L'IA vient de découvrir six nouveaux supraconducteurs en quelques jours : la science des matériaux à l'ère du calcul

Architecture et performances. Elements Claw utilise une architecture hybride « modèle atomique fondamental spécialisé + cadre intelligent général ». Son modèle atomique à 1 milliard de paramètres a été pré-entraîné sur une base de données de 125 millions de molécules et de structures cristallines ^F1. Le modèle prédit la supraconductivité avec une précision remarquable : une AUC de 0,996 et une erreur moyenne inférieure à 1 K lors de l'estimation de la température critique (Tc) ¹.

Un débit qui réécrit l'échelle de temps. Dans une démonstration d'efficacité impossible avec les méthodes traditionnelles, Elements Claw a passé au crible 2,4 millions de structures cristallines en seulement 28 heures GPU. À partir de ce criblage, il a identifié 68 000 candidats supraconducteurs à haute confiance ¹. L'équipe de recherche a ensuite sélectionné quatre candidats pour la synthèse et la vérification expérimentale. Les quatre ont été confirmés comme de véritables supraconducteurs :

• Hf₂₁Re₂₅ — un matériau précédemment ignoré par les bases de données existantes ^F
• Zr₄VRe₇ — un matériau confirmé après correction d'une erreur structurelle dans la base de données ^F
• HfZrRe₄ — une structure entièrement nouvelle conçue de toutes pièces par l'IA ^F
• Zr₃ScRe₈ — identifié par extrapolation de similarité structurelle ^F

La température critique la plus élevée confirmée parmi celles-ci a atteint 6,5 K ^S1. Les résultats ont été publiés sur arXiv, et toutes les données de prédiction ont été rendues publiques pour la communauté mondiale des chercheurs ^1H.

Rong Yu, responsable de l'intelligence scientifique à la DAMO Academy, a déclaré que ces travaux démontrent que « les agents d'IA peuvent découvrir de nouveaux matériaux » – une capacité qui, si elle est étendue à des régimes de température plus élevés, pourrait transformer les technologies de l'énergie, de l'informatique et du quantique ¹.

Consortium SuperC : l'apprentissage automatique rencontre la géométrie de Kagome

Quelques jours plus tôt, le 29 juin 2026, une collaboration de recherche internationale dirigée par la Professeure Päivi Törmä de l'Université d'Aalto – le consortium SuperC – a publié sa propre découverte de supraconducteur assistée par l'IA ^SHP.

Leur approche combinait un criblage à haut débit accéléré par apprentissage automatique avec des calculs de principes premiers (théorie de la fonctionnelle de la densité, ou DFT) pour cibler une famille structurelle spécifique et prometteuse : les réseaux kagomés ^1SP. Les réseaux kagomés, nommés d'après un motif de vannerie japonaise, sont considérés depuis longtemps comme un terrain fertile pour la supraconductivité car leur géométrie crée des bandes électroniques quasi plates avec une forte densité d'états ^P.

Le pipeline de ML a criblé le vaste espace combinatoire des matériaux kagomés de type 1:3:2, a signalé les candidats les plus prometteurs, les a affinés avec la DFT, et a orienté les expérimentateurs vers deux composés jusqu'alors inconnus : YRu₃B₂ et LuRu₃B₂ ^AL.

Les deux ont ensuite été synthétisés et leur supraconductivité massive a été confirmée par des mesures d'aimantation, de chaleur spécifique et de transport électrique ^AL. Les températures critiques rapportées vont de 0,63–0,95 K selon la mesure et l'échantillon, les deux matériaux présentant une supraconductivité faiblement couplée à basse température ^RFAAA.

Ces travaux, signés par Rose Albu Mustaf et al., ont été publiés dans Physical Review Research 8, 023308 (2026) ^SM. L'importance, comme l'a souligné la Professeure Törmä, est que le pipeline de ML peut filtrer un nombre « pratiquement infini » de combinaisons de matériaux, contournant les goulots d'étranglement de calcul traditionnels qui ont historiquement limité la découverte de supraconducteurs ^HP.

Ce que ces avancées parallèles signalent : un point d'inflexion pour l'industrie

Pris ensemble, ces deux percées marquent un net point d'inflexion dans la science des matériaux. Le passage est clair : de la sérendipité empirique à forte intensité de main-d'œuvre à la conception rationnelle guidée par le calcul. La comparaison est frappante :

Les deux efforts sont complémentaires dans leurs approches. Elements Claw démontre que des agents d'IA autonomes de bout en bout peuvent désormais planifier et exécuter la boucle complète de découverte – de la génération d'hypothèses au protocole expérimental ^F1. Le consortium SuperC, quant à lui, montre que le criblage accéléré par ML peut être combiné de manière productive avec des calculs basés sur la physique quantique pour naviguer dans de vastes espaces chimiques pour des géométries de réseau ciblées comme le kagomé ^1SP.

Une nuance importante : il ne s'agit pas encore de supraconductivité à température ambiante

Une nuance cruciale doit être clairement énoncée : les valeurs de Tc trouvées jusqu'à présent (0,6–6,5 K) sont toutes celles de supraconducteurs à basse température, nécessitant un refroidissement extrême à l'hélium liquide. Il ne s'agit pas de percées à température ambiante. L'importance de ces découvertes ne réside pas dans les températures de transition elles-mêmes, mais dans la rapidité et l'autonomie de la méthodologie de découverte.

Ce qui compte, c'est que le pipeline fonctionne. L'IA peut désormais orienter les chercheurs vers des supraconducteurs viables en une fraction du temps traditionnel, et ces prédictions peuvent être vérifiées expérimentalement. Si ces méthodes s'étendent à des régimes de température plus élevés – et il n'y a aucune raison fondamentale pour qu'elles ne le puissent pas – les implications pour le transport d'énergie, la lévitation magnétique, l'informatique quantique et l'imagerie médicale pourraient être transformatrices.

Comme l'a noté Huang Wenbing, professeur associé à l'Université Renmin, le même cadre d'agent d'IA pourrait être appliqué à d'autres défis de découverte de matériaux, notamment les électrolytes pour batteries à semi-conducteurs et les catalyseurs multiphasiques ¹.