AI ค้นพบตัวนำยวดยิ่งใหม่ 6 ชนิดในเวลาไม่กี่วัน

สถาปัตยกรรมและประสิทธิภาพ Elements Claw ใช้สถาปัตยกรรมแบบ "โมเดลอะตอมพื้นฐานเฉพาะทาง + กรอบงานอัจฉริยะทั่วไป" โมเดลอะตอมขนาด 1 พันล้านพารามิเตอร์ได้รับการฝึกฝนบนฐานข้อมูลโมเลกุลและโครงสร้างผลึกจำนวน 125 ล้านรายการ ^F1 โมเดลทำนายความเป็นตัวนำยวดยิ่งได้อย่างแม่นยำ: AUC 0.996 และความคลาดเคลื่อนเฉลี่ยต่ำกว่า 1 เคลวิน เมื่อประมาณอุณหภูมิวิกฤต (Tc) ¹

ปริมาณงานที่改写 Timeline ในการสาธิตประสิทธิภาพที่เทียบไม่ได้กับวิธีดั้งเดิม Elements Claw สกรีน โครงสร้างผลึก 2.4 ล้านแบบ ในเวลาเพียง 28 ชั่วโมง GPU จากการสกรีนนี้ มันระบุ วัสดุตัวนำยวดยิ่งที่น่าจะเป็นไปได้ 68,000 ชนิด ¹ ทีมวิจัยเลือก 4 ชนิดเพื่อสังเคราะห์และตรวจสอบเชิงทดลอง ผลปรากฏว่าทั้ง 4 ชนิดเป็นตัวนำยวดยิ่งจริง:

• Hf₂₁Re₂₅ — วัสดุที่ฐานข้อมูลเดิมมองข้าม ^F
• Zr₄VRe₇ — วัสดุที่ได้รับการยืนยันหลังจากแก้ไขข้อผิดพลาดของโครงสร้างในฐานข้อมูล ^F
• HfZrRe₄ — โครงสร้างใหม่ที่ AI ออกแบบขึ้นจากศูนย์ ^F
• Zr₃ScRe₈ — ระบุผ่านการอนุมานโครงสร้างที่คล้ายคลึงกัน ^F

อุณหภูมิวิกฤตสูงสุดที่ยืนยันได้ถึง 6.5 เคลวิน ^S1 ผลลัพธ์ถูกตีพิมพ์บน arXiv และข้อมูลการทำนายทั้งหมดถูกปล่อยเป็นโอเพนซอร์สให้ชุมชนวิจัยทั่วโลก ^1H

Rong Yu หัวหน้าฝ่าย Scientific Intelligence ของ DAMO Academy กล่าวว่างานนี้แสดงให้เห็นว่า "เอเจนต์ AI สามารถค้นพบวัสดุใหม่ได้" ซึ่งหากปรับขนาดไปสู่ช่วงอุณหภูมิที่สูงขึ้น อาจเปลี่ยนแปลงเทคโนโลยีด้านพลังงาน การคำนวณ และควอนตัม ¹

กลุ่ม SuperC: Machine Learning พบกับเรขาคณิตคาโกเมะ

ก่อนหน้านั้นไม่กี่วัน ในวันที่ 29 มิถุนายน 2026 ทีมวิจัยนานาชาติที่นำโดย ศาสตราจารย์ Päivi Törmä จากมหาวิทยาลัย Aalto — กลุ่ม SuperC consortium — ตีพิมพ์ผลงานการค้นพบตัวนำยวดยิ่งที่ขับเคลื่อนด้วย AI เช่นกัน ^SHP

แนวทางของพวกเขาผสมผสาน การสกรีนปริมาณงานสูงที่เร่งด้วย Machine Learning เข้ากับ การคำนวณหลักการแรก (Density Functional Theory หรือ DFT) เพื่อกำหนดเป้าหมายไปที่ตระกูลโครงสร้างที่มีแนวโน้มดี: โครงตาข่ายคาโกเมะ (kagome lattice) ^1SP โครงตาข่ายคาโกเมะ ซึ่งตั้งชื่อตามลายสานตะกร้าของญี่ปุ่น ถูกมองมานานว่าเป็นพื้นที่อุดมสมบูรณ์สำหรับตัวนำยวดยิ่ง เนื่องจากรูปทรงเรขาคณิตของมันสร้างแถบอิเล็กตรอนที่เกือบราบเรียบซึ่งมีความหนาแน่นสถานะสูง ^P

ท่อส่ง ML สกรีนพื้นที่รวมขนาดใหญ่ของวัสดุคาโกเมะในอัตราส่วน 1:3:2 ระบุตัวเลือกที่น่าสนใจที่สุด ปรับแต่งด้วย DFT และชี้ให้นักทดลองไปยังสารประกอบที่ไม่รู้จักมาก่อนสองชนิด: YRu₃B₂ และ LuRu₃B₂ ^AL

