Międzynarodowy zespół fizyków zastosował uczenie maszynowe, aby przyspieszyć poszukiwania nadprzewodników. Zamiast długich laboratoryjnych prób i błędów algorytm szybko przesiała tysiące nieprzetestowanych struktur chemicznych.
Projekt SuperC, uruchomiony w roku 2023, koordynował pracę badaczy z Uniwersytetu Aalto w Finlandii. Model uczenia maszynowego wyodrębnił dwa wcześniej nieznane związki: YRu₃B₂ i LuRu₃B₂.
Naukowcy z Uniwersytetu Rice w Teksasie zsyntetyzowali te materiały w laboratorium i eksperymentalnie potwierdzili ich właściwości nadprzewodzące.
Oba związki mają strukturę kagome — trójkątną sieć przypominającą japońskie plecionki koszyków. Taka geometria tworzy płaskie pasma energetyczne, w których elektrony zwalniają i łatwiej tworzą pary niezbędne do nadprzewodnictwa.
Nadprzewodniki pozwalają prądowi płynąć bez strat na opór, ale większość znanych materiałów działa tylko w ekstremalnie niskich temperaturach. Nowe związki nie są wyjątkiem: wymagają silnego chłodzenia.
Głównym rezultatem pracy nie są same materiały, ale udowodniona skuteczność metody. Algorytm odsiewa beznadziejne warianty w ciągu sekund, pozostawiając do obliczeń kwantowych i syntezy tylko najbardziej obiecujących kandydatów.
Czy można teraz skalować takie podejście do miliardów struktur w poszukiwaniu nadprzewodników działających w temperaturze pokojowej?
Badacze zauważają, że potwierdzona metodyka otwiera drogę do systematycznego poszukiwania materiałów dla energetyki, elektroniki i innych dziedzin, gdzie straty energii wciąż pozostają poważnym problemem.
