Une équipe internationale de physiciens a utilisé l'apprentissage automatique pour accélérer la recherche de supraconducteurs. Au lieu de longs essais et erreurs en laboratoire, l'algorithme a rapidement passé au crible des milliers de structures chimiques non vérifiées.
Le projet SuperC, lancé en 2023, a coordonné le travail de chercheurs de l'Université Aalto en Finlande. Le modèle d'apprentissage automatique a identifié deux composés jusqu'alors inconnus : YRu₃B₂ et LuRu₃B₂.
Des scientifiques de l'Université Rice au Texas ont synthétisé ces matériaux en laboratoire et ont expérimentalement confirmé leurs propriétés supraconductrices.
Les deux composés possèdent une structure de kagomé — un réseau triangulaire rappelant le tissage de paniers japonais. Cette géométrie crée des bandes d'énergie plates où les électrons ralentissent et forment plus facilement les paires nécessaires à la supraconductivité.
Les supraconducteurs permettent au courant de circuler sans perte par résistance, mais la plupart des matériaux connus ne fonctionnent qu'à des températures extrêmement basses. Les nouveaux composés ne font pas exception : ils nécessitent un refroidissement intense.
Le principal résultat du travail n'est pas les matériaux eux-mêmes, mais l'efficacité prouvée de la méthode. L'algorithme élimine les options peu prometteuses en quelques secondes, ne laissant pour les calculs quantiques et la synthèse que les candidats les plus prometteurs.
Peut-on désormais étendre une telle approche à des milliards de structures à la recherche de supraconducteurs fonctionnant à température ambiante ?
Les chercheurs notent que la méthodologie confirmée ouvre la voie à une recherche systématique de matériaux pour l'énergie, l'électronique et d'autres domaines où les pertes d'énergie restent un problème sérieux.
