架構同表現。 Elements Claw採用咗「專用原子基礎模型 + 通用智能框架」嘅混合架構。佢嘅10億參數原子模型係用一個有1.25億個分子同晶體結構嘅數據庫做預先訓練 。呢個模型預測超導性嘅準確率好高：AUC達到0.996，而估計臨界溫度（Tc）嘅平均誤差低過1K 。

快到難以想像嘅處理速度。 喺一個傳統方法根本冇可能做到嘅效率示範入面，Elements Claw用咗28個GPU小時就篩選咗240萬種晶體結構。從呢次篩選入面，佢搵到68,000個高置信度嘅超導候選材料 。研究團隊之後揀咗四個候選材料去做合成同實驗驗證。結果四個都證實係真正嘅超導體：

• Hf₂₁Re₂₅ —— 一個之前被現有數據庫遺漏咗嘅材料
• Zr₄VRe₇ —— 修正咗數據庫入面一個結構錯誤之後先確認到嘅材料
• HfZrRe₄ —— 一個由AI從零開始設計嘅全新結構
• Zr₃ScRe₈ —— 通過結構相似性推斷搵到嘅材料

當中證實最高嘅臨界溫度達到6.5 K 。呢啲結果已經喺arXiv上發表，而所有預測數據都已經開放俾全球科研社群使用 。

達摩院科學智能負責人榮钰表示，呢項工作證明了「AI智能體可以發現新材料」——呢種能力如果能夠擴展到更高溫嘅領域，將會徹底改變能源、運算同量子技術 。

SuperC聯盟：機器學習遇上Kagome晶格幾何

早幾日，即係2026年6月29號，由芬蘭阿爾托大學Päivi Törmä教授領導嘅國際研究合作——SuperC聯盟——都公布咗佢哋AI推動嘅超導體發現 。

佢哋嘅方法將機器學習加速嘅高量篩選同第一原理計算（密度泛函理論，DFT）結合，針對一個特定又有潛力嘅結構家族：kagome晶格 。Kagome晶格個名嚟自日本一種籃織圖案，呢種幾何結構會產生接近平坦嘅電子能帶同高態密度，一直以嚟都被認為係孕育超導性嘅好土壤 。

呢個機器學習流程篩選咗 vast 嘅1:3:2 kagome材料組合空間，標記咗最有潛力嘅候選材料，再用DFT做精細計算，最後指向兩個之前未知嘅化合物：YRu₃B₂同LuRu₃B₂ 。

跟住呢兩個化合物被成功合成，並通過磁化率、比熱同電輸運測量證實具有體超導性 。報告嘅臨界溫度範圍由0.63到0.95 K，視乎測量方法同樣本而定，兩個材料都顯示出弱耦合、低溫嘅超導特性 。

呢項由Rose Albu Mustaf等人完成嘅研究，發表喺Physical Review Research 8, 023308 (2026) 。正如Törmä教授所強調，呢個機器學習流程可以過濾「實際上無限」嘅材料組合，繞過咗傳統上限制超導體發現嘅運算瓶頸 。

呢兩項平行突破意味住乜嘢：行業嘅轉捩點

將呢兩項突破擺埋一齊睇，好明顯標誌住材料科學嘅一個重要轉捩點。成個範式由靠大量人手同撞手神，轉向以運算為主導嘅理性設計。個對比好鮮明：

呢兩個團隊嘅方法係互補嘅。Elements Claw示範咗端到端自主AI智能體而家可以計劃同執行成個發現循環——由提出假設到設計實驗流程 。而SuperC聯盟就展示咗機器學習加速篩選可以同量子物理計算有效結合，去探索針對性晶格幾何（好似kagome）嘅 vast 化學空間 。

一個重要備註：呢啲仲未係室溫超導

有一個好重要嘅備註一定要講清楚：今次發現嘅Tc值（0.6至6.5K）全部都係低溫超導體，需要用液態氦做極端冷卻。呢啲唔係室溫超導嘅突破。呢啲發現嘅真正意義唔在於佢哋嘅轉變溫度本身，而係在於發現方法嘅速度同自主性。

最重要嘅係個流程行得通。AI而家可以喺傳統方法嘅零頭時間入面，幫研究人員指出可行嘅超導體，而呢啲預測係可以通過實驗驗證嘅。如果呢啲方法可以擴展到更高溫嘅領域——而家睇嚟冇根本性嘅理由唔得——咁對能源傳輸、磁浮、量子運算同醫療成像嘅影響將會係革命性嘅。

