Международная команда физиков применила машинное обучение, чтобы ускорить поиск сверхпроводников. Вместо долгих лабораторных проб и ошибок алгоритм быстро просеял тысячи непроверенных химических структур.
Проект SuperC, запущенный в 2023 году, координировал работу исследователей из Университета Аалто в Финляндии. Модель машинного обучения выделила два ранее неизвестных соединения: YRu₃B₂ и LuRu₃B₂.
Ученые из Университета Райса в Техасе синтезировали эти материалы в лаборатории и экспериментально подтвердили их сверхпроводящие свойства.
Оба соединения обладают структурой кагоме — треугольной решеткой, напоминающей японское плетение корзин. Такая геометрия создает плоские энергетические зоны, где электроны замедляются и легче образуют пары, необходимые для сверхпроводимости.
Сверхпроводники позволяют току течь без потерь на сопротивление, но большинство известных материалов работают только при экстремально низких температурах. Новые соединения не исключение: они требуют сильного охлаждения.
Главный итог работы — не сами материалы, а доказанная эффективность метода. Алгоритм отсеивает бесперспективные варианты за секунды, оставляя для квантовых расчетов и синтеза лишь самые многообещающие кандидаты.
Можно ли теперь масштабировать такой подход на миллиарды структур в поисках сверхпроводников, работающих при комнатной температуре?
Исследователи отмечают, что подтвержденная методика открывает путь к систематическому поиску материалов для энергетики, электроники и других областей, где потери энергии до сих пор остаются серьезной проблемой.
