AI vừa khám phá 6 siêu dẫn mới chỉ trong vài ngày: Chấm dứt kỷ nguyên thử-sai trong khoa học vật liệu

Trong nhiều thập kỷ, việc tìm ra một siêu dẫn mới đồng nghĩa với nhiều năm tổng hợp, đo đạc và một phần không nhỏ may mắn. Vũ trụ các chất siêu dẫn từng được biết đến, được ghi nhận trong cơ sở dữ liệu SuperCon sau hàng thập kỷ nỗ lực toàn cầu, chỉ có khoảng 2.000 mục .

Chỉ trong vòng vài ngày cuối tháng 6 và đầu tháng 7 năm 2026, mô hình đó đã thay đổi một cách quyết liệt. Hai nỗ lực nghiên cứu độc lập – một do DAMO Academy của Alibaba dẫn đầu, một do liên minh quốc tế SuperC thực hiện – đã công bố việc phát hiện ra sáu vật liệu siêu dẫn mới, tất cả đều được xác định và xác nhận thực nghiệm thông qua các phương pháp do AI điều khiển. Tốc độ, phạm vi và tính tự chủ của những khám phá này cho thấy khoa học vật liệu đã vượt qua một ngưỡng quan trọng .

Elements Claw của Alibaba: AI Agent tự động đầu tiên khám phá siêu dẫn

Vào ngày 3 tháng 7 năm 2026, DAMO Academy của Tập đoàn Alibaba, phối hợp với Đại học Nhân dân và Đại học Khoa học và Công nghệ Trung Quốc, đã công bố Elements Claw – AI agent đầu tiên trong ngành được chế tạo chuyên biệt để khám phá siêu dẫn . Elements Claw không chỉ đơn thuần là một công cụ dự đoán; nó là một hệ thống tự động có khả năng đọc tài liệu khoa học, đánh giá tính khả thi của việc tổng hợp một vật liệu và thiết kế các quy trình thí nghiệm – mô phỏng hoàn chỉnh quy trình làm việc của một nhà khoa học vật liệu .

Kiến trúc và hiệu suất: Elements Claw sử dụng kiến trúc lai "mô hình nền tảng nguyên tử chuyên biệt + khung thông minh tổng quát". Mô hình nguyên tử 1 tỷ tham số của nó đã được huấn luyện trước trên cơ sở dữ liệu 125 triệu phân tử và cấu trúc tinh thể . Mô hình dự đoán siêu dẫn với độ chính xác đáng kể: chỉ số AUC đạt 0,996 và sai số trung bình dưới 1 K khi ước tính nhiệt độ tới hạn (Tc) .

Thông lượng vượt thời gian: Trong một màn trình diễn hiệu quả mà các phương pháp truyền thống không thể làm được, Elements Claw đã sàng lọc 2,4 triệu cấu trúc tinh thể chỉ trong 28 giờ GPU. Từ đó, nó xác định được 68.000 ứng cử viên siêu dẫn có độ tin cậy cao . Nhóm nghiên cứu sau đó đã chọn bốn ứng cử viên để tổng hợp và xác minh thực nghiệm. Cả bốn đều được xác nhận là siêu dẫn thực sự:

• Hf₂₁Re₂₅ – một vật liệu trước đây bị bỏ sót bởi các cơ sở dữ liệu hiện có .
• Zr₄VRe₇ – một vật liệu được xác nhận sau khi sửa lỗi cấu trúc trong cơ sở dữ liệu .
• HfZrRe₄ – một cấu trúc hoàn toàn mới do AI thiết kế từ đầu .
• Zr₃ScRe₈ – được xác định thông qua phép ngoại suy tương đồng cấu trúc .

Nhiệt độ tới hạn cao nhất được xác nhận trong số này đạt 6,5 K . Kết quả đã được công bố trên arXiv, và tất cả dữ liệu dự đoán đã được mã nguồn mở cho cộng đồng nghiên cứu toàn cầu .

Rong Yu, trưởng nhóm khoa học thông minh của DAMO Academy, phát biểu rằng công trình này chứng minh "các agent AI có thể khám phá ra vật liệu mới" – một năng lực mà nếu được mở rộng lên các mức nhiệt độ cao hơn, có thể biến đổi các công nghệ năng lượng, máy tính và lượng tử .

Liên minh SuperC: Máy học kết hợp hình học Kagome

Chỉ vài ngày trước đó, vào ngày 29 tháng 6 năm 2026, một hợp tác nghiên cứu quốc tế do Giáo sư Päivi Törmä từ Đại học Aalto – liên minh SuperC – dẫn đầu đã công bố khám phá siêu dẫn do AI hỗ trợ của riêng họ .

