten kagomeen, löytämiseksi ^1SP.

Tärkeä huomautus: Kyseessä eivät vielä ole huoneenlämmön suprajohteet

Tärkeä varoitus on sanottava selkeästi: tähän mennessä löydetyt Tc-arvot (0,6–6,5 K) ovat kaikki matalan lämpötilan suprajohteita, jotka vaativat erittäin kylmää nestemäistä heliumia. Nämä eivät ole huoneenlämmön läpimurtoja. Löytöjen merkitys ei ole niiden siirtymälämpötiloissa, vaan löytömenetelmän nopeudessa ja autonomiassa.

Tärkeintä on, että putkisto toimii. Tekoäly pystyy nyt osoittamaan tutkijoille käyttökelpoisia suprajohteita murto-osassa perinteisestä ajasta, ja nämä ennusteet voidaan vahvistaa kokeellisesti. Jos nämä menetelmät skaalautuvat korkeampiin lämpötiloihin – eikä tälle ole mitään perustavanlaatuista estettä – seuraukset energiansiirrolle, magneettiselle levitaatiolle, kvanttilaskennalle ja lääketieteelliselle kuvantamiselle voivat olla mullistavia.

Kuten Renmin-yliopiston apulaisprofessori Huang Wenbing totesi, samaa tekoälyagenttikehystä voitaisiin soveltaa muihin materiaalitieteen haasteisiin, kuten kiinteän olomuodon akkujen elektrolyytteihin ja monivaihekatalyytteihin ¹.