AI ค้นพบตัวนำยวดยิ่งใหม่ 6 ชนิดในเวลาไม่กี่วัน

กว่าหลายสิบปีที่ผ่านมา การค้นหาตัวนำยวดยิ่งชนิดใหม่หมายถึงการทดลองสังเคราะห์ วัดผล และใช้โชคช่วยเป็นปีๆ ฐานข้อมูล SuperCon ที่รวบรวมความพยายามทั่วโลกมานาน มีวัสดุตัวนำยวดยิ่งที่รู้จักเพียงประมาณ 2,000 ชนิด

แต่ในช่วงเวลาเพียงไม่กี่วัน ปลายเดือนมิถุนายนถึงต้นเดือนกรกฎาคม 2026 กระบวนทัศน์นี้เปลี่ยนไปอย่างสิ้นเชิง ทีมวิจัยอิสระสองทีม — ทีมจาก DAMO Academy ของอาลีบาบา และอีกทีมจากกลุ่มความร่วมมือนานาชาติ SuperC — ประกาศการค้นพบตัวนำยวดยิ่งชนิดใหม่รวม 6 ชนิด โดยทั้งหมดถูกระบุและตรวจยืนยันด้วยวิธีการขับเคลื่อนด้วย AI ความเร็ว ขอบเขต และความเป็นอิสระของการค้นพบนี้บ่งชี้ว่าวัสดุศาสตร์ได้ก้าวข้ามจุดวิกฤตไปแล้ว

Elements Claw จากอาลีบาบา: เอเจนต์ AI ตัวแรกของโลกที่ค้นหาตัวนำยวดยิ่งได้เอง

เมื่อวันที่ 3 กรกฎาคม 2026 DAMO Academy ของอาลีบาบา ร่วมกับมหาวิทยาลัยเหรินหมิน และมหาวิทยาลัย Chinese Academy of Sciences เปิดตัว Elements Claw ซึ่งถูกอธิบายว่าเป็นเอเจนต์ AI ตัวแรกของอุตสาหกรรมที่สร้างมาเพื่อการค้นพบตัวนำยวดยิ่งโดยเฉพาะ Elements Claw ไม่ใช่แค่เครื่องมือทำนายธรรมดา แต่เป็นระบบอัตโนมัติที่สามารถอ่านเอกสารวิจัย ประเมินความเป็นไปได้ในการสังเคราะห์วัสดุ และออกแบบขั้นตอนการทดลอง — เลียนแบบกระบวนการทำงานทั้งหมดของนักวิทยาศาสตร์ด้านวัสดุมนุษย์

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

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

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

อุณหภูมิวิกฤตสูงสุดที่ยืนยันได้ถึง 6.5 เคลวิน ผลลัพธ์ถูกตีพิมพ์บน arXiv และข้อมูลการทำนายทั้งหมดถูกปล่อยเป็นโอเพนซอร์สให้ชุมชนวิจัยทั่วโลก

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

กลุ่ม SuperC: Machine Learning พบกับเรขาคณิตคาโกเมะ

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

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

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

สารประกอบทั้งสองถูกสังเคราะห์และยืนยันว่าแสดงสภาพนำยวดยิ่งแบบบัลค์ผ่านการวัดค่าแม่เหล็ก ความจุความร้อน และการนำไฟฟ้า อุณหภูมิวิกฤตที่รายงานมีตั้งแต่ 0.63–0.95 เคลวิน ขึ้นอยู่กับการวัดและตัวอย่าง โดยวัสดุทั้งสองแสดงสภาพนำยวดยิ่งแบบอ่อนที่อุณหภูมิต่ำ

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

สัญญาณจากสองความก้าวหน้าคู่ขนาน: จุดเปลี่ยนของอุตสาหกรรม

เมื่อนำมารวมกัน ความก้าวหน้าทั้งสองชิ้นนี้ถือเป็นจุดเปลี่ยนที่ชัดเจนของวัสดุศาสตร์ การเปลี่ยนแปลงนี้คือจาก การสุ่มเดาเชิงประจักษ์ที่ใช้แรงงานเข้มข้น ไปสู่ การออกแบบอย่างมีเหตุผลที่นำโดยการคำนวณ เปรียบเทียบให้เห็นชัด:

ลักษณะ	วิธีลองผิดลองถูกแบบดั้งเดิม	กระบวนทัศน์ที่ขับเคลื่อนด้วย AI
พื้นที่ค้นหา	หลายสิบปีเพื่อสกรีน ~2,000 ชนิด (ฐานข้อมูล SuperCon)	ล้านตัวเลือกในเวลาไม่กี่วัน
เวลาต่อการค้นพบ	ปีของการสังเคราะห์และวัดซ้ำ	28 ชั่วโมง GPU สำหรับการสกรีนทั้งหมด
ความเป็นอิสระ	สัญชาตญาณมนุษย์และทบทวนวรรณกรรมด้วยมือ	เอเจนต์ AI อ่านเอกสาร เสนอตัวเลือก ออกแบบการทดลองได้เอง
ความสามารถในการขยาย	การค้นพบเดี่ยวๆ มักเกิดจากความบังเอิญ	กระบวนการที่ระบบ ทำซ้ำได้ และใช้ข้อมูลเปิด

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

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