AI Temukan 6 Superkonduktor Baru dalam Hitungan Hari: Akhir dari Metode Trial-and-Error dalam Ilmu Material

Arsitektur dan performa. Elements Claw menggunakan arsitektur hybrid "model dasar atom khusus + kerangka kerja cerdas umum." Model atom berkekuatan 1 miliar parameter ini dilatih sebelumnya pada database 125 juta molekul dan struktur kristal ^F1. Model ini memprediksi superkonduktivitas dengan akurasi luar biasa: AUC 0,996 dan kesalahan rata-rata di bawah 1 K saat memperkirakan suhu kritis (Tc) ¹.

Throughput yang menulis ulang garis waktu. Dalam demonstrasi efisiensi yang mustahil dilakukan dengan metode tradisional, Elements Claw menyaring 2,4 juta struktur kristal hanya dalam 28 jam GPU. Dari penyaringan itu, ia mengidentifikasi 68.000 kandidat superkonduktor dengan keyakinan tinggi ¹. Tim peneliti kemudian memilih empat kandidat untuk sintesis dan verifikasi eksperimental. Keempatnya dikonfirmasi sebagai superkonduktor asli:

• Hf₂₁Re₂₅ — material yang sebelumnya terlewatkan oleh database yang ada ^F
• Zr₄VRe₇ — material yang dikonfirmasi setelah memperbaiki kesalahan struktur dalam database ^F
• HfZrRe₄ — struktur yang sepenuhnya baru dirancang dari awal oleh AI ^F
• Zr₃ScRe₈ — diidentifikasi melalui ekstrapolasi kesamaan struktur ^F

Suhu kritis tertinggi yang dikonfirmasi mencapai 6,5 K ^S1. Hasilnya dipublikasikan di arXiv, dan semua data prediksi telah dibuka untuk komunitas riset global ^1H.

Rong Yu, pimpinan scientific intelligence DAMO Academy, menyatakan bahwa karya ini menunjukkan "AI agen dapat menemukan material baru"—kemampuan yang, jika ditingkatkan ke rezim suhu yang lebih tinggi, dapat mengubah energi, komputasi, dan teknologi kuantum ¹.

Konsorsium SuperC: Machine Learning Bertemu Geometri Kagome

Hanya beberapa hari sebelumnya, pada 29 Juni 2026, kolaborasi riset internasional yang dipimpin oleh Profesor Päivi Törmä dari Aalto University—konsorsium SuperC—mempublikasikan penemuan superkonduktor bertenaga AI mereka sendiri ^SHP.

Pendekatan mereka menggabungkan penyaringan throughput tinggi yang dipercepat machine learning dengan kalkulasi prinsip pertama (density functional theory, atau DFT) untuk menargetkan keluarga struktural yang spesifik dan menjanjikan: kisi-kisi kagome ^1SP. Kisi kagome, dinamai sesuai pola anyaman keranjang Jepang, telah lama dianggap sebagai lahan subur untuk superkonduktivitas karena geometrinya menciptakan pita elektronik yang hampir datar dengan kepadatan keadaan yang tinggi ^P.

Pipeline ML menyaring ruang kombinatorial yang luas dari material kagome 1:3:2, menandai kandidat yang paling menjanjikan, menyempurnakannya dengan DFT, dan mengarahkan para eksperimentalis ke dua senyawa yang sebelumnya tidak diketahui: YRu₃B₂ dan LuRu₃B₂ ^AL.

Keduanya kemudian disintesis dan dikonfirmasi menunjukkan superkonduktivitas massal melalui pengukuran magnetisasi, kapasitas panas, dan transportasi listrik ^AL. Suhu kritis yang dilaporkan berkisar dari 0,63–0,95 K tergantung pada pengukuran dan sampel, dengan kedua material menunjukkan superkonduktivitas suhu rendah yang terkopel lemah ^RFAAA.

Karya ini, yang ditulis oleh Rose Albu Mustaf dkk., diterbitkan di Physical Review Research 8, 023308 (2026) ^SM. Signifikansinya, seperti yang disoroti oleh Profesor Törmä, adalah bahwa pipeline ML dapat menyaring kombinasi material yang "hampir tak terbatas", melewati hambatan komputasi tradisional yang selama ini membatasi penemuan superkonduktor ^HP.

Apa yang Disinyalir oleh Kemajuan Paralel Ini: Titik Infleksi Industri

Jika digabungkan, dua terobosan ini menandai titik infleksi yang jelas dalam ilmu material. Perubahan terjadi dari serendipitas empiris yang padat karya menjadi desain rasional yang dipandu komputasi. Perbandingannya sangat mencolok:

Kedua upaya ini saling melengkapi dalam pendekatan mereka. Elements Claw menunjukkan bahwa AI agen otonom ujung-ke-ujung kini dapat merencanakan dan mengeksekusi seluruh siklus penemuan—dari pembuatan hipotesis hingga protokol eksperimental ^F1. Konsorsium SuperC, sementara itu, menunjukkan bahwa penyaringan yang dipercepat ML dapat digabungkan secara produktif dengan kalkulasi berbasis fisika kuantum untuk menavigasi ruang kimia yang luas untuk geometri kisi yang ditargetkan seperti kagome ^1SP.

Catatan Penting: Ini Belum Superkonduktivitas Suhu Kamar

Sebuah catatan penting harus dinyatakan dengan jelas: nilai Tc yang ditemukan sejauh ini (0,6–6,5 K) semuanya adalah superkonduktor suhu rendah, yang membutuhkan pendinginan ekstrem dengan helium cair. Ini bukan terobosan suhu kamar. Signifikansi penemuan ini bukan pada suhu transisi itu sendiri, tetapi pada kecepatan dan otonomi metodologi penemuan.

Yang penting adalah bahwa pipeline berfungsi. AI kini dapat mengarahkan peneliti ke superkonduktor yang layak dalam waktu yang jauh lebih singkat dibandingkan metode tradisional, dan prediksi tersebut dapat diverifikasi secara eksperimental. Jika metode ini ditingkatkan ke rezim suhu yang lebih tinggi—dan tidak ada alasan mendasar mengapa hal itu tidak dapat dilakukan—implikasinya terhadap transmisi energi, levitasi magnetik, komputasi kuantum, dan pencitraan medis bisa sangat transformatif.

Seperti yang dicatat oleh Huang Wenbing, seorang profesor asosiasi di Renmin University, kerangka kerja AI agen yang sama dapat diterapkan pada tantangan penemuan material lainnya, termasuk elektrolit baterai solid-state dan katalis multi-fase ¹.