Ein internationales Physikerteam nutzte maschinelles Lernen, um die Suche nach Supraleitern zu beschleunigen. Statt langwieriger Laborversuche und Irrtümer durchforstete der Algorithmus schnell Tausende ungeprüfter chemischer Strukturen.
Das Projekt SuperC, das im Jahr 2023 gestartet wurde, koordinierte die Arbeit von Forschern der Universität Aalto in Finnland. Das Modell des maschinellen Lernens hob zwei bisher unbekannte Verbindungen hervor: YRu₃B₂ und LuRu₃B₂.
Wissenschaftler der Rice University in Texas synthetisierten diese Materialien im Labor und bestätigten experimentell ihre supraleitenden Eigenschaften.
Beide Verbindungen besitzen eine Kagome-Struktur – ein dreieckiges Gitter, das an japanische Korbflechtmuster erinnert. Diese Geometrie erzeugt flache Energiebänder, in denen Elektronen langsamer werden und leichter Paare bilden, die für die Supraleitung notwendig sind.
Supraleiter ermöglichen es, dass Strom ohne Widerstandsverluste fließt, aber die meisten bekannten Materialien funktionieren nur bei extrem niedrigen Temperaturen. Die neuen Verbindungen sind keine Ausnahme: Sie erfordern starke Kühlung.
Das Hauptergebnis der Arbeit sind nicht die Materialien selbst, sondern die bewiesene Effektivität der Methode. Der Algorithmus filtert aussichtslose Optionen in Sekunden heraus und lässt für Quantenberechnungen und Synthese nur die vielversprechendsten Kandidaten übrig.
Kann man diesen Ansatz nun auf Milliarden von Strukturen ausweiten, um Supraleiter zu finden, die bei Raumtemperatur funktionieren?
Die Forscher stellen fest, dass die bestätigte Methodik den Weg für eine systematische Suche nach Materialien für Energie, Elektronik und andere Bereiche ebnet, in denen Energieverluste nach wie vor ein ernstes Problem darstellen.
