Architektura i wydajność. Elements Claw wykorzystuje hybrydową architekturę „specjalistyczny model atomowy + ogólna inteligentna platforma”. Jego miliardparametrowy model atomowy został wstępnie wytrenowany na bazie 125 milionów cząsteczek i struktur krystalicznych . Model przewiduje nadprzewodnictwo z zadziwiającą dokładnością: AUC wynosi 0,996, a średni błąd szacowania temperatury krytycznej (Tc) to mniej niż 1 K .

Wydajność, która przepisuje harmonogram badań. W demonstracji efektywności niemożliwej przy użyciu tradycyjnych metod, Elements Claw przebadał 2,4 miliona struktur krystalicznych w zaledwie 28 godzin GPU. Z tego przeglądu zidentyfikował 68 000 wysoce wiarygodnych kandydatów na nadprzewodniki . Zespół badawczy wybrał następnie cztery kandydatury do syntezy i weryfikacji eksperymentalnej. Wszystkie cztery zostały potwierdzone jako prawdziwe nadprzewodniki:

• Hf₂₁Re₂₅ – materiał wcześniej pomijany przez istniejące bazy danych
• Zr₄VRe₇ – materiał potwierdzony po skorygowaniu błędu strukturalnego w bazie danych
• HfZrRe₄ – całkowicie nowa struktura zaprojektowana od podstaw przez AI
• Zr₃ScRe₈ – zidentyfikowany poprzez ekstrapolację podobieństwa strukturalnego

Najwyższa potwierdzona temperatura krytyczna wśród nich osiągnęła 6,5 K . Wyniki opublikowano na arXiv, a wszystkie dane predykcyjne zostały udostępnione jako open source dla globalnej społeczności badawczej .

Rong Yu, szef działu inteligencji naukowej w DAMO Academy, stwierdził, że prace dowodzą, iż „agenci AI mogą odkrywać nowe materiały” – a ta umiejętność, jeśli zostanie rozszerzona na wyższe zakresy temperatur, może przekształcić energetykę, obliczenia i technologie kwantowe .

Konsorcjum SuperC: uczenie maszynowe spotyka geometrię kagome

Zaledwie kilka dni wcześniej, 29 czerwca 2026 roku, międzynarodowa współpraca badawcza pod przewodnictwem prof. Päivi Törmä z Uniwersytetu Aalto – konsorcjum SuperC – opublikowała własne odkrycie nadprzewodników z wykorzystaniem AI .

Ich podejście łączyło przyspieszone przez uczenie maszynowe przesiewanie wysokoprzepustowe z obliczeniami pierwszych zasad (teoria funkcjonału gęstości, DFT) w celu ukierunkowania na konkretną i obiecującą rodzinę strukturalną: sieci kagome . Sieci kagome, nazwane na cześć japońskiego wzoru plecionki koszyków, od dawna są uważane za podatny grunt dla nadprzewodnictwa, ponieważ ich geometria tworzy prawie płaskie pasma elektronowe o wysokiej gęstości stanów .

Potok ML przesiał ogromną przestrzeń kombinatoryczną materiałów 1:3:2 kagome, wyznaczył najbardziej obiecujące kandydatury, udoskonalił je za pomocą DFT i wskazał eksperymentatorom dwa nieznane wcześniej związki: YRu₃B₂ i LuRu₃B₂ .

Oba zostały następnie zsyntetyzowane i potwierdzono, że wykazują objętościowe nadprzewodnictwo poprzez pomiary magnetyzacji, ciepła właściwego i transportu elektrycznego . Raportowane temperatury krytyczne mieszczą się w zakresie 0,63–0,95 K w zależności od pomiaru i próbki, a oba materiały wykazują słabo sprzężone, niskotemperaturowe nadprzewodnictwo .

Praca, autorstwa Rose Albu Mustaf i in., została opublikowana w Physical Review Research 8, 023308 (2026) . Znaczenie, jak podkreśliła prof. Törmä, polega na tym, że potok ML może filtrować „praktycznie nieskończoną” liczbę kombinacji materiałów, omijając tradycyjne wąskie gardła obliczeniowe, które historycznie ograniczały odkrywanie nadprzewodników .