Cách tiếp cận của họ kết hợp sàng lọc thông lượng cao tăng tốc bằng máy học với các tính toán nguyên lý đầu tiên (lý thuyết hàm mật độ, hay DFT) để nhắm vào một họ cấu trúc cụ thể và đầy hứa hẹn: mạng tinh thể kagome . Mạng kagome, được đặt tên theo một kiểu đan rổ truyền thống của Nhật Bản, từ lâu đã được coi là mảnh đất màu mỡ cho siêu dẫn vì hình học của chúng tạo ra các dải điện tử gần như phẳng với mật độ trạng thái cao .

Đường ống ML đã sàng lọc không gian tổ hợp rộng lớn của các vật liệu kagome tỷ lệ 1:3:2, đánh dấu các ứng cử viên hứa hẹn nhất, tinh chỉnh chúng bằng DFT, và chỉ cho các nhà thực nghiệm về hai hợp chất chưa từng biết đến trước đây: YRu₃B₂ và LuRu₃B₂ .

Cả hai sau đó đã được tổng hợp và xác nhận thể hiện tính siêu dẫn khối thông qua các phép đo từ hóa, nhiệt dung và vận chuyển điện . Nhiệt độ tới hạn được báo cáo nằm trong khoảng 0,63–0,95 K tùy thuộc vào phép đo và mẫu, với cả hai vật liệu đều thể hiện tính siêu dẫn nhiệt độ thấp, liên kết yếu .

Công trình, do Rose Albu Mustaf và cộng sự thực hiện, đã được công bố trên Physical Review Research 8, 023308 (2026) . Tầm quan trọng, như Giáo sư Törmä nhấn mạnh, nằm ở chỗ đường ống ML có thể lọc một số lượng "thực tế là vô hạn" các kết hợp vật liệu, vượt qua các nút thắt cổ chai tính toán truyền thống vốn từng giới hạn việc khám phá siêu dẫn .

Những bước tiến song song báo hiệu điều gì: Một điểm uốn của ngành

Cùng với nhau, hai đột phá này đánh dấu một điểm uốn rõ ràng trong khoa học vật liệu. Sự thay đổi từ ngẫu nhiên thực nghiệm tốn nhiều công sức sang thiết kế hợp lý dẫn dắt bằng tính toán. Sự so sánh thật rõ ràng:

Phương diện	Thử-sai truyền thống	Mô hình do AI dẫn dắt
Không gian tìm kiếm	Hàng thập kỷ để sàng lọc ~2.000 siêu dẫn đã biết (cơ sở dữ liệu SuperCon)	Hàng triệu ứng viên trong vài ngày
Thời gian mỗi phát hiện	Nhiều năm tổng hợp và đo đạc lặp đi lặp lại	28 giờ GPU cho toàn bộ quá trình sàng lọc
Tự chủ	Trực giác của con người và xem xét tài liệu thủ công	AI agent tự động đọc báo, đề xuất ứng cử viên, thiết kế thí nghiệm
Khả năng mở rộng	Các phát hiện đơn lẻ, thường là tình cờ	Các quy trình có hệ thống, có thể tái lập và dữ liệu mở

Hai nỗ lực này bổ sung cho nhau về cách tiếp cận. Elements Claw chứng minh rằng các AI agent tự động đầu cuối giờ đây có thể lập kế hoạch và thực thi toàn bộ vòng lặp khám phá – từ tạo giả thuyết đến quy trình thực nghiệm . Trong khi đó, liên minh SuperC cho thấy sàng lọc tăng tốc bằng ML có thể được kết hợp hiệu quả với các tính toán dựa trên vật lý lượng tử để điều hướng các không gian hóa học rộng lớn hướng tới các hình học mạng tinh thể mục tiêu như kagome .

Một lưu ý quan trọng: Đây chưa phải là siêu dẫn nhiệt độ phòng

Một lưu ý quan trọng phải được nói rõ: các giá trị Tc được tìm thấy cho đến nay (0,6–6,5 K) đều là siêu dẫn nhiệt độ thấp, đòi hỏi làm lạnh cực độ bằng heli lỏng. Đây không phải là những đột phá về nhiệt độ phòng. Ý nghĩa của những khám phá này không nằm ở bản thân nhiệt độ chuyển tiếp, mà nằm ở tốc độ và tính tự chủ của phương pháp luận khám phá.

Điều quan trọng là quy trình hoạt động. AI giờ đây có thể chỉ cho các nhà nghiên cứu hướng tới các siêu dẫn khả thi trong một phần nhỏ thời gian truyền thống, và những dự đoán đó có thể được xác minh thực nghiệm. Nếu các phương pháp này mở rộng quy mô lên các chế độ nhiệt độ cao hơn – và không có lý do cơ bản nào ngăn cản điều đó – thì các hàm ý đối với truyền tải năng lượng, đệm từ trường, máy tính lượng tử và hình ảnh y tế có thể mang tính biến đổi.

Như Huang Wenbing, phó giáo sư tại Đại học Nhân dân, đã nhận xét, cùng một khung AI agent có thể được áp dụng cho các thách thức khám phá vật liệu khác, bao gồm chất điện phân pin thể rắn và chất xúc tác đa pha .