Un equipo internacional de físicos aplicó el aprendizaje automático para acelerar la búsqueda de superconductores. En lugar de largas pruebas de laboratorio por ensayo y error, el algoritmo cribó rápidamente miles de estructuras químicas no verificadas.
El proyecto SuperC, lanzado en el año 2023, coordinó el trabajo de investigadores de la Universidad de Aalto en Finlandia. El modelo de aprendizaje automático destacó dos compuestos antes desconocidos: YRu₃B₂ y LuRu₃B₂.
Científicos de la Universidad de Rice en Texas sintetizaron estos materiales en el laboratorio y confirmaron experimentalmente sus propiedades superconductoras.
Ambos compuestos poseen una estructura de kagome: una red triangular que recuerda al tejido de cestas japonés. Esta geometría crea bandas de energía planas, donde los electrones se ralentizan y forman más fácilmente los pares necesarios para la superconductividad.
Los superconductores permiten que la corriente fluya sin pérdidas por resistencia, pero la mayoría de los materiales conocidos solo funcionan a temperaturas extremadamente bajas. Los nuevos compuestos no son una excepción: requieren un fuerte enfriamiento.
El principal resultado del trabajo no son los materiales en sí, sino la eficacia demostrada del método. El algoritmo descarta opciones poco prometedoras en segundos, dejando solo los candidatos más prometedores para los cálculos cuánticos y la síntesis.
¿Se puede ahora escalar este enfoque a miles de millones de estructuras en busca de superconductores que funcionen a temperatura ambiente?
Los investigadores señalan que la metodología confirmada abre el camino a la búsqueda sistemática de materiales para la energía, la electrónica y otras áreas donde las pérdidas de energía siguen siendo un problema grave.
