Een internationaal team van natuurkundigen gebruikte machine learning om de zoektocht naar supergeleiders te versnellen. In plaats van langdurige laboratoriumproeven en fouten doorliep het algoritme snel duizenden ongeteste chemische structuren.
Het project SuperC, gelanceerd in 2023, coördineerde het werk van onderzoekers van de Aalto-universiteit in Finland. Het machine learning-model identificeerde twee voorheen onbekende verbindingen: YRu₃B₂ en LuRu₃B₂.
Wetenschappers van de Rice-universiteit in Texas synthetiseerden deze materialen in het laboratorium en bevestigden experimenteel hun supergeleidende eigenschappen.
Beide verbindingen hebben een kagome-structuur — een driehoekig rooster dat doet denken aan Japans mandenvlechtwerk. Deze geometrie creëert vlakke energiebanden waarin elektronen vertragen en gemakkelijker paren vormen die nodig zijn voor supergeleiding.
Supergeleiders laten stroom vloeien zonder verlies door weerstand, maar de meeste bekende materialen werken alleen bij extreem lage temperaturen. De nieuwe verbindingen vormen hierop geen uitzondering: ze vereisen sterke koeling.
Het belangrijkste resultaat van het werk is niet de materialen zelf, maar de bewezen effectiviteit van de methode. Het algoritme filtert kansloze opties in seconden weg, waardoor alleen de meest veelbelovende kandidaten overblijven voor kwantumberekeningen en synthese.
Kan een dergelijke aanpak nu worden opgeschaald naar miljarden structuren op zoek naar supergeleiders die bij kamertemperatuur werken?
De onderzoekers merken op dat de bevestigde methodologie de weg opent naar systematische zoektochten naar materialen voor energie, elektronica en andere gebieden waar energieverlies nog steeds een ernstig probleem is.
