Uma equipe internacional de físicos aplicou aprendizado de máquina para acelerar a busca por supercondutores. Em vez de longas tentativas e erros em laboratório, o algoritmo rapidamente peneirou milhares de estruturas químicas não testadas.
O projeto SuperC, lançado em 2023, coordenou o trabalho de pesquisadores da Universidade Aalto, na Finlândia. O modelo de aprendizado de máquina destacou dois compostos anteriormente desconhecidos: YRu₃B₂ e LuRu₃B₂.
Cientistas da Universidade Rice, no Texas, sintetizaram esses materiais em laboratório e confirmaram experimentalmente suas propriedades supercondutoras.
Ambos os compostos possuem estrutura kagome — uma rede triangular que lembra a cestaria japonesa. Essa geometria cria bandas de energia planas, onde os elétrons desaceleram e formam mais facilmente os pares necessários para a supercondutividade.
Supercondutores permitem que a corrente flua sem perdas por resistência, mas a maioria dos materiais conhecidos funciona apenas em temperaturas extremamente baixas. Os novos compostos não são exceção: eles exigem forte resfriamento.
O principal resultado do trabalho não são os materiais em si, mas a eficácia comprovada do método. O algoritmo elimina opções sem potencial em segundos, deixando para cálculos quânticos e síntese apenas os candidatos mais promissores.
É possível agora escalar essa abordagem para bilhões de estruturas na busca por supercondutores que funcionem à temperatura ambiente?
Os pesquisadores observam que a metodologia confirmada abre caminho para a busca sistemática de materiais para energia, eletrônica e outras áreas onde as perdas de energia ainda permanecem um problema sério.
