AI גילתה 6 מוליכי-על חדשים בתוך ימים — ומהפכה במדעי החומרים

ארכיטקטורה וביצועים. Elements Claw משתמש בארכיטקטורה היברידית של "מודל יסוד אטומי מיוחד + מסגרת בינה כללית". מודל האטום עם פרמטר אחד (1B) אומן מראש על מאגר נתונים של 125 מיליון מולקולות ומבנים קריסטליים . המודל חוזה מוליכות-על בדיוק יוצא דופן: AUC של 0.996 ושגיאה ממוצעת של פחות מ-1K בהערכת הטמפרטורה הקריטית (Tc) .

תפוקה שמשכתבת את לוחות הזמנים. בהדגמה של יעילות שתהיה בלתי אפשרית בשיטות מסורתיות, Elements Claw סרק 2.4 מיליון מבנים קריסטליים תוך 28 שעות GPU בלבד. מתוך סריקה זו, הוא זיהה 68,000 מועמדים בעלי ביטחון גבוה למוליכות-על . צוות המחקר בחר לאחר מכן ארבעה מועמדים לסינתזה ואימות ניסויי. כל הארבעה אושרו כמוליכי-על אמיתיים:

• Hf₂₁Re₂₅ – חומר שהוחמץ בעבר על ידי מאגרי נתונים קיימים
• Zr₄VRe₇ – חומר שאושר לאחר תיקון שגיאה מבנית במאגר
• HfZrRe₄ – מבנה חדש לחלוטין שעוצב מאפס על ידי ה-AI
• Zr₃ScRe₈ – זוהה באמצעות אקסטרפולציה של דמיון מבני

הטמפרטורה הקריטית הגבוהה ביותר שאושרה הגיעה ל-6.5K . התוצאות פורסמו ב-arXiv, וכל נתוני החיזוי נחשפו כקוד פתוח לקהילת המחקר העולמית .

רונג יו, ראש תחום מודיעין מדעי ב-DAMO Academy, הצהיר כי העבודה מוכיחה ש"סוכני AI יכולים לגלות חומרים חדשים" – יכולת שאם תוגבר לטווחי טמפרטורות גבוהים יותר, עלולה לשנות את פני תחומי האנרגיה, המחשוב והטכנולוגיות הקוונטיות .

קונסורציום SuperC: למידת מכונה פוגשת את גאומטריית הקגומה

ימים ספורים קודם לכן, ב-29 ביוני 2026, פרסם שיתוף פעולה מחקרי בינלאומי בהובלת הפרופסור פייבי תורמה מאוניברסיטת אלטו – קונסורציום SuperC – את תגלית מוליך-העל המבוססת AI משלו .

הגישה שלהם שילבה סריקה מהירה מואצת למידת מכונה עם חישובי עקרונות ראשונים (תיאוריית פונקציונל הצפיפות, DFT) כדי להתמקד במשפחה מבנית מבטיחה אחת: סריגי קגומה . סריגי קגומה, הקרויים על שם דוגמת אריגת סלים יפנית, נחשבו זה מכבר לקרקע פורייה למוליכות-על משום שהגאומטריה שלהם יוצרת להקות אלקטרוניות כמעט שטוחות עם צפיפות מצבים גבוהה .

צינור ה-ML סרק את המרחב הקומבינטורי העצום של חומרי 1:3:2 מסוג קגומה, סימן את המועמדים המבטיחים ביותר, חידד אותם עם DFT, והפנה את הנסיינים לשני תרכובות לא ידועות קודם לכן: YRu₃B₂ ו-LuRu₃B₂ .

שתיהן סונתזו ולאחר מכן אושרו כמציגות מוליכות-על נפחית באמצעות מדידות מגנטיזציה, חום סגולי והובלה חשמלית . הטמפרטורות הקריטיות המדווחות נעות בין 0.63-0.95K בהתאם למדידה ולדגימה, כששני החומרים מציגים מוליכות-על חלשה בטמפרטורה נמוכה .

העבודה, מאת רוז אלבו מוסטף ושותפים, פורסמה ב-Physical Review Research 8, 023308 (2026) . המשמעות, כפי שהדגישה פרופסור תורמה, היא שצינור ה-ML יכול לסנן מספר "כמעט אינסופי" של צירופי חומרים, תוך עקיפת צווארי בקבוק חישוביים מסורתיים שהגבילו היסטורית את גילוי מוליכי-העל .

מה שתי ההתקדמויות המקבילות האלה מסמנות: נקודת מפנה בתעשייה

יחד, שתי פריצות הדרך הללו מסמנות נקודת מפנה ברורה במדעי החומרים. המעבר הוא מ-סריפתיות אמפירית אינטנסיבית ל-תכנון רציונלי מונחה חישוב. ההשוואה בולטת:

שני המאמצים משלימים זה את זה בגישתם. Elements Claw מדגים שסוכני AI אוטונומיים מקצה לקצה יכולים כעת לתכנן ולבצע את לולאת הגילוי המלאה – מהפקת השערה ועד פרוטוקול ניסוי . קונסורציום SuperC, מצדו, מראה שניתן לשלב סריקה מואצת ML באופן פרודוקטיבי עם חישובים מבוססי פיזיקה קוונטית כדי לנווט במרחבים כימיים עצומים עבור גאומטריות סריג ממוקדות כמו קגומה .

הסתייגות חשובה: זו עדיין אינה מוליכות-על בטמפרטורת חדר

הסתייגות קריטית חייבת להיאמר בצורה ברורה: ערכי ה-Tc שנמצאו עד כה (0.6-6.5K) כולם מוליכי-על בטמפרטורה נמוכה, הדורשים קירור קיצוני עם הליום נוזלי. אלה אינן פריצות דרך בטמפרטורת החדר. המשמעות של תגליות אלה אינה בטמפרטורות המעבר עצמן, אלא במהירות ובאוטונומיה של מתודולוגיית הגילוי.

החשוב הוא שהצינור עובד. AI יכול כעת להפנות חוקרים לעבר מוליכי-על ברי-קיימא בחלקיק מהזמן המסורתי, וניתן לאמת תחזיות אלה ניסויית. אם שיטות אלה יתרחבו לטווחי טמפרטורה גבוהים יותר – ואין סיבה מהותית שזה לא יקרה – ההשלכות על הולכת אנרגיה, ריחוף מגנטי, מחשוב קוונטי והדמיה רפואית עשויות להיות מהפכניות.

כפי שציין הואנג וונבינג, פרופסור חבר באוניברסיטת רנמין, אותה מסגרת סוכן AI יכולה להיות מיושמת על אתגרי גילוי חומרים אחרים, כולל אלקטרוליטים לסוללות מצב מוצק וזרזים מרובי-פאזות .