AI upptäckte sex nya supraledare på några dagar – slutet för trial-and-error inom materialvetenskap

I årtionden har det tagit åratal av mödosamt laboratoriearbete, syntes och mätningar – och en god portion tur – att hitta en ny supraledare. Den kända samlingen supraledande material, som efter decennier av globala insatser finns katalogiserad i SuperCon-databasen, omfattar bara cirka 2 000 ämnen ^F.

Under loppet av några dagar i slutet av juni och början av juli 2026 förändrades det paradigmet på ett avgörande sätt. Två oberoende forskningsinitiativ – ett lett av Alibabas DAMO Academy och ett annat av det internationella konsortiet SuperC – meddelade upptäckten av sex nya supraledande material, alla identifierade och experimentellt bekräftade med AI-drivna metoder. Hastigheten, omfattningen och autonomin i dessa upptäckter tyder på att materialvetenskapen har passerat en kritisk tröskel.

Alibabas Elements Claw: Den första autonoma AI-agenten för supraledarupptäckter

Den 3 juli 2026 presenterade Alibabas DAMO Academy, i samarbete med Renmin-universitetet och Kinesiska vetenskapsakademins universitet, Elements Claw, som beskrivs som den första AI-agenten i världen som är särskilt byggd för att upptäcka supraledare ^SF1. Elements Claw är inte bara ett förutsägelseverktyg; det är ett autonomt system som kan läsa vetenskaplig litteratur, utvärdera om ett material går att syntetisera och utforma experimentella protokoll – och därmed efterlikna hela arbetsflödet hos en mänsklig materialforskare ^FF.

Arkitektur och prestanda. Elements Claw använder en hybrid "specialiserad atomär basmodell + allmänt intelligent ramverk." Den har en atommodell med 1 miljard parametrar som förtränats på en databas med 125 miljoner molekyler och kristallstrukturer ^F1. Modellen förutsäger supraledning med anmärkningsvärd träffsäkerhet: AUC på 0,996 och ett genomsnittligt fel på under 1 K vid skattning av kritisk temperatur (Tc) ¹.

Genomströmning som skriver om tidslinjen. I en demonstration av effektivitet som skulle vara omöjlig med traditionella metoder sållade Elements Claw igenom 2,4 miljoner kristallstrukturer på bara 28 GPU-timmar. Ur denna sållning identifierades 68 000 supraledarkandidater med hög konfidens ¹. Forskningsgruppen valde sedan ut fyra kandidater för syntes och experimentell verifiering. Alla fyra bekräftades som äkta supraledare:

• Hf₂₁Re₂₅ – ett material som tidigare missats i befintliga databaser ^F
• Zr₄VRe₇ – ett material som bekräftades efter att en strukturell felaktighet i databasen korrigerats ^F
• HfZrRe₄ – en helt ny struktur som AI:n designat från grunden ^F
• Zr₃ScRe₈ – identifierad genom extrapolering av strukturella likheter ^F

Den högsta bekräftade kritiska temperaturen bland dessa uppgick till 6,5 K ^S1. Resultaten publicerades på arXiv, och alla förutsägelsedata har gjorts tillgängliga som öppen källkod för den globala forskargemenskapen ^1H.

Rong Yu, vetenskaplig chef för AI på DAMO Academy, sade att arbetet visar att "AI-agenter kan upptäcka nya material" – en förmåga som, om den skalas till högre temperaturer, skulle kunna omvandla energi, datoranvändning och kvantteknologi ¹.

SuperC-konsortiet: Maskininlärning möter kagome-geometri

Bara några dagar tidigare, den 29 juni 2026, publicerade ett internationellt forskningssamarbete lett av professor Päivi Törmä vid Aalto-universitetet – SuperC-konsortiet – sin egen AI-drivna supraledarupptäckt ^SHP.

