架构与性能

Elements Claw采用“专用原子基础模型+通用智能框架”的混合架构。其拥有10亿参数的原子模型，基于1.25亿个分子和晶体结构的数据集进行预训练。该模型预测超导性的准确率惊人：AUC达到0.996，预测临界温度（Tc）的平均误差低于1 K。

效率改写时间线

在传统方法难以想象的效率演示中，Elements Claw在仅28个GPU小时内就筛选了240万种晶体结构，从中识别出6.8万个高置信度的超导候选材料。研究团队从中选择了4种候选材料进行合成和实验验证，结果全部被证实为真正的超导体：

• Hf₂₁Re₂₅——一种被现有数据库遗漏的材料
• Zr₄VRe₇——在纠正了数据库中的结构错误后确认的材料
• HfZrRe₄——完全由AI从头设计的新型结构
• Zr₃ScRe₈——通过结构相似性外推识别

其中确认的最高临界温度达到6.5 K。相关成果已发表在arXiv预印本平台上，所有预测数据已向全球研究社区开源。

达摩院科学智能负责人荣钰表示，这项工作证明了“AI智能体能够发现新材料”——如果这一能力扩展到更高温区，可能会彻底改变能源、计算和量子技术领域。

SuperC联盟：当机器学习遇上Kagome几何

就在几天前，2026年6月29日，由芬兰阿尔托大学Päivi Törmä教授领导的SuperC联盟发表了自己的AI驱动超导发现成果。

他们的方法将机器学习加速的高通量筛选与第一性原理计算（密度泛函理论，DFT）相结合，针对一个特定且有前景的结构家族：kagome晶格。Kagome晶格以日本的一种竹编图案命名，由于其几何结构能产生具有高态密度的近乎平坦的电子能带，长期以来被认为是孕育超导性的沃土。

该机器学习管道筛选了1:3:2型kagome材料的巨大组合空间，标出最有希望的候选材料，用DFT进行精炼，并指引实验物理学家找到了两种此前未知的化合物：YRu₃B₂和LuRu₃B₂。

随后，这两种材料被成功合成，并通过磁化率、比热和电输运测量证实了体超导性。报告临界温度根据测量方法和样品不同，范围为0.63–0.95 K，两种材料均表现为弱耦合、低温超导体。

这项由Rose Albu Mustaf等人完成的成果发表在**《Physical Review Research》8卷，023308期（2026年）**。正如Törmä教授所强调的，其意义在于机器学习管道可以过滤“几乎无限”的材料组合，绕过了传统上限制超导体发现的计算瓶颈。

双重突破意味着什么：行业转折点

这两项突破共同标志着材料科学领域一个清晰的转折点。这是从劳动密集型经验试错向计算引导的理性设计的转变。对比鲜明：

这两种方法相辅相成。Elements Claw展示了端到端的自主AI智能体现在能够规划并执行完整的发现闭环——从假设生成到实验方案。而SuperC联盟则表明，机器学习加速的筛选可以与基于量子物理的计算有效结合，以导航巨大的化学空间，寻找像kagome这样的特定晶格几何结构。

重要提示：这还不是室温超导

必须明确指出一个关键警告：目前发现的Tc值（0.6–6.5 K）都属于低温超导体，需要借助液氦进行极端冷却。这些发现的意义不在于转变温度本身，而在于发现方法的速度和自主性。

真正重要的是，这套流程走通了。AI现在可以在传统时间的一小部分内为研究人员指明可行的超导体方向，并且这些预测可以得到实验验证。如果这些方法扩展到更高温区——而且没有根本性的理由认为不能——那么对于能源传输、磁悬浮、量子计算和医学成像等领域的影响将是变革性的。

正如中国人民大学副教授黄文炳所指出的，同样的AI智能体框架也可以应用于其他材料发现挑战，包括固态电池电解质和多相催化剂。

架构与性能

Elements Claw采用“专用原子基础模型+通用智能框架”的混合架构。其拥有10亿参数的原子模型，基于1.25亿个分子和晶体结构的数据集进行预训练。该模型预测超导性的准确率惊人：AUC达到0.996，预测临界温度（Tc）的平均误差低于1 K。

效率改写时间线

在传统方法难以想象的效率演示中，Elements Claw在仅28个GPU小时内就筛选了240万种晶体结构，从中识别出6.8万个高置信度的超导候选材料。研究团队从中选择了4种候选材料进行合成和实验验证，结果全部被证实为真正的超导体：

• Hf₂₁Re₂₅——一种被现有数据库遗漏的材料
• Zr₄VRe₇——在纠正了数据库中的结构错误后确认的材料
• HfZrRe₄——完全由AI从头设计的新型结构
• Zr₃ScRe₈——通过结构相似性外推识别

其中确认的最高临界温度达到6.5 K。相关成果已发表在arXiv预印本平台上，所有预测数据已向全球研究社区开源。

达摩院科学智能负责人荣钰表示，这项工作证明了“AI智能体能够发现新材料”——如果这一能力扩展到更高温区，可能会彻底改变能源、计算和量子技术领域。

SuperC联盟：当机器学习遇上Kagome几何

就在几天前，2026年6月29日，由芬兰阿尔托大学Päivi Törmä教授领导的SuperC联盟发表了自己的AI驱动超导发现成果。

他们的方法将机器学习加速的高通量筛选与第一性原理计算（密度泛函理论，DFT）相结合，针对一个特定且有前景的结构家族：kagome晶格。Kagome晶格以日本的一种竹编图案命名，由于其几何结构能产生具有高态密度的近乎平坦的电子能带，长期以来被认为是孕育超导性的沃土。

该机器学习管道筛选了1:3:2型kagome材料的巨大组合空间，标出最有希望的候选材料，用DFT进行精炼，并指引实验物理学家找到了两种此前未知的化合物：YRu₃B₂和LuRu₃B₂。

随后，这两种材料被成功合成，并通过磁化率、比热和电输运测量证实了体超导性。报告临界温度根据测量方法和样品不同，范围为0.63–0.95 K，两种材料均表现为弱耦合、低温超导体。

这项由Rose Albu Mustaf等人完成的成果发表在**《Physical Review Research》8卷，023308期（2026年）**。正如Törmä教授所强调的，其意义在于机器学习管道可以过滤“几乎无限”的材料组合，绕过了传统上限制超导体发现的计算瓶颈。

双重突破意味着什么：行业转折点

这两项突破共同标志着材料科学领域一个清晰的转折点。这是从劳动密集型经验试错向计算引导的理性设计的转变。对比鲜明：

这两种方法相辅相成。Elements Claw展示了端到端的自主AI智能体现在能够规划并执行完整的发现闭环——从假设生成到实验方案。而SuperC联盟则表明，机器学习加速的筛选可以与基于量子物理的计算有效结合，以导航巨大的化学空间，寻找像kagome这样的特定晶格几何结构。

重要提示：这还不是室温超导

必须明确指出一个关键警告：目前发现的Tc值（0.6–6.5 K）都属于低温超导体，需要借助液氦进行极端冷却。这些发现的意义不在于转变温度本身，而在于发现方法的速度和自主性。

真正重要的是，这套流程走通了。AI现在可以在传统时间的一小部分内为研究人员指明可行的超导体方向，并且这些预测可以得到实验验证。如果这些方法扩展到更高温区——而且没有根本性的理由认为不能——那么对于能源传输、磁悬浮、量子计算和医学成像等领域的影响将是变革性的。

正如中国人民大学副教授黄文炳所指出的，同样的AI智能体框架也可以应用于其他材料发现挑战，包括固态电池电解质和多相催化剂。