架構與性能。 Elements Claw 採用「專用原子基礎模型＋通用智能框架」混合架構。其 10 億參數原子模型預先訓練於 1.25 億個分子與晶體結構資料庫 。該模型預測超導性的 AUC 高達 0.996，估計臨界溫度 (Tc) 的平均誤差低於 1 K 。

超越傳統的速度。 在展現極高效率的示範中，Elements Claw 僅用 28 GPU 小時 便完成 240 萬種晶體結構 的篩選，從中識別出 68,000 個高可信超導候選材料 。研究團隊隨後選出 4 個候選材料進行合成與實驗驗證，結果全部確認是真正的超導體：

• Hf₂₁Re₂₅ —— 一種被現有資料庫遺漏的材料
• Zr₄VRe₇ —— 在修正資料庫結構錯誤後確認的材料
• HfZrRe₄ —— 由 AI 從零設計的全新結構
• Zr₃ScRe₈ —— 透過結構相似性外推識別

確認的最高臨界溫度達到 6.5 K 。研究結果已發表於 arXiv 預印本平台，所有預測數據皆已開源供全球科研社群使用 。

達摩院科學智能負責人榮鈺表示，這項工作證明「AI 智能体能夠發現新材料」——若這項能力擴展至更高溫區，可望徹底改變能源、計算與量子科技領域 。

SuperC 聯盟：機器學習與 Kagome 幾何的結合

就在數日前（2026 年 6 月 29 日），由芬蘭阿爾托大學 Päivi Törmä 教授領導的國際合作團隊——SuperC 聯盟——發表了其 AI 驅動的超導體發現成果 。

他們的方法結合了機器學習加速的高產率篩選與第一原理計算（密度泛函理論，DFT），鎖定一個特定且極具前景的結構家族：Kagome 晶格 。Kagome 晶格得名於日本一種籃子編織圖案，長期被認為是超導性的沃土，因為其幾何結構會產生近乎平坦的電子能帶，具有極高的狀態密度 。

此機器學習管線篩選了 1:3:2 Kagome 材料的廣大組合空間，標記出最具潛力的候選者，再透過 DFT 精煉，最終指引實驗學家前往兩種先前未知的化合物：YRu₃B₂ 與 LuRu₃B₂ 。

兩種材料隨後被合成，並透過磁化率、比熱與電傳輸測量證實具有塊材超導性 。報導的臨界溫度範圍約 0.63–0.95 K，視測量方式與樣品而定，兩者都展現弱耦合、低溫超導特性 。

此研究由 Rose Albu Mustaf 等人撰寫，發表於 Physical Review Research 8, 023308 (2026) 。如同 Törmä 教授所強調，該機器學習管線能夠過濾「幾乎無限」的材料組合，繞過傳統計算瓶頸——這瓶頸過去長期限制了超導體的發現速度 。

這兩項平行突破的意義：產業轉折點

綜合而論，這兩項突破標誌著材料科學的明確轉折點。從依賴實驗室運氣的經驗摸索轉向由計算引導的理性設計。

這兩項努力在方法上互補。Elements Claw 展示了端到端自主 AI 智能体如今能規劃並執行完整的發現迴路——從假設生成到實驗協議 。而 SuperC 聯盟則顯示機器學習加速篩選可與量子物理基礎計算有效結合，以探索針對性晶格幾何（如 Kagome）的廣大化學空間 。

重要提醒：這還不是室溫超導

必須明確指出一個關鍵限制：目前發現的 Tc 值（0.6–6.5 K）都屬於低溫超導體，需要液態氦進行極端冷卻。這並非室溫超導的突破。這些發現的意義不在於臨界溫度本身，而在於發現方法的速度與自主性。

重要的是這套管線確實可行。AI 如今能以傳統時間的一小部分將研究人員導向可行的超導體，且這些預測可經由實驗驗證。如果這些方法能擴展至更高溫區——且沒有根本理由認為不行——那麼其對能源傳輸、磁浮列車、量子計算與醫學影像的影響，將可能是革命性的。

