Seni bina dan prestasi. Elements Claw menggunakan rangka kerja hibrid "model asas atom khusus + rangka kerja pintar umum." Model atom 1-bilion parameternya telah dilatih terlebih dahulu pada pangkalan data 125 juta molekul dan struktur kristal . Model ini meramalkan sifat superkonduktiviti dengan ketepatan yang luar biasa: AUC sebanyak 0.996 dan ralat purata di bawah 1 K apabila menganggar suhu kritikal (Tc) .

Keluaran yang menulis semula garis masa. Dalam demonstrasi kecekapan yang mustahil dengan kaedah tradisional, Elements Claw meneliti 2.4 juta struktur kristal dalam hanya 28 jam GPU. Daripada saringan itu, ia mengenal pasti 68,000 calon superkonduktor berkemungkinan tinggi . Pasukan penyelidikan kemudian memilih empat calon untuk sintesis dan pengesahan eksperimen. Keempat-empatnya disahkan sebagai superkonduktor tulen:

• Hf₂₁Re₂₅ — bahan yang sebelum ini terlepas dalam pangkalan data sedia ada
• Zr₄VRe₇ — bahan yang disahkan selepas membetulkan ralat struktur dalam pangkalan data
• HfZrRe₄ — struktur baharu sepenuhnya yang direka dari awal oleh AI
• Zr₃ScRe₈ — dikenal pasti melalui ekstrapolasi persamaan struktur

Suhu kritikal tertinggi yang disahkan di kalangan ini mencecah 6.5 K . Keputusan telah diterbitkan di arXiv, dan semua data ramalan telah didedahkan secara sumber terbuka untuk komuniti penyelidikan global .

Rong Yu, ketua kecerdasan saintifik DAMO Academy, menyatakan bahawa kerja ini membuktikan "ejen AI boleh menemui bahan baharu"—satu keupayaan yang, jika ditingkatkan ke kawasan suhu yang lebih tinggi, boleh mengubah teknologi tenaga, pengkomputeran, dan kuantum .

Konsortium SuperC: Pembelajaran Mesin Bertemu Geometri Kagome

Hanya beberapa hari sebelumnya, pada 29 Jun 2026, kerjasama penyelidikan antarabangsa yang diketuai oleh Profesor Päivi Törmä dari Universiti Aalto—konsortium SuperC—menerbitkan penemuan superkonduktor dipacu AI sendiri .

Pendekatan mereka menggabungkan saringan pemprosesan tinggi dipercepatkan pembelajaran mesin dengan pengiraan prinsip pertama (teori fungsi ketumpatan, atau DFT) untuk menyasarkan keluarga struktur yang spesifik dan menjanjikan: kekisi kagome . Kekisi kagome, dinamakan sempena corak anyaman bakul Jepun, telah lama dianggap sebagai kawasan subur untuk superkonduktiviti kerana geometrinya menghasilkan jalur elektronik hampir rata dengan ketumpatan keadaan yang tinggi .

Saluran paip ML meneliti ruang gabungan luas bahan kagome 1:3:2, menandakan calon yang paling menjanjikan, memperhalusinya dengan DFT, dan mengarahkan saintis eksperimen kepada dua sebatian yang sebelum ini tidak diketahui: YRu₃B₂ dan LuRu₃B₂ .

Kedua-duanya kemudian disintesis dan disahkan mempamerkan superkonduktiviti pukal melalui pengukuran kemagnetan, haba tentu, dan pengangkutan elektrik . Suhu kritikal yang dilaporkan adalah antara 0.63–0.95 K bergantung pada ukuran dan sampel, dengan kedua-dua bahan menunjukkan superkonduktiviti suhu rendah bergandingan lemah .

Kerja ini, yang ditulis oleh Rose Albu Mustaf et al., telah diterbitkan dalam Physical Review Research 8, 023308 (2026) . Kepentingannya, seperti yang ditekankan oleh Profesor Törmä, adalah bahawa saluran paip ML boleh menapis kombinasi bahan yang "hampir tidak terhingga", memintas kesesakan pengiraan tradisional yang selama ini mengehadkan penemuan superkonduktor .