Co oznaczają te równoległe przełomy: punkt zwrotny w branży

Razem te dwa przełomy wyznaczają wyraźny punkt zwrotny w materiałoznawstwie. Przejście od pracochłonnej empirycznej przypadkowości do obliczeniowo ukierunkowanego racjonalnego projektowania. Porównanie jest uderzające:

Oba podejścia są komplementarne. Elements Claw pokazuje, że autonomiczne agentów AI od początku do końca mogą teraz planować i realizować pełną pętlę odkrywania – od generowania hipotez po protokół eksperymentalny . Konsorcjum SuperC natomiast dowodzi, że przyspieszone przez ML przesiewanie można produktywnie łączyć z obliczeniami opartymi na fizyce kwantowej, aby nawigować po ogromnych przestrzeniach chemicznych dla ukierunkowanych geometrii sieci, takich jak kagome .

Ważne zastrzeżenie: to nie jest jeszcze nadprzewodnictwo w temperaturze pokojowej

Należy wyraźnie podkreślić krytyczne zastrzeżenie: znalezione dotychczas wartości Tc (0,6–6,5 K) dotyczą nadprzewodników niskotemperaturowych, wymagających ekstremalnego chłodzenia ciekłym helem. To nie są przełomy w temperaturze pokojowej. Znaczenie tych odkryć nie leży w samych temperaturach przejścia, ale w szybkości i autonomii metody odkrywania.

Liczy się to, że potok działa. AI może teraz wskazywać badaczom realnych kandydatów na nadprzewodniki w ułamku tradycyjnego czasu, a te przewidywania mogą być weryfikowane eksperymentalnie. Jeśli te metody zostaną rozszerzone na wyższe zakresy temperatur – a nie ma fundamentalnego powodu, dla którego nie mogłyby – implikacje dla przesyłu energii, lewitacji magnetycznej, obliczeń kwantowych i obrazowania medycznego mogą być transformacyjne.

Jak zauważył Huang Wenbing, profesor nadzwyczajny na Uniwersytecie Renmin, ta sama platforma agenta AI może zostać zastosowana do innych wyzwań związanych z odkrywaniem materiałów, w tym elektrolitów do akumulatorów półprzewodnikowych i katalizatorów wielofazowych .

Architektura i wydajność. Elements Claw wykorzystuje hybrydową architekturę „specjalistyczny model atomowy + ogólna inteligentna platforma”. Jego miliardparametrowy model atomowy został wstępnie wytrenowany na bazie 125 milionów cząsteczek i struktur krystalicznych . Model przewiduje nadprzewodnictwo z zadziwiającą dokładnością: AUC wynosi 0,996, a średni błąd szacowania temperatury krytycznej (Tc) to mniej niż 1 K .

Wydajność, która przepisuje harmonogram badań. W demonstracji efektywności niemożliwej przy użyciu tradycyjnych metod, Elements Claw przebadał 2,4 miliona struktur krystalicznych w zaledwie 28 godzin GPU. Z tego przeglądu zidentyfikował 68 000 wysoce wiarygodnych kandydatów na nadprzewodniki . Zespół badawczy wybrał następnie cztery kandydatury do syntezy i weryfikacji eksperymentalnej. Wszystkie cztery zostały potwierdzone jako prawdziwe nadprzewodniki:

• Hf₂₁Re₂₅ – materiał wcześniej pomijany przez istniejące bazy danych
• Zr₄VRe₇ – materiał potwierdzony po skorygowaniu błędu strukturalnego w bazie danych
• HfZrRe₄ – całkowicie nowa struktura zaprojektowana od podstaw przez AI
• Zr₃ScRe₈ – zidentyfikowany poprzez ekstrapolację podobieństwa strukturalnego

Najwyższa potwierdzona temperatura krytyczna wśród nich osiągnęła 6,5 K . Wyniki opublikowano na arXiv, a wszystkie dane predykcyjne zostały udostępnione jako open source dla globalnej społeczności badawczej .

Rong Yu, szef działu inteligencji naukowej w DAMO Academy, stwierdził, że prace dowodzą, iż „agenci AI mogą odkrywać nowe materiały” – a ta umiejętność, jeśli zostanie rozszerzona na wyższe zakresy temperatur, może przekształcić energetykę, obliczenia i technologie kwantowe .

