צוות בינלאומי של פיזיקאים השתמש בלמידת מכונה כדי להאיץ את החיפוש אחר מוליכי-על. במקום ניסויים וטעויות מעבדתיים ארוכים, האלגוריתם סינן במהירות אלפי מבנים כימיים שלא נבדקו.
פרויקט SuperC, שהושק בשנת 2023, ריכז את עבודת החוקרים מאוניברסיטת אלטו בפינלנד. מודל למידת המכונה זיהה שתי תרכובות שלא היו ידועות קודם: YRu₃B₂ ו-LuRu₃B₂.
מדענים מאוניברסיטת רייס בטקסס סינתזו חומרים אלה במעבדה ואישרו בניסוי את תכונותיהם המוליכות-על.
שתי התרכובות בעלות מבנה קגומה - סריג משולש המזכיר אריגת סלים יפנית. גאומטריה זו יוצרת אזורי אנרגיה שטוחים, שבהם האלקטרונים מואטים ויוצרים בקלות רבה יותר זוגות הנחוצים למוליכות-על.
מוליכי-על מאפשרים לזרם לזרום ללא אובדן התנגדות, אך רוב החומרים הידועים פועלים רק בטמפרטורות נמוכות במיוחד. התרכובות החדשות אינן יוצאות דופן: הן דורשות קירור חזק.
ההישג העיקרי של העבודה אינו החומרים עצמם, אלא היעילות המוכחת של השיטה. האלגוריתם מסנן אפשרויות לא מבטיחות תוך שניות, ומשאיר לחישובים קוונטיים ולסינתזה רק את המועמדים המבטיחים ביותר.
האם ניתן כעת להרחיב גישה כזו למיליארדי מבנים בחיפוש אחר מוליכי-על הפועלים בטמפרטורת החדר?
החוקרים מציינים כי המתודולוגיה המאומתת פותחת דרך לחיפוש שיטתי אחר חומרים לאנרגיה, אלקטרוניקה ותחומים אחרים שבהם אובדן אנרגיה עדיין מהווה בעיה חמורה.