Apa yang Diisyaratkan oleh Kemajuan Selari Ini: Satu Titik Perubahan Industri

Secara keseluruhannya, dua kejayaan ini menandakan titik perubahan yang jelas dalam sains bahan. Peralihan adalah daripada penemuan secara kebetulan empirikal intensif buruh kepada reka bentuk rasional berpandukan pengiraan. Perbandingannya adalah ketara:

Kedua-dua usaha adalah saling melengkapi dalam pendekatan mereka. Elements Claw menunjukkan bahawa ejen AI hujung-ke-hujung autonomi kini boleh merancang dan melaksanakan gelung penemuan penuh—daripada penjanaan hipotesis kepada protokol eksperimen . Konsortium SuperC, sementara itu, menunjukkan bahawa saringan dipercepatkan ML boleh digabungkan secara produktif dengan pengiraan berasaskan fizik kuantum untuk menavigasi ruang kimia yang luas untuk geometri kekisi yang disasarkan seperti kagome .

Satu Peringatan Penting: Ini Belum Lagi Superkonduktiviti Suhu Bilik

Satu kaveat kritikal mesti dinyatakan dengan jelas: nilai Tc yang ditemui setakat ini (0.6–6.5 K) semuanya adalah superkonduktor suhu rendah, yang memerlukan penyejukan melampau dengan helium cecair. Ini bukan kejayaan suhu bilik. Kepentingan penemuan ini bukan pada suhu peralihan itu sendiri, tetapi pada kelajuan dan autonomi metodologi penemuan.

Apa yang penting ialah saluran paip itu berfungsi. AI kini boleh menunjukkan kepada penyelidik superkonduktor yang berdaya maju dalam sebahagian kecil daripada masa tradisional, dan ramalan tersebut boleh disahkan secara eksperimen. Jika kaedah ini ditingkatkan ke kawasan suhu yang lebih tinggi—dan tiada sebab asas mengapa ia tidak boleh—implikasinya terhadap penghantaran tenaga, levitasi magnet, pengkomputeran kuantum, dan pengimejan perubatan boleh menjadi transformatif.

Seperti yang dinyatakan oleh Huang Wenbing, seorang profesor madya di Universiti Rakyat China, rangka kerja ejen AI yang sama boleh digunakan untuk cabaran penemuan bahan lain, termasuk elektrolit bateri keadaan pepejal dan pemangkin berbilang fasa .

Seni bina dan prestasi. Elements Claw menggunakan rangka kerja hibrid "model asas atom khusus + rangka kerja pintar umum." Model atom 1-bilion parameternya telah dilatih terlebih dahulu pada pangkalan data 125 juta molekul dan struktur kristal . Model ini meramalkan sifat superkonduktiviti dengan ketepatan yang luar biasa: AUC sebanyak 0.996 dan ralat purata di bawah 1 K apabila menganggar suhu kritikal (Tc) .

Keluaran yang menulis semula garis masa. Dalam demonstrasi kecekapan yang mustahil dengan kaedah tradisional, Elements Claw meneliti 2.4 juta struktur kristal dalam hanya 28 jam GPU. Daripada saringan itu, ia mengenal pasti 68,000 calon superkonduktor berkemungkinan tinggi . Pasukan penyelidikan kemudian memilih empat calon untuk sintesis dan pengesahan eksperimen. Keempat-empatnya disahkan sebagai superkonduktor tulen:

• Hf₂₁Re₂₅ — bahan yang sebelum ini terlepas dalam pangkalan data sedia ada
• Zr₄VRe₇ — bahan yang disahkan selepas membetulkan ralat struktur dalam pangkalan data
• HfZrRe₄ — struktur baharu sepenuhnya yang direka dari awal oleh AI
• Zr₃ScRe₈ — dikenal pasti melalui ekstrapolasi persamaan struktur

Suhu kritikal tertinggi yang disahkan di kalangan ini mencecah 6.5 K . Keputusan telah diterbitkan di arXiv, dan semua data ramalan telah didedahkan secara sumber terbuka untuk komuniti penyelidikan global .

Rong Yu, ketua kecerdasan saintifik DAMO Academy, menyatakan bahawa kerja ini membuktikan "ejen AI boleh menemui bahan baharu"—satu keupayaan yang, jika ditingkatkan ke kawasan suhu yang lebih tinggi, boleh mengubah teknologi tenaga, pengkomputeran, dan kuantum .

