KI oppdaget 6 nye superledere på få dager – slutten for prøving-og-feiling i materialvitenskap?

I flere tiår har det å finne en ny superleder vært et spørsmål om år med møysommelig syntese, måling og en god porsjon flaks. Det kjente universet av superledende materialer, samlet i SuperCon-databasen, teller bare rundt 2000 oppføringer .

I løpet av få dager i slutten av juni og begynnelsen av juli 2026 har dette bildet endret seg fullstendig. To uavhengige forskningsinnsatser – én ledet av Alibabas DAMO Academy og en annen av et internasjonalt konsortium kalt SuperC – kunngjorde oppdagelsen av seks nye superledende materialer, alle identifisert og eksperimentelt bekreftet ved hjelp av KI-drevne metoder. Hastigheten, omfanget og graden av autonomi i disse oppdagelsene tyder på at materialvitenskapen har passert en kritisk terskel.

Alibabas Elements Claw: Den første autonome KI-agenten for superlederoppdagelse

Den 3. juli 2026 avduket Alibabas DAMO Academy, i samarbeid med Renmin University og University of Chinese Academy of Sciences, Elements Claw, beskrevet som den første KI-agenten i sitt slag, spesialbygget for superlederoppdagelse . Elements Claw er ikke et enkelt prediksjonsverktøy; det er et autonomt system som kan lese vitenskapelig litteratur, vurdere gjennomførbarheten av å syntetisere et materiale og designe eksperimentelle protokoller – og dermed etterligne hele arbeidsflyten til en menneskelig materialforsker .

Arkitektur og ytelse. Elements Claw bruker en hybrid «spesialisert atomfundasjonsmodell + generelt intelligent rammeverk». Den 1 milliard parameterstore atommodellen ble forhåndstrent på en database med 125 millioner molekyler og krystallstrukturer . Modellen predikerer superledning med bemerkelsesverdig nøyaktighet: en AUC på 0,996 og en gjennomsnittsfeil på under 1 K ved estimering av kritisk temperatur (Tc) .

Gjennomstrømning som omskriver tidslinjen. I en demonstrasjon av effektivitet som ville vært umulig med tradisjonelle metoder, screenet Elements Claw 2,4 millioner krystallstrukturer på bare 28 GPU-timer. Fra den screeningen identifiserte den 68.000 høykonfidensielle superlederkandidater . Forskerteamet valgte deretter ut fire kandidater for syntese og eksperimentell verifisering. Alle fire ble bekreftet som genuine superledere:

• Hf₂₁Re₂₅ – et materiale som tidligere ble oversett i eksisterende databaser
• Zr₄VRe₇ – et materiale bekreftet etter å ha korrigert en strukturell feil i databasen
• HfZrRe₄ – en helt ny struktur designet fra bunnen av av KI-en
• Zr₃ScRe₈ – identifisert gjennom ekstrapolering av strukturell likhet

Den høyeste bekreftede kritiske temperaturen blant disse nådde 6,5 K . Resultatene ble publisert på arXiv, og alle prediksjonsdata er åpent tilgjengelig for det globale forskningsmiljøet .

Rong Yu, leder for vitenskapelig intelligens ved DAMO Academy, uttalte at arbeidet viser at «KI-agenter kan oppdage nye materialer» – en egenskap som, hvis den skaleres til høyere temperaturregimer, kan transformere energi, databehandling og kvanteteknologi .

SuperC-konsortiet: Maskinlæring møter Kagome-geometri

Bare dager tidligere, 29. juni 2026, publiserte et internasjonalt forskningssamarbeid ledet av Aalto-universitetets professor Päivi Törmä – SuperC-konsortiet – sin egen KI-drevne superlederoppdagelse .

