Arquitetura e desempenho. O Elements Claw usa uma arquitetura híbrida "modelo atômico de base especializado + estrutura inteligente geral". Seu modelo atômico de 1 bilhão de parâmetros foi pré-treinado em um banco de dados de 125 milhões de moléculas e estruturas cristalinas . O modelo prevê a supercondutividade com uma precisão notável: um AUC de 0,996 e um erro médio inferior a 1 K ao estimar a temperatura crítica (Tc) .

Rendimento que reescreve o cronograma. Em uma demonstração de eficiência impossível com métodos tradicionais, o Elements Claw examinou 2,4 milhões de estruturas cristalinas em apenas 28 horas de GPU. Dessa triagem, ele identificou 68.000 candidatos a supercondutores de alta confiança . A equipe de pesquisa então selecionou quatro candidatos para síntese e verificação experimental. Todos os quatro foram confirmados como supercondutores genuínos:

• Hf₂₁Re₂₅ — um material anteriormente perdido pelos bancos de dados existentes
• Zr₄VRe₇ — um material confirmado após corrigir um erro estrutural no banco de dados
• HfZrRe₄ — uma estrutura totalmente nova projetada do zero pela IA
• Zr₃ScRe₈ — identificado através de extrapolação de similaridade estrutural

A temperatura crítica confirmada mais alta entre estes atingiu 6,5 K . Os resultados foram publicados no arXiv, e todos os dados de previsão foram disponibilizados como código aberto para a comunidade global de pesquisa .

Rong Yu, líder de inteligência científica da DAMO Academy, afirmou que o trabalho demonstra que "agentes de IA podem descobrir novos materiais" — uma capacidade que, se for escalada para regimes de temperatura mais altos, pode transformar as tecnologias de energia, computação e quântica .

Consórcio SuperC: Aprendizado de Máquina Encontra a Geometria Kagome

Apenas alguns dias antes, em 29 de junho de 2026, uma colaboração internacional de pesquisa liderada pela Professora Päivi Törmä da Universidade Aalto — o consórcio SuperC — publicou sua própria descoberta de supercondutor com tecnologia de IA .

Sua abordagem combinou triagem de alto rendimento acelerada por aprendizado de máquina com cálculos de primeiros princípios (teoria do funcional da densidade, ou DFT) para atingir uma família estrutural específica e promissora: redes kagome . As redes kagome, nomeadas em homenagem a um padrão japonês de cestaria, há muito são consideradas um terreno fértil para a supercondutividade porque sua geometria cria bandas eletrônicas quase planas com uma alta densidade de estados .

O pipeline de ML examinou o vasto espaço combinatório de materiais kagome 1:3:2, sinalizou os candidatos mais promissores, refinou-os com DFT e apontou os experimentalistas para dois compostos anteriormente desconhecidos: YRu₃B₂ e LuRu₃B₂ .

Ambos foram então sintetizados e confirmados como supercondutores de volume através de medições de magnetização, calor específico e transporte elétrico . As temperaturas críticas relatadas variam de 0,63–0,95 K, dependendo da medição e da amostra, com ambos os materiais mostrando supercondutividade de baixa temperatura e acoplamento fraco .

O trabalho, de autoria de Rose Albu Mustaf e outros, foi publicado no Physical Review Research 8, 023308 (2026) . O significado, conforme destacado pela Professora Törmä, é que o pipeline de ML pode filtrar um número "praticamente infinito" de combinações de materiais, contornando os gargalos computacionais tradicionais que historicamente limitaram a descoberta de supercondutores .

O Que Esses Avanços Paralelos Sinalizam: Um Ponto de Inflexão no Setor

Juntas, essas duas descobertas marcam um ponto de inflexão claro na ciência dos materiais. A mudança é da serendipidade empírica intensiva em mão de obra para o design racional guiado por computação. A comparação é gritante:

Os dois esforços são complementares em suas abordagens. O Elements Claw demonstra que agentes de IA autônomos de ponta a ponta agora podem planejar e executar o ciclo completo de descoberta — da geração de hipóteses ao protocolo experimental . O consórcio SuperC, por sua vez, mostra que a triagem acelerada por ML pode ser combinada produtivamente com cálculos baseados em física quântica para navegar em vastos espaços químicos para geometrias de rede direcionadas, como kagome .

Uma Ressonância Importante: Ainda Não é Supercondutividade à Temperatura Ambiente

Uma ressalva crítica deve ser declarada claramente: os valores de Tc encontrados até agora (0,6–6,5 K) são todos supercondutores de baixa temperatura, exigindo resfriamento extremo com hélio líquido. Estas não são descobertas de temperatura ambiente. O significado dessas descobertas não está nas temperaturas de transição em si, mas na velocidade e autonomia da metodologia de descoberta.

O que importa é que o pipeline funciona. A IA agora pode apontar pesquisadores para supercondutores viáveis em uma fração do tempo tradicional, e essas previsões podem ser verificadas experimentalmente. Se esses métodos forem escalados para regimes de temperatura mais altos — e não há razão fundamental para que não possam — as implicações para transmissão de energia, levitação magnética, computação quântica e imagens médicas podem ser transformadoras.

Como observou Huang Wenbing, professor associado da Universidade Renmin, a mesma estrutura de agente de IA poderia ser aplicada a outros desafios de descoberta de materiais, incluindo eletrólitos de baterias de estado sólido e catalisadores multifásicos .