Konsortium SuperC: Pembelajaran Mesin Bertemu Geometri Kagome

Hanya beberapa hari sebelumnya, pada 29 Jun 2026, kerjasama penyelidikan antarabangsa yang diketuai oleh Profesor Päivi Törmä dari Universiti Aalto—konsortium SuperC—menerbitkan penemuan superkonduktor dipacu AI sendiri .

Pendekatan mereka menggabungkan saringan pemprosesan tinggi dipercepatkan pembelajaran mesin dengan pengiraan prinsip pertama (teori fungsi ketumpatan, atau DFT) untuk menyasarkan keluarga struktur yang spesifik dan menjanjikan: kekisi kagome . Kekisi kagome, dinamakan sempena corak anyaman bakul Jepun, telah lama dianggap sebagai kawasan subur untuk superkonduktiviti kerana geometrinya menghasilkan jalur elektronik hampir rata dengan ketumpatan keadaan yang tinggi .

Saluran paip ML meneliti ruang gabungan luas bahan kagome 1:3:2, menandakan calon yang paling menjanjikan, memperhalusinya dengan DFT, dan mengarahkan saintis eksperimen kepada dua sebatian yang sebelum ini tidak diketahui: YRu₃B₂ dan LuRu₃B₂ .

Kedua-duanya kemudian disintesis dan disahkan mempamerkan superkonduktiviti pukal melalui pengukuran kemagnetan, haba tentu, dan pengangkutan elektrik . Suhu kritikal yang dilaporkan adalah antara 0.63–0.95 K bergantung pada ukuran dan sampel, dengan kedua-dua bahan menunjukkan superkonduktiviti suhu rendah bergandingan lemah .

Kerja ini, yang ditulis oleh Rose Albu Mustaf et al., telah diterbitkan dalam Physical Review Research 8, 023308 (2026) . Kepentingannya, seperti yang ditekankan oleh Profesor Törmä, adalah bahawa saluran paip ML boleh menapis kombinasi bahan yang "hampir tidak terhingga", memintas kesesakan pengiraan tradisional yang selama ini mengehadkan penemuan superkonduktor .

Apa yang Diisyaratkan oleh Kemajuan Selari Ini: Satu Titik Perubahan Industri

Secara keseluruhannya, dua kejayaan ini menandakan titik perubahan yang jelas dalam sains bahan. Peralihan adalah daripada penemuan secara kebetulan empirikal intensif buruh kepada reka bentuk rasional berpandukan pengiraan. Perbandingannya adalah ketara:

Kedua-dua usaha adalah saling melengkapi dalam pendekatan mereka. Elements Claw menunjukkan bahawa ejen AI hujung-ke-hujung autonomi kini boleh merancang dan melaksanakan gelung penemuan penuh—daripada penjanaan hipotesis kepada protokol eksperimen . Konsortium SuperC, sementara itu, menunjukkan bahawa saringan dipercepatkan ML boleh digabungkan secara produktif dengan pengiraan berasaskan fizik kuantum untuk menavigasi ruang kimia yang luas untuk geometri kekisi yang disasarkan seperti kagome .

Satu Peringatan Penting: Ini Belum Lagi Superkonduktiviti Suhu Bilik

Satu kaveat kritikal mesti dinyatakan dengan jelas: nilai Tc yang ditemui setakat ini (0.6–6.5 K) semuanya adalah superkonduktor suhu rendah, yang memerlukan penyejukan melampau dengan helium cecair. Ini bukan kejayaan suhu bilik. Kepentingan penemuan ini bukan pada suhu peralihan itu sendiri, tetapi pada kelajuan dan autonomi metodologi penemuan.

Apa yang penting ialah saluran paip itu berfungsi. AI kini boleh menunjukkan kepada penyelidik superkonduktor yang berdaya maju dalam sebahagian kecil daripada masa tradisional, dan ramalan tersebut boleh disahkan secara eksperimen. Jika kaedah ini ditingkatkan ke kawasan suhu yang lebih tinggi—dan tiada sebab asas mengapa ia tidak boleh—implikasinya terhadap penghantaran tenaga, levitasi magnet, pengkomputeran kuantum, dan pengimejan perubatan boleh menjadi transformatif.

Seperti yang dinyatakan oleh Huang Wenbing, seorang profesor madya di Universiti Rakyat China, rangka kerja ejen AI yang sama boleh digunakan untuk cabaran penemuan bahan lain, termasuk elektrolit bateri keadaan pepejal dan pemangkin berbilang fasa .