L'IA ha scoperto 6 nuovi superconduttori in pochi giorni: la scienza dei materiali non sarà più la stessa

Architettura e prestazioni. Elements Claw utilizza un'architettura ibrida "modello atomico di fondazione specializzato + framework intelligente generale". Il suo modello atomico da 1 miliardo di parametri è stato pre-addestrato su un database di 125 milioni di molecole e strutture cristalline . Il modello prevede la superconduttività con una precisione notevole: un AUC di 0,996 e un errore medio inferiore a 1 K nella stima della temperatura critica (Tc) .

Una produttività che riscrive i tempi. In una dimostrazione di efficienza impossibile con i metodi tradizionali, Elements Claw ha analizzato 2,4 milioni di strutture cristalline in appena 28 ore GPU. Da questa analisi, ha identificato 68.000 candidati superconduttori ad alta confidenza . Il team di ricerca ha poi selezionato quattro candidati per la sintesi e la verifica sperimentale. Tutti e quattro sono stati confermati come veri superconduttori:

• Hf₂₁Re₂₅ — un materiale precedentemente sfuggito ai database esistenti
• Zr₄VRe₇ — un materiale confermato dopo aver corretto un errore strutturale nel database
• HfZrRe₄ — una struttura completamente nuova progettata da zero dall'IA
• Zr₃ScRe₈ — identificato attraverso l'estrapolazione per similarità strutturale

La temperatura critica più alta confermata ha raggiunto 6,5 K . I risultati sono stati pubblicati su arXiv e tutti i dati di previsione sono stati resi open source per la comunità scientifica globale .

Rong Yu, responsabile della scientific intelligence di DAMO Academy, ha dichiarato che il lavoro dimostra che "gli agenti IA possono scoprire nuovi materiali" — una capacità che, se estesa a regimi di temperatura più elevati, potrebbe trasformare i settori dell'energia, dell'informatica e delle tecnologie quantistiche .

Consorzio SuperC: il machine learning incontra la geometria kagome

Solo pochi giorni prima, il 29 giugno 2026, una collaborazione internazionale guidata dalla Professoressa Päivi Törmä dell'Università di Aalto — il consorzio SuperC — aveva pubblicato la propria scoperta di superconduttori basata sull'IA .

Il loro approccio combinava lo screening ad alta produttività accelerato dal machine learning con calcoli basati sui primi principi (teoria del funzionale della densità, DFT) per colpire una famiglia strutturale specifica e promettente: i reticoli kagome . I reticoli kagome, che prendono il nome da un motivo di intreccio giapponese per cesti, sono da tempo considerati un terreno fertile per la superconduttività perché la loro geometria crea bande elettroniche quasi piatte con un'alta densità di stati .

La pipeline di ML ha analizzato il vasto spazio combinatorio dei materiali kagome 1:3:2, ha segnalato i candidati più promettenti, li ha raffinati con la DFT e ha indicato agli sperimentatori due composti precedentemente sconosciuti: YRu₃B₂ e LuRu₃B₂ .

Entrambi sono stati poi sintetizzati e si è confermato che presentano superconduttività di bulk attraverso misurazioni di magnetizzazione, calore specifico e trasporto elettrico . Le temperature critiche riportate vanno da 0,63 a 0,95 K a seconda della misurazione e del campione, con entrambi i materiali che mostrano una superconduttività a bassa temperatura e accoppiamento debole .

Il lavoro, a cura di Rose Albu Mustaf et al., è stato pubblicato su Physical Review Research 8, 023308 (2026) . Come ha sottolineato la Professoressa Törmä, il significato è che la pipeline di ML può filtrare un numero "praticamente infinito" di combinazioni di materiali, bypassando i tradizionali colli di bottiglia computazionali che hanno storicamente limitato la scoperta dei superconduttori .

Cosa segnalano questi progressi paralleli: un punto di svolta

Presi insieme, questi due risultati segnano un chiaro punto di svolta nella scienza dei materiali. Il cambiamento è dalla serendipità empirica e laboriosa alla progettazione razionale guidata dal calcolo. Il confronto è netto:

I due sforzi sono complementari nei loro approcci. Elements Claw dimostra che gli agenti IA autonomi end-to-end possono ora pianificare ed eseguire l'intero ciclo di scoperta — dalla generazione di ipotesi al protocollo sperimentale . Il consorzio SuperC, invece, mostra che lo screening accelerato dal ML può essere utilmente combinato con calcoli basati sulla fisica quantistica per navigare vasti spazi chimici per geometrie reticolari specifiche come il kagome .

Una precisazione importante: non si tratta ancora di superconduttività a temperatura ambiente

Una precisazione critica va fatta: le Tc trovate finora (0,6–6,5 K) sono tutte superconduttività a bassa temperatura, che richiedono un raffreddamento estremo con elio liquido. Non si tratta di scoperte a temperatura ambiente. Il significato di queste scoperte non risiede nelle temperature di transizione in sé, ma nella velocità e autonomia della metodologia di scoperta.

Ciò che conta è che la pipeline funziona. L'IA può ora indicare ai ricercatori superconduttori praticabili in una frazione del tempo tradizionale, e quelle previsioni possono essere verificate sperimentalmente. Se questi metodi verranno estesi a regimi di temperatura più elevati — e non c'è alcuna ragione fondamentale per cui non possano — le implicazioni per la trasmissione di energia, la levitazione magnetica, il calcolo quantistico e l'imaging medico potrebbero essere trasformative.

Come ha osservato Huang Wenbing, professore associato all'Università Renmin, lo stesso framework di agente IA potrebbe essere applicato ad altre sfide di scoperta di materiali, inclusi elettroliti per batterie a stato solido e catalizzatori multifase .