Arquitetura e desempenho. O Elements Claw usa uma arquitetura híbrida "modelo atômico de base especializado + estrutura inteligente geral". Seu modelo atômico de 1 bilhão de parâmetros foi pré-treinado em um banco de dados de 125 milhões de moléculas e estruturas cristalinas . O modelo prevê a supercondutividade com uma precisão notável: um AUC de 0,996 e um erro médio inferior a 1 K ao estimar a temperatura crítica (Tc) .

Rendimento que reescreve o cronograma. Em uma demonstração de eficiência impossível com métodos tradicionais, o Elements Claw examinou 2,4 milhões de estruturas cristalinas em apenas 28 horas de GPU. Dessa triagem, ele identificou 68.000 candidatos a supercondutores de alta confiança . A equipe de pesquisa então selecionou quatro candidatos para síntese e verificação experimental. Todos os quatro foram confirmados como supercondutores genuínos:

• Hf₂₁Re₂₅ — um material anteriormente perdido pelos bancos de dados existentes
• Zr₄VRe₇ — um material confirmado após corrigir um erro estrutural no banco de dados
• HfZrRe₄ — uma estrutura totalmente nova projetada do zero pela IA
• Zr₃ScRe₈ — identificado através de extrapolação de similaridade estrutural

A temperatura crítica confirmada mais alta entre estes atingiu 6,5 K . Os resultados foram publicados no arXiv, e todos os dados de previsão foram disponibilizados como código aberto para a comunidade global de pesquisa .

Rong Yu, líder de inteligência científica da DAMO Academy, afirmou que o trabalho demonstra que "agentes de IA podem descobrir novos materiais" — uma capacidade que, se for escalada para regimes de temperatura mais altos, pode transformar as tecnologias de energia, computação e quântica .

Consórcio SuperC: Aprendizado de Máquina Encontra a Geometria Kagome

Apenas alguns dias antes, em 29 de junho de 2026, uma colaboração internacional de pesquisa liderada pela Professora Päivi Törmä da Universidade Aalto — o consórcio SuperC — publicou sua própria descoberta de supercondutor com tecnologia de IA .

Sua abordagem combinou triagem de alto rendimento acelerada por aprendizado de máquina com cálculos de primeiros princípios (teoria do funcional da densidade, ou DFT) para atingir uma família estrutural específica e promissora: redes kagome . As redes kagome, nomeadas em homenagem a um padrão japonês de cestaria, há muito são consideradas um terreno fértil para a supercondutividade porque sua geometria cria bandas eletrônicas quase planas com uma alta densidade de estados .

O pipeline de ML examinou o vasto espaço combinatório de materiais kagome 1:3:2, sinalizou os candidatos mais promissores, refinou-os com DFT e apontou os experimentalistas para dois compostos anteriormente desconhecidos: YRu₃B₂ e LuRu₃B₂ .

Ambos foram então sintetizados e confirmados como supercondutores de volume através de medições de magnetização, calor específico e transporte elétrico . As temperaturas críticas relatadas variam de 0,63–0,95 K, dependendo da medição e da amostra, com ambos os materiais mostrando supercondutividade de baixa temperatura e acoplamento fraco .

O trabalho, de autoria de Rose Albu Mustaf e outros, foi publicado no Physical Review Research 8, 023308 (2026) . O significado, conforme destacado pela Professora Törmä, é que o pipeline de ML pode filtrar um número "praticamente infinito" de combinações de materiais, contornando os gargalos computacionais tradicionais que historicamente limitaram a descoberta de supercondutores .

O Que Esses Avanços Paralelos Sinalizam: Um Ponto de Inflexão no Setor

Juntas, essas duas descobertas marcam um ponto de inflexão claro na ciência dos materiais. A mudança é da serendipidade empírica intensiva em mão de obra para o design racional guiado por computação. A comparação é gritante:

Os dois esforços são complementares em suas abordagens. O Elements Claw demonstra que agentes de IA autônomos de ponta a ponta agora podem planejar e executar o ciclo completo de descoberta — da geração de hipóteses ao protocolo experimental . O consórcio SuperC, por sua vez, mostra que a triagem acelerada por ML pode ser combinada produtivamente com cálculos baseados em física quântica para navegar em vastos espaços químicos para geometrias de rede direcionadas, como kagome .

Uma Ressonância Importante: Ainda Não é Supercondutividade à Temperatura Ambiente

Uma ressalva crítica deve ser declarada claramente: os valores de Tc encontrados até agora (0,6–6,5 K) são todos supercondutores de baixa temperatura, exigindo resfriamento extremo com hélio líquido. Estas não são descobertas de temperatura ambiente. O significado dessas descobertas não está nas temperaturas de transição em si, mas na velocidade e autonomia da metodologia de descoberta.

O que importa é que o pipeline funciona. A IA agora pode apontar pesquisadores para supercondutores viáveis em uma fração do tempo tradicional, e essas previsões podem ser verificadas experimentalmente. Se esses métodos forem escalados para regimes de temperatura mais altos — e não há razão fundamental para que não possam — as implicações para transmissão de energia, levitação magnética, computação quântica e imagens médicas podem ser transformadoras.

Como observou Huang Wenbing, professor associado da Universidade Renmin, a mesma estrutura de agente de IA poderia ser aplicada a outros desafios de descoberta de materiais, incluindo eletrólitos de baterias de estado sólido e catalisadores multifásicos .