Deres tilnærming kombinerte maskinlæringsakselerert høyhastighetsscreening med første-prinsipper-beregninger (tetthetsfunksjonalteori, eller DFT) for å målrette en spesifikk og lovende strukturell familie: kagome-gitre . Kagome-gitre, oppkalt etter et japansk kurvvevemønster, har lenge blitt ansett som fruktbar grunn for superledning fordi geometrien deres skaper nesten flate elektroniske bånd med en høy tetthet av tilstander .

ML-pipelinen screenet det enorme kombinatoriske rommet av 1:3:2 kagome-materialer, flagget de mest lovende kandidatene, raffinerte dem med DFT og pekte eksperimentalister mot to tidligere ukjente forbindelser: YRu₃B₂ og LuRu₃B₂ .

Begge ble deretter syntetisert og bekreftet å vise bulk-superledning gjennom magnetiserings-, spesifikk varme- og elektriske transportmålinger . De rapporterte kritiske temperaturene varierer fra 0,63–0,95 K avhengig av måling og prøve, med begge materialer som viser svakt koblet, lavtemperatur-superledning .

Arbeidet, forfattet av Rose Albu Mustaf et al., ble publisert i Physical Review Research 8, 023308 (2026) . Betydningen, som understreket av professor Törmä, er at ML-pipelinen kan filtrere et «praktisk talt uendelig» antall materialkombinasjoner, og dermed omgå tradisjonelle beregningsmessige flaskehalser som historisk har begrenset superlederoppdagelse .

Hva disse parallelle fremskrittene signaliserer: Et vendepunkt for industrien

Sett under ett markerer disse to gjennombruddene et klart vendepunkt i materialvitenskapen. Skiftet går fra arbeidskrevende empirisk serendipitet til beregningsstyrt rasjonell design. Sammenligningen er slående:

Aspekt	Tradisjonell prøving-og-feiling	KI-drevet paradigme
Søkerom	Tiår med screening av ~2000 kjente superledere (SuperCon-databasen)	Millioner av kandidater på dager
Tid per oppdagelse	År med iterativ syntese og måling	28 GPU-timer for full screening
Autonomi	Menneskelig styrt intuisjon og manuell litteraturg jennomgang	KI-agent leser autonomt artikler, foreslår kandidater og designer eksperimenter
Skalerbarhet	Enkeltstående oppdagelser, ofte tilfeldige	Systematisk, repeterbar og åpen datapipeline

De to innsatsene er komplementære i sine tilnærminger. Elements Claw demonstrerer at ende-til-ende autonome KI-agenter nå kan planlegge og utføre hele oppdagelsessløyfen – fra hypotesegenerering til eksperimentell protokoll . SuperC-konsortiet viser på sin side at ML-akselerert screening produktivt kan kombineres med kvantefysikkbaserte beregninger for å navigere store kjemiske rom for målrettede gittergeometrier som kagome .

Et viktig forbehold: Dette er ennå ikke romtemperatur-superledning

Et kritisk forbehold må nevnes: Tc-verdiene som er funnet så langt (0,6–6,5 K) er alle lavtemperatur-superledere som krever ekstrem nedkjøling med flytende helium. Dette er ikke romtemperatur-gjennombrudd. Betydningen av disse oppdagelsene ligger ikke i selve overgangstemperaturene, men i hastigheten og autonomien til oppdagelsesmetodikken.

Det avgjørende er at pipelinen fungerer. KI kan nå peke forskere mot levedyktige superledere på en brøkdel av den tradisjonelle tiden, og disse prediksjonene kan eksperimentelt verifiseres. Hvis disse metodene skaleres til høyere temperaturregimer – og det er ingen grunnleggende grunn til at de ikke kan det – kan implikasjonene for energioverføring, magnetisk levitasjon, kvantedatabehandling og medisinsk bildediagnostikk være transformative.

Som Huang Wenbing, førsteamanuensis ved Renmin University, bemerket, kan det samme KI-agentrammeverket brukes på andre materialoppdagelsesutfordringer, inkludert faststoffbatterielektrolytter og flerfasekatalysatorer .