AI ontdekt 6 nieuwe supergeleiders in dagen: het einde van de trial-and-error in de materiaalwetenschap

Architectuur en prestaties. Elements Claw gebruikt een hybride 'gespecialiseerd atoommodel + algemeen intelligent raamwerk'. Het atoommodel, met 1 miljard parameters, werd getraind op een database van 125 miljoen moleculen en kristalstructuren . Het model voorspelt supergeleiding met een opmerkelijke nauwkeurigheid: een AUC van 0,996 en een gemiddelde fout van minder dan 1 K bij het schatten van de kritische temperatuur (Tc) .

Doorvoer die de tijdlijn herschrijft. In een demonstratie van efficiëntie die onmogelijk zou zijn met traditionele methoden, screende Elements Claw 2,4 miljoen kristalstructuren in slechts 28 GPU-uren. Uit die screening identificeerde het 68.000 kandidaten met een hoge waarschijnlijkheid voor supergeleiding . Het onderzoeksteam selecteerde vervolgens vier kandidaten voor synthese en experimentele verificatie. Alle vier werden bevestigd als echte supergeleiders:

• Hf₂₁Re₂₅ – een materiaal dat eerder over het hoofd was gezien in bestaande databases
• Zr₄VRe₇ – bevestigd na correctie van een structurele fout in de database
• HfZrRe₄ – een volledig nieuwe structuur, door AI vanaf nul ontworpen
• Zr₃ScRe₈ – geïdentificeerd door extrapolatie van structurele overeenkomsten

De hoogste bevestigde kritische temperatuur bereikte 6,5 K . De resultaten werden gepubliceerd op arXiv en alle voorspellingsgegevens zijn open source beschikbaar gesteld voor de wereldwijde onderzoeksgemeenschap .

Rong Yu, hoofd wetenschappelijke intelligentie bij DAMO Academy, stelde dat het werk aantoont dat 'AI-agenten nieuwe materialen kunnen ontdekken' – een vermogen dat, als het kan worden opgeschaald naar hogere temperatuurregimes, de energiesector, computertechnologie en kwantumtechnologieën zou kunnen transformeren .

SuperC-consortium: machine learning ontmoet kagome-geometrie

Enkele dagen eerder, op 29 juni 2026, publiceerde een internationale onderzoekssamenwerking onder leiding van professor Päivi Törmä van de Aalto Universiteit – het SuperC-consortium – zijn eigen AI-gestuurde supergeleiderontdekking .

Hun aanpak combineerde machine-learning-versnelde high-throughput screening met berekeningen op basis van eerste principes (dichtheidsfunctionaaltheorie, DFT) om zich te richten op een specifieke en veelbelovende structurele familie: kagome-roosters . Kagome-roosters, genoemd naar een Japans mandenvlechtpatroon, worden al lang beschouwd als vruchtbare grond voor supergeleiding vanwege hun geometrie, die bijna vlakke elektronenbanden creëert met een hoge toestandsdichtheid .

De ML-pijplijn screende de enorme combinatorische ruimte van 1:3:2-kagomematerialen, markeerde de meest veelbelovende kandidaten, verfijnde ze met DFT en wees experimentalisten op twee voorheen onbekende verbindingen: YRu₃B₂ en LuRu₃B₂ .

Beide werden vervolgens gesynthetiseerd en bevestigd als bulk-supergeleiders via metingen van magnetisatie, soortelijke warmte en elektrisch transport . De gerapporteerde kritische temperaturen variëren van 0,63–0,95 K, afhankelijk van de meting en het monster, en beide materialen vertonen zwak gekoppelde supergeleiding bij lage temperatuur .

Het werk, geschreven door Rose Albu Mustaf et al., werd gepubliceerd in Physical Review Research 8, 023308 (2026) . De betekenis, zoals benadrukt door professor Törmä, is dat de ML-pijplijn een 'vrijwel oneindig' aantal materiaalcombinaties kan filteren, waarbij de traditionele computationele knelpunten worden omzeild die de ontdekking van supergeleiders historisch hebben beperkt .

Wat deze parallelle ontwikkelingen betekenen: een omslagpunt in de sector

Samen markeren deze twee doorbraken een duidelijk omslagpunt in de materiaalwetenschap. De verschuiving is van arbeidsintensief empirisch toeval naar computergestuurd rationeel ontwerp. De vergelijking is treffend:

De twee inspanningen vullen elkaar aan. Elements Claw laat zien dat end-to-end autonome AI-agenten nu de volledige ontdekkingscyclus kunnen plannen en uitvoeren – van het genereren van hypothesen tot het ontwerpen van experimenten . Het SuperC-consortium toont aan dat ML-versnelde screening productief kan worden gecombineerd met kwantumfysische berekeningen om enorme chemische ruimtes te doorkruisen voor gerichte roostergeometrieën zoals kagome .

Een belangrijke kanttekening: dit is nog geen kamertemperatuur-supergeleiding

Een kritische kanttekening moet duidelijk worden gemaakt: de gevonden Tc-waarden (0,6–6,5 K) zijn allemaal lage-temperatuur-supergeleiders, die extreme koeling met vloeibaar helium vereisen. Dit zijn geen doorbraken op kamertemperatuur. Het belang van deze ontdekkingen zit niet in de overgangstemperaturen zelf, maar in de snelheid en autonomie van de ontdekkingsmethodologie.

Wat ertoe doet, is dat de pijplijn werkt. AI kan onderzoekers nu in een fractie van de traditionele tijd wijzen op levensvatbare supergeleiders, en die voorspellingen kunnen experimenteel worden geverifieerd. Als deze methoden worden opgeschaald naar hogere temperatuurregimes – en er is geen fundamentele reden waarom dat niet zou kunnen – zouden de implicaties voor energieoverdracht, magnetische levitatie, kwantumcomputing en medische beeldvorming transformerend kunnen zijn.

Zoals Huang Wenbing, universitair hoofddocent aan de Renmin Universiteit, opmerkte, zou hetzelfde AI-agentraamwerk kunnen worden toegepast op andere uitdagingen op het gebied van materiaalontdekking, waaronder vaste-stofbatterij-elektrolyten en meerfasige katalysatoren .