Sztuczna inteligencja wskazała dwa nowe nadprzewodniki, otwiera drogę do przeszukiwania milionów materiałów

Naukowcy z fińskiego Aalto University i amerykańskiego Rice University ogłosili odkrycie dwóch nowych nadprzewodników, YRu3B2 i LuRu3B2, wytypowanych najpierw przez algorytm uczenia maszynowego, a dopiero potem potwierdzonych w laboratorium. To pierwszy przypadek, w którym metoda łącząca sztuczną inteligencję z obliczeniami kwantowymi doprowadziła do realnej, eksperymentalnie zweryfikowanej syntezy nowego materiału nadprzewodzącego.

Metoda działa dwuetapowo. Najpierw model uczenia maszynowego przeszukuje ogromną liczbę teoretycznie możliwych związków chemicznych i typuje te, które mają największe szanse na wykazywanie nadprzewodnictwa. Dopiero wyselekcjonowani kandydaci trafiają do znacznie bardziej czasochłonnych obliczeń kwantowych z pierwszych zasad, a na końcu do syntezy chemicznej i testów w laboratorium.

Jak działało sito uczenia maszynowego

Klasyczne poszukiwanie nowych nadprzewodników polega na żmudnym przeliczaniu właściwości kolejnych związków metodami obliczeniowymi, które są dokładne, ale bardzo kosztowne pod względem mocy obliczeniowej. Zespół z Aalto odwrócił kolejność, każąc modelowi uczenia maszynowego najpierw z grubsza ocenić setki tysięcy kandydatów, a dopiero potem kierować ograniczone zasoby obliczeniowe tylko do tych, które faktycznie rokują.

Nasza metoda wykorzystuje wstępne przesiewanie za pomocą uczenia maszynowego, a następnie ukierunkowane obliczenia dla obiecujących kandydatów - Päivi Törmä, profesor Aalto University, liderka konsorcjum SuperC

Wytypowane przez algorytm związki YRu3B2 i LuRu3B2 nie istniały wcześniej jako scharakteryzowane materiały. Dopiero po wskazaniu przez model zespół kierowany przez profesor Emilię Morosan z Rice University zsyntetyzował próbki chemicznie z pierwiastków składowych i eksperymentalnie potwierdził, że obydwa związki rzeczywiście przechodzą w stan nadprzewodzący.

Sieć kagome jako wspólny mianownik

Oba nowe materiały łączy struktura krystaliczna zwana siecią kagome, w której atomy układają się w powtarzający się wzór trójkątów i sześciokątów przypominający tradycyjne japońskie plecionki koszykarskie. Taka geometria sprawia, że elektrony poruszające się przez materiał doświadczają zjawiska zwanego frustracją kinetyczną, co od kilku lat czyni związki kagome jednym z najgorętszych tematów w fizyce materii skondensowanej.

Wcześniej badane nadprzewodniki kagome, jak CsV3Sb5, przechodziły w stan nadprzewodzący w wyższych temperaturach, sięgających około 2,5 kelwina. Nowo odkryte YRu3B2 i LuRu3B2 nadprzewodzą w niższych temperaturach, poniżej 1 kelwina, ale ich wartość nie leży w rekordowej temperaturze krytycznej, tylko w samym fakcie, że zostały znalezione dzięki modelowi predykcyjnemu, a nie przypadkowi czy przeszukiwaniu ręcznemu.

Cel: nadprzewodnik działający w temperaturze pokojowej

Odkrycie wpisuje się w cele konsorcjum SuperC, uruchomionego w 2023 roku jako pierwsza skoordynowana globalna współpraca naukowa nastawiona na znalezienie nadprzewodnika działającego w temperaturze pokojowej do 2033 roku. Nadprzewodniki dziś wymagają chłodzenia do temperatur bliskich zeru absolutnemu albo, w przypadku nadprzewodników wysokotemperaturowych, do temperatur wciąż dalekich od warunków pokojowych, co ogranicza ich zastosowania do specjalistycznych instalacji jak akceleratory cząstek czy skanery MRI.

Gdyby udało się znaleźć materiał nadprzewodzący prąd bez oporu w temperaturze pokojowej i przy normalnym ciśnieniu, otworzyłoby to drogę do sieci energetycznych bez strat przesyłowych, znacznie wydajniejszych komputerów kwantowych czy tańszej lewitacji magnetycznej. Problem w tym, że liczba teoretycznie możliwych związków chemicznych do przetestowania idzie w miliardy, a klasyczne metody obliczeniowe fizycznie nie są w stanie przerobić takiej liczby kandydatów w rozsądnym czasie.

Znaczenie dla dalszych badań

Kluczowe w tym odkryciu jest to, że metoda została po raz pierwszy zweryfikowana od początku do końca, od typowania przez algorytm, przez obliczenia teoretyczne, po fizyczną syntezę i pomiar w laboratorium. Naukowcy zaznaczają, że sam algorytm nie zastąpił fizyków ani nie zamienił laboratoriów w automatyczne fabryki odkryć, ale wskazał ścieżkę, dzięki której poszukiwanie nowych materiałów przestaje przypominać loterię.

Autorzy komentarzy do badania podkreślają też ryzyko: źle użyte modele uczenia maszynowego mogą równie szybko produkować fałszywe tropy, jak trafne, a materiałoznawstwo jest dziedziną na tyle rygorystyczną, że błędne przewidywania szybko wychodzą na jaw dopiero na etapie kosztownej syntezy laboratoryjnej. Dlatego zespoły z Aalto i Rice traktują uczenie maszynowe jako filtr przyspieszający pracę, a nie jako wyrocznię zastępującą klasyczną weryfikację eksperymentalną.

Dla przemysłu i inwestorów śledzących wyścig o nadprzewodniki wynik ma znaczenie przede wszystkim jako dowód działania metody, a nie jako gotowy produkt komercyjny. Kolejnym krokiem konsorcjum SuperC ma być skalowanie podejścia na znacznie większą liczbę kandydatów, z ambicją przetworzenia setek tysięcy, a docelowo miliardów potencjalnych związków w poszukiwaniu materiału, który zmieniłby zasady gry w energetyce i elektronice.