Deras tillvägagångssätt kombinerade maskininlärningsaccelererad höggenomströmningsscreening med förstaprincipberäkningar (täthetsfunktionalteori, DFT) för att rikta in sig på en specifik och lovande strukturell familj: kagome-gitter ^1SP. Kagome-gitter, uppkallade efter ett japanskt korgflätningsmönster, har länge ansetts vara en bördig mark för supraledning eftersom deras geometri skapar nästan platta elektroniska band med hög tillståndstäthet ^P.

ML-pipelinen sållade igenom det enorma kombinatoriska utrymmet av 1:3:2-kagome-material, flaggade de mest lovande kandidaterna, förfinade dem med DFT och pekade ut experimentella forskare mot två tidigare okända föreningar: YRu₃B₂ och LuRu₃B₂ ^AL.

Båda syntetiserades därefter och bekräftades uppvisa bulk-supraledning genom magnetiserings-, specifik värmekapacitets- och elektriska transportmätningar ^AL. De rapporterade kritiska temperaturerna varierar från 0,63–0,95 K beroende på mätning och prov, där båda materialen uppvisar svagt kopplad, lågtemperatursupraledning ^RFAAA.

Arbetet, författat av Rose Albu Mustaf och medarbetare, publicerades i Physical Review Research 8, 023308 (2026) ^SM. Som professor Törmä påpekade är betydelsen att ML-pipelinen kan filtrera ett "praktiskt taget oändligt" antal materialkombinationer och kringgå de traditionella beräkningsflaskhalsar som historiskt har begränsat supraledarupptäckter ^HP.

Vad dessa parallella framsteg signalerar: En brytpunkt för industrin

Tillsammans markerar dessa två genombrott en tydlig brytpunkt inom materialvetenskapen. Skiftet går från arbetsintensiv empirisk slumpmässighet till beräkningsstyrd rationell design. Jämförelsen är slående:

Aspekt	Traditionell trial-and-error	AI-driven paradigm
Sökområde	Decennier att sålla ~2 000 kända supraledare (SuperCon-databas) F	Miljontals kandidater på dagar
Tid per upptäckt	År av iterativ syntes och mätning	28 GPU-timmar för full screening 1
Autonomi	Mänsklig intuition och manuell litteraturgenomgång	AI-agent läser självständigt artiklar, föreslår kandidater, utformar experiment F
Skalbarhet	Unika upptäckter, ofta slumpartade	Systematisk, repeterbar och öppen datapipeline P

De två insatserna är komplementära i sina tillvägagångssätt. Elements Claw visar att autonoma AI-agenter från början till slut nu kan planera och genomföra hela upptäcktsloopen – från hypotesgenerering till experimentellt protokoll ^F1. SuperC-konsortiet visar å sin sida att ML-accelererad screening på ett produktivt sätt kan kombineras med kvantfysikbaserade beräkningar för att navigera i stora kemiska utrymmen för riktade gittergeometrier som kagome ^1SP.

En viktig reservation: Detta är inte rumstempererad supraledning

En kritisk reservation måste uttalas tydligt: de Tc-värden som hittats hittills (0,6–6,5 K) är alla lågtemperatursupraledare som kräver extrem kylning med flytande helium. Detta är inte genombrott för rumstemperatur. Betydelsen av dessa upptäckter ligger inte i själva övergångstemperaturerna, utan i hastigheten och autonomin i upptäcktsmetodiken.

Det viktiga är att pipelinen fungerar. AI kan nu peka ut livskraftiga supraledare för forskare på en bråkdel av den tid det traditionellt tar, och dessa förutsägelser kan experimentellt verifieras. Om dessa metoder skalas till högre temperaturregimer – och det finns ingen grundläggande anledning till att de inte kan det – skulle konsekvenserna för energiöverföring, magnetisk levitation, kvantdatorer och medicinsk bildbehandling kunna bli omvälvande.

Som Huang Wenbing, docent vid Renmin-universitetet, påpekade, skulle samma AI-agentramverk kunna tillämpas på andra materialupptäcktsutmaningar, inklusive fasta batterielektrolyter och flerfaskatalysatorer ¹.