正如中國人民大學副教授黃文炳所講，同一個AI智能體框架可以應用喺其他材料發現挑戰，包括固態電池電解質同多相催化劑 。

架構同表現。 Elements Claw採用咗「專用原子基礎模型 + 通用智能框架」嘅混合架構。佢嘅10億參數原子模型係用一個有1.25億個分子同晶體結構嘅數據庫做預先訓練 。呢個模型預測超導性嘅準確率好高：AUC達到0.996，而估計臨界溫度（Tc）嘅平均誤差低過1K 。

快到難以想像嘅處理速度。 喺一個傳統方法根本冇可能做到嘅效率示範入面，Elements Claw用咗28個GPU小時就篩選咗240萬種晶體結構。從呢次篩選入面，佢搵到68,000個高置信度嘅超導候選材料 。研究團隊之後揀咗四個候選材料去做合成同實驗驗證。結果四個都證實係真正嘅超導體：

• Hf₂₁Re₂₅ —— 一個之前被現有數據庫遺漏咗嘅材料
• Zr₄VRe₇ —— 修正咗數據庫入面一個結構錯誤之後先確認到嘅材料
• HfZrRe₄ —— 一個由AI從零開始設計嘅全新結構
• Zr₃ScRe₈ —— 通過結構相似性推斷搵到嘅材料

當中證實最高嘅臨界溫度達到6.5 K 。呢啲結果已經喺arXiv上發表，而所有預測數據都已經開放俾全球科研社群使用 。

達摩院科學智能負責人榮钰表示，呢項工作證明了「AI智能體可以發現新材料」——呢種能力如果能夠擴展到更高溫嘅領域，將會徹底改變能源、運算同量子技術 。

SuperC聯盟：機器學習遇上Kagome晶格幾何

早幾日，即係2026年6月29號，由芬蘭阿爾托大學Päivi Törmä教授領導嘅國際研究合作——SuperC聯盟——都公布咗佢哋AI推動嘅超導體發現 。

佢哋嘅方法將機器學習加速嘅高量篩選同第一原理計算（密度泛函理論，DFT）結合，針對一個特定又有潛力嘅結構家族：kagome晶格 。Kagome晶格個名嚟自日本一種籃織圖案，呢種幾何結構會產生接近平坦嘅電子能帶同高態密度，一直以嚟都被認為係孕育超導性嘅好土壤 。

呢個機器學習流程篩選咗 vast 嘅1:3:2 kagome材料組合空間，標記咗最有潛力嘅候選材料，再用DFT做精細計算，最後指向兩個之前未知嘅化合物：YRu₃B₂同LuRu₃B₂ 。

跟住呢兩個化合物被成功合成，並通過磁化率、比熱同電輸運測量證實具有體超導性 。報告嘅臨界溫度範圍由0.63到0.95 K，視乎測量方法同樣本而定，兩個材料都顯示出弱耦合、低溫嘅超導特性 。

呢項由Rose Albu Mustaf等人完成嘅研究，發表喺Physical Review Research 8, 023308 (2026) 。正如Törmä教授所強調，呢個機器學習流程可以過濾「實際上無限」嘅材料組合，繞過咗傳統上限制超導體發現嘅運算瓶頸 。

呢兩項平行突破意味住乜嘢：行業嘅轉捩點

將呢兩項突破擺埋一齊睇，好明顯標誌住材料科學嘅一個重要轉捩點。成個範式由靠大量人手同撞手神，轉向以運算為主導嘅理性設計。個對比好鮮明：

呢兩個團隊嘅方法係互補嘅。Elements Claw示範咗端到端自主AI智能體而家可以計劃同執行成個發現循環——由提出假設到設計實驗流程 。而SuperC聯盟就展示咗機器學習加速篩選可以同量子物理計算有效結合，去探索針對性晶格幾何（好似kagome）嘅 vast 化學空間 。

一個重要備註：呢啲仲未係室溫超導

有一個好重要嘅備註一定要講清楚：今次發現嘅Tc值（0.6至6.5K）全部都係低溫超導體，需要用液態氦做極端冷卻。呢啲唔係室溫超導嘅突破。呢啲發現嘅真正意義唔在於佢哋嘅轉變溫度本身，而係在於發現方法嘅速度同自主性。

最重要嘅係個流程行得通。AI而家可以喺傳統方法嘅零頭時間入面，幫研究人員指出可行嘅超導體，而呢啲預測係可以通過實驗驗證嘅。如果呢啲方法可以擴展到更高溫嘅領域——而家睇嚟冇根本性嘅理由唔得——咁對能源傳輸、磁浮、量子運算同醫療成像嘅影響將會係革命性嘅。

正如中國人民大學副教授黃文炳所講，同一個AI智能體框架可以應用喺其他材料發現挑戰，包括固態電池電解質同多相催化劑 。