Міжнародна команда фізиків застосувала машинне навчання, щоб прискорити пошук надпровідників. Замість довгих лабораторних проб і помилок алгоритм швидко просіяв тисячі неперевірених хімічних структур.
Проєкт SuperC, запущений у 2023 році, координував роботу дослідників з Університету Аалто у Фінляндії. Модель машинного навчання виділила два раніше невідомі сполуки: YRu₃B₂ і LuRu₃B₂.
Вчені з Університету Райса в Техасі синтезували ці матеріали в лабораторії та експериментально підтвердили їхні надпровідні властивості.
Обидві сполуки мають структуру кагоме — трикутну ґратку, що нагадує японське плетіння кошиків. Така геометрія створює плоскі енергетичні зони, де електрони сповільнюються і легше утворюють пари, необхідні для надпровідності.
Надпровідники дозволяють струму текти без втрат на опір, але більшість відомих матеріалів працюють лише за екстремально низьких температур. Нові сполуки не виняток: вони потребують сильного охолодження.
Головний підсумок роботи — не самі матеріали, а доведена ефективність методу. Алгоритм відсіює безперспективні варіанти за секунди, залишаючи для квантових розрахунків і синтезу лише найперспективніших кандидатів.
Чи можна тепер масштабувати такий підхід на мільярди структур у пошуках надпровідників, що працюють за кімнатної температури?
Дослідники зазначають, що підтверджена методика відкриває шлях до систематичного пошуку матеріалів для енергетики, електроніки та інших галузей, де втрати енергії досі залишаються серйозною проблемою.