Konsorcjum SuperC: uczenie maszynowe spotyka geometrię kagome

Zaledwie kilka dni wcześniej, 29 czerwca 2026 roku, międzynarodowa współpraca badawcza pod przewodnictwem prof. Päivi Törmä z Uniwersytetu Aalto – konsorcjum SuperC – opublikowała własne odkrycie nadprzewodników z wykorzystaniem AI .

Ich podejście łączyło przyspieszone przez uczenie maszynowe przesiewanie wysokoprzepustowe z obliczeniami pierwszych zasad (teoria funkcjonału gęstości, DFT) w celu ukierunkowania na konkretną i obiecującą rodzinę strukturalną: sieci kagome . Sieci kagome, nazwane na cześć japońskiego wzoru plecionki koszyków, od dawna są uważane za podatny grunt dla nadprzewodnictwa, ponieważ ich geometria tworzy prawie płaskie pasma elektronowe o wysokiej gęstości stanów .

Potok ML przesiał ogromną przestrzeń kombinatoryczną materiałów 1:3:2 kagome, wyznaczył najbardziej obiecujące kandydatury, udoskonalił je za pomocą DFT i wskazał eksperymentatorom dwa nieznane wcześniej związki: YRu₃B₂ i LuRu₃B₂ .

Oba zostały następnie zsyntetyzowane i potwierdzono, że wykazują objętościowe nadprzewodnictwo poprzez pomiary magnetyzacji, ciepła właściwego i transportu elektrycznego . Raportowane temperatury krytyczne mieszczą się w zakresie 0,63–0,95 K w zależności od pomiaru i próbki, a oba materiały wykazują słabo sprzężone, niskotemperaturowe nadprzewodnictwo .

Praca, autorstwa Rose Albu Mustaf i in., została opublikowana w Physical Review Research 8, 023308 (2026) . Znaczenie, jak podkreśliła prof. Törmä, polega na tym, że potok ML może filtrować „praktycznie nieskończoną” liczbę kombinacji materiałów, omijając tradycyjne wąskie gardła obliczeniowe, które historycznie ograniczały odkrywanie nadprzewodników .

Co oznaczają te równoległe przełomy: punkt zwrotny w branży

Razem te dwa przełomy wyznaczają wyraźny punkt zwrotny w materiałoznawstwie. Przejście od pracochłonnej empirycznej przypadkowości do obliczeniowo ukierunkowanego racjonalnego projektowania. Porównanie jest uderzające:

Oba podejścia są komplementarne. Elements Claw pokazuje, że autonomiczne agentów AI od początku do końca mogą teraz planować i realizować pełną pętlę odkrywania – od generowania hipotez po protokół eksperymentalny . Konsorcjum SuperC natomiast dowodzi, że przyspieszone przez ML przesiewanie można produktywnie łączyć z obliczeniami opartymi na fizyce kwantowej, aby nawigować po ogromnych przestrzeniach chemicznych dla ukierunkowanych geometrii sieci, takich jak kagome .

Ważne zastrzeżenie: to nie jest jeszcze nadprzewodnictwo w temperaturze pokojowej

Należy wyraźnie podkreślić krytyczne zastrzeżenie: znalezione dotychczas wartości Tc (0,6–6,5 K) dotyczą nadprzewodników niskotemperaturowych, wymagających ekstremalnego chłodzenia ciekłym helem. To nie są przełomy w temperaturze pokojowej. Znaczenie tych odkryć nie leży w samych temperaturach przejścia, ale w szybkości i autonomii metody odkrywania.

Liczy się to, że potok działa. AI może teraz wskazywać badaczom realnych kandydatów na nadprzewodniki w ułamku tradycyjnego czasu, a te przewidywania mogą być weryfikowane eksperymentalnie. Jeśli te metody zostaną rozszerzone na wyższe zakresy temperatur – a nie ma fundamentalnego powodu, dla którego nie mogłyby – implikacje dla przesyłu energii, lewitacji magnetycznej, obliczeń kwantowych i obrazowania medycznego mogą być transformacyjne.

Jak zauważył Huang Wenbing, profesor nadzwyczajny na Uniwersytecie Renmin, ta sama platforma agenta AI może zostać zastosowana do innych wyzwań związanych z odkrywaniem materiałów, w tym elektrolitów do akumulatorów półprzewodnikowych i katalizatorów wielofazowych .