正如中國人民大學副教授黃文炳所述，同樣的 AI 智能体框架未來可應用於其他材料發現挑戰，包括固態電池電解質與多相催化劑 。

架構與性能。 Elements Claw 採用「專用原子基礎模型＋通用智能框架」混合架構。其 10 億參數原子模型預先訓練於 1.25 億個分子與晶體結構資料庫 。該模型預測超導性的 AUC 高達 0.996，估計臨界溫度 (Tc) 的平均誤差低於 1 K 。

超越傳統的速度。 在展現極高效率的示範中，Elements Claw 僅用 28 GPU 小時 便完成 240 萬種晶體結構 的篩選，從中識別出 68,000 個高可信超導候選材料 。研究團隊隨後選出 4 個候選材料進行合成與實驗驗證，結果全部確認是真正的超導體：

• Hf₂₁Re₂₅ —— 一種被現有資料庫遺漏的材料
• Zr₄VRe₇ —— 在修正資料庫結構錯誤後確認的材料
• HfZrRe₄ —— 由 AI 從零設計的全新結構
• Zr₃ScRe₈ —— 透過結構相似性外推識別

確認的最高臨界溫度達到 6.5 K 。研究結果已發表於 arXiv 預印本平台，所有預測數據皆已開源供全球科研社群使用 。

達摩院科學智能負責人榮鈺表示，這項工作證明「AI 智能体能夠發現新材料」——若這項能力擴展至更高溫區，可望徹底改變能源、計算與量子科技領域 。

SuperC 聯盟：機器學習與 Kagome 幾何的結合

就在數日前（2026 年 6 月 29 日），由芬蘭阿爾托大學 Päivi Törmä 教授領導的國際合作團隊——SuperC 聯盟——發表了其 AI 驅動的超導體發現成果 。

他們的方法結合了機器學習加速的高產率篩選與第一原理計算（密度泛函理論，DFT），鎖定一個特定且極具前景的結構家族：Kagome 晶格 。Kagome 晶格得名於日本一種籃子編織圖案，長期被認為是超導性的沃土，因為其幾何結構會產生近乎平坦的電子能帶，具有極高的狀態密度 。

此機器學習管線篩選了 1:3:2 Kagome 材料的廣大組合空間，標記出最具潛力的候選者，再透過 DFT 精煉，最終指引實驗學家前往兩種先前未知的化合物：YRu₃B₂ 與 LuRu₃B₂ 。

兩種材料隨後被合成，並透過磁化率、比熱與電傳輸測量證實具有塊材超導性 。報導的臨界溫度範圍約 0.63–0.95 K，視測量方式與樣品而定，兩者都展現弱耦合、低溫超導特性 。

此研究由 Rose Albu Mustaf 等人撰寫，發表於 Physical Review Research 8, 023308 (2026) 。如同 Törmä 教授所強調，該機器學習管線能夠過濾「幾乎無限」的材料組合，繞過傳統計算瓶頸——這瓶頸過去長期限制了超導體的發現速度 。

這兩項平行突破的意義：產業轉折點

綜合而論，這兩項突破標誌著材料科學的明確轉折點。從依賴實驗室運氣的經驗摸索轉向由計算引導的理性設計。

這兩項努力在方法上互補。Elements Claw 展示了端到端自主 AI 智能体如今能規劃並執行完整的發現迴路——從假設生成到實驗協議 。而 SuperC 聯盟則顯示機器學習加速篩選可與量子物理基礎計算有效結合，以探索針對性晶格幾何（如 Kagome）的廣大化學空間 。

重要提醒：這還不是室溫超導

必須明確指出一個關鍵限制：目前發現的 Tc 值（0.6–6.5 K）都屬於低溫超導體，需要液態氦進行極端冷卻。這並非室溫超導的突破。這些發現的意義不在於臨界溫度本身，而在於發現方法的速度與自主性。

重要的是這套管線確實可行。AI 如今能以傳統時間的一小部分將研究人員導向可行的超導體，且這些預測可經由實驗驗證。如果這些方法能擴展至更高溫區——且沒有根本理由認為不行——那麼其對能源傳輸、磁浮列車、量子計算與醫學影像的影響，將可能是革命性的。

正如中國人民大學副教授黃文炳所述，同樣的 AI 智能体框架未來可應用於其他材料發現挑戰，包括固態電池電解質與多相催化劑 。