Un team internazionale di fisici ha applicato l'apprendimento automatico per accelerare la ricerca di superconduttori. Invece di lunghi tentativi ed errori in laboratorio, l'algoritmo ha rapidamente setacciato migliaia di strutture chimiche non verificate.
Il progetto SuperC, avviato nell'anno 2023, ha coordinato il lavoro di ricercatori dell'Università di Aalto in Finlandia. Il modello di apprendimento automatico ha individuato due composti precedentemente sconosciuti: YRu₃B₂ e LuRu₃B₂.
Gli scienziati della Rice University in Texas hanno sintetizzato questi materiali in laboratorio e hanno confermato sperimentalmente le loro proprietà superconduttive.
Entrambi i composti possiedono una struttura kagome — un reticolo triangolare che ricorda l'intreccio giapponese di cesti. Questa geometria crea bande energetiche piatte, dove gli elettroni rallentano e formano più facilmente le coppie necessarie per la superconduttività.
I superconduttori permettono alla corrente di fluire senza perdite per resistenza, ma la maggior parte dei materiali noti funziona solo a temperature estremamente basse. I nuovi composti non fanno eccezione: richiedono un forte raffreddamento.
Il risultato principale del lavoro non sono i materiali stessi, ma l'efficacia dimostrata del metodo. L'algoritmo scarta le opzioni poco promettenti in pochi secondi, lasciando per i calcoli quantistici e la sintesi solo i candidati più promettenti.
È ora possibile scalare questo approccio a miliardi di strutture nella ricerca di superconduttori che funzionino a temperatura ambiente?
I ricercatori notano che la metodologia confermata apre la strada alla ricerca sistematica di materiali per l'energia, l'elettronica e altri settori dove le perdite di energia rimangono ancora un problema serio.