สารประกอบทั้งสองถูกสังเคราะห์และยืนยันว่าแสดงสภาพนำยวดยิ่งแบบบัลค์ผ่านการวัดค่าแม่เหล็ก ความจุความร้อน และการนำไฟฟ้า ^AL อุณหภูมิวิกฤตที่รายงานมีตั้งแต่ 0.63–0.95 เคลวิน ขึ้นอยู่กับการวัดและตัวอย่าง โดยวัสดุทั้งสองแสดงสภาพนำยวดยิ่งแบบอ่อนที่อุณหภูมิต่ำ ^RFAAA

ผลงานนี้ authored by Rose Albu Mustaf et al. ตีพิมพ์ใน Physical Review Research 8, 023308 (2026) ^SM ความสำคัญตามที่ศาสตราจารย์ Törmä เน้นคือ ท่อส่ง ML สามารถกรองชุดค่าผสมของวัสดุ "ที่แทบไม่มีที่สิ้นสุด" เลี่ยงคอขวดในการคำนวณแบบดั้งเดิมที่จำกัดการค้นพบตัวนำยวดยิ่งมาอย่างยาวนาน ^HP

สัญญาณจากสองความก้าวหน้าคู่ขนาน: จุดเปลี่ยนของอุตสาหกรรม

เมื่อนำมารวมกัน ความก้าวหน้าทั้งสองชิ้นนี้ถือเป็นจุดเปลี่ยนที่ชัดเจนของวัสดุศาสตร์ การเปลี่ยนแปลงนี้คือจาก การสุ่มเดาเชิงประจักษ์ที่ใช้แรงงานเข้มข้น ไปสู่ การออกแบบอย่างมีเหตุผลที่นำโดยการคำนวณ เปรียบเทียบให้เห็นชัด:

สองความพยายามนี้เสริมกันในแนวทาง Elements Claw แสดงให้เห็นว่า เอเจนต์ AI แบบ end-to-end อัตโนมัติ สามารถวางแผนและดำเนินการวงรอบการค้นพบทั้งหมด ตั้งแต่การสร้างสมมติฐานไปจนถึงการออกแบบการทดลอง ^F1 ในขณะที่กลุ่ม SuperC แสดงให้เห็นว่า การสกรีนที่เร่งด้วย ML สามารถผนวกกับการคำนวณฟิสิกส์ควอนตัมเพื่อนำทางพื้นที่เคมีขนาดใหญ่สำหรับเรขาคณิตของโครงตาข่ายเฉพาะ เช่น คาโกเมะ ^1SP

ข้อควรระวังสำคัญ: นี่ยังไม่ใช่ตัวนำยวดยิ่งอุณหภูมิห้อง

ข้อควรระวังที่สำคัญต้องกล่าวอย่างตรงไปตรงมา: ค่า Tc ที่พบจนถึงตอนนี้ (0.6–6.5 เคลวิน) ล้วนเป็นตัวนำยวดยิ่งอุณหภูมิต่ำ ที่ต้องการการทำความเย็นอย่างมากด้วยฮีเลียมเหลว สิ่งเหล่านี้ไม่ใช่ความก้าวหน้าสู่อุณหภูมิห้อง ความสำคัญของการค้นพบนี้ไม่ได้อยู่ที่อุณหภูมิแทรนซิชันเอง แต่เป็นที่ ความเร็วและความเป็นอิสระของวิธีการค้นพบ

สิ่งที่สำคัญคือกระบวนการทำงานได้ AI สามารถชี้ให้นักวิจัยเห็นตัวนำยวดยิ่งที่เป็นไปได้ในเวลาอันสั้นเมื่อเทียบกับวิธีดั้งเดิม และการทำนายเหล่านั้นสามารถตรวจสอบยืนยันได้ในการทดลอง หากวิธีการเหล่านี้ปรับขนาดไปสู่ช่วงอุณหภูมิที่สูงขึ้น — และไม่มีเหตุผลพื้นฐานใดที่มันจะทำไม่ได้ — ผลกระทบต่อการส่งพลังงาน รถไฟแม่เหล็ก การคำนวณควอนตัม และการถ่ายภาพทางการแพทย์อาจเปลี่ยนแปลงโลก

ดังที่ Huang Wenbing รองศาสตราจารย์จากมหาวิทยาลัยเหรินหมิน กล่าวไว้ กรอบงานเอเจนต์ AI เดียวกันนี้สามารถนำไปใช้กับความท้าทายในการค้นพบวัสดุอื่นๆ รวมถึงอิเล็กโทรไลต์ของแบตเตอรี่โซลิดสเตตและตัวเร่งปฏิกิริยาหลายเฟส ¹