L’apprendimento automatico sta offrendo agli scienziati un nuovo e potente strumento per la ricerca di superconduttori, materiali che conducono l’elettricità con resistenza nulla.
Un team internazionale ha dimostrato che l’intelligenza artificiale può ridurre rapidamente un numero pressoché illimitato di possibili combinazioni di materiali per identificare i candidati più promettenti. Secondo la professoressa Päivi Törmä dell’Università Aalto, a capo del consorzio SuperC , questo approccio potrebbe accelerare drasticamente la scoperta di nuovi superconduttori.
I superconduttori permettono il flusso di corrente elettrica senza perdita di energia, ma solo quando vengono raffreddati a temperature estremamente basse, dove emergono gli effetti quantistici. Questi straordinari materiali sono già utilizzati in tecnologie che spaziano dai computer quantistici e dai sistemi di neuroimaging medico ai reattori a fusione e ai treni a levitazione magnetica.
Nonostante il loro enorme potenziale, i superconduttori rimangono estremamente difficili da scoprire. Esistono infinite combinazioni di elementi chimici che potrebbero formare nuovi materiali, eppure solo una minima parte si rivela essere superconduttrice. Quelli che sono già stati identificati generalmente richiedono costosi sistemi di raffreddamento che li portano a temperature prossime allo zero assoluto prima che possano manifestare le loro proprietà uniche.
Scienziati di tutto il mondo sono alla ricerca di un superconduttore pratico in grado di funzionare a temperatura ambiente.
“I materiali superconduttori in grado di funzionare a temperatura ambiente cambierebbero per sempre il modo in cui consumiamo energia”, spiega Törmä. “Se un materiale del genere potesse sostituire i conduttori tradizionali in applicazioni come computer e data center, il consumo energetico globale potrebbe essere drasticamente ridotto e l’impronta termica del settore ICT drasticamente diminuita.”
Intelligenza artificiale e fisica quantistica uniscono le forze
Il consorzio SuperC è stato fondato nel 2023 dal professor Törmä e da un gruppo internazionale di fisici di spicco che condividono l’obiettivo di utilizzare la fisica quantistica per contribuire ad affrontare il cambiamento climatico. Si tratta della prima collaborazione globale coordinata dedicata alla scoperta di nuovi superconduttori, con l’ambizioso obiettivo di trovare un superconduttore a temperatura ambiente entro il 2033.
Secondo Törmä, la combinazione della geometria quantistica con l’apprendimento automatico fornisce una solida base per questa ricerca. Nell’ultimo lavoro del team, i superconduttori appena identificati, YRu₃B₂ , le . devono proprietà agli elettroni che formano bande piatte e LuRu₃B₂ loro all’interno di un reticolo kagome, una disposizione geometrica ispirata ai tradizionali motivi di intreccio dei cestini giapponesi
Per identificare questi materiali, i ricercatori hanno innanzitutto utilizzato l’apprendimento automatico per analizzare rapidamente un numero enorme di possibili combinazioni di elementi. Un algoritmo specializzato ha selezionato i candidati più promettenti, che sono stati poi analizzati mediante calcoli quantistici dettagliati per determinare se potessero diventare superconduttori.
Una volta confermate teoricamente le previsioni, i collaboratori della Rice University hanno sintetizzato i materiali combinando chimicamente i loro elementi costitutivi in nuovi composti. Guidato dalla professoressa Emilia Morosan, il team della Rice ha poi verificato sperimentalmente che entrambi i materiali sono effettivamente superconduttori.
Lo studio di fattibilità è stato recentemente pubblicato sulla rivista Physical Review Research .
Un percorso più rapido verso nuovi superconduttori
Sviluppare una comprensione quantomeccanica completa della superconduttività è straordinariamente difficile, il che rende la ricerca di nuovi materiali superconduttori lenta e computazionalmente onerosa.
“Nel corso dei decenni, i ricercatori hanno identificato oltre 7.000 superconduttori, ma per lo più in modo casuale”, spiega Törmä. “Il processo di identificazione dei materiali potenziali è talmente oneroso dal punto di vista computazionale che, di fatto, i ricercatori sono stati in grado di prevedere teoricamente la fattibilità di soli 20 di essi.”
Anche quando un materiale appare promettente sulla carta, potrebbe comunque rivelarsi impraticabile perché troppo difficile da sintetizzare o impossibile da produrre su larga scala, osserva Törmä. Tradizionalmente, la valutazione di un numero elevato di potenziali materiali ha richiesto ingenti risorse computazionali. L’approccio basato sull’intelligenza artificiale del team SuperC cambia questo processo, concentrando i calcoli dettagliati solo sui candidati più promettenti.
“Il nostro metodo utilizza una preselezione basata sull’apprendimento automatico, seguita da calcoli mirati sui candidati più promettenti. Questo approccio accelererà notevolmente la scoperta di superconduttori in futuro. Grazie all’apprendimento automatico, potremmo essere in grado di aumentare il numero di materiali che possiamo analizzare fino a raggiungere i miliardi”, afferma Törmä. “Questo ci avvicinerà in modo determinante alla scoperta di un superconduttore a temperatura ambiente.”
Guardando al futuro
dell’Università Aalto, La ricerca di SuperC sarà presentata alla mostra “Designs for a Cooler Planet” che si terrà dal 1° settembre al 30 ottobre 2026 nella Grande Helsinki, in Finlandia.
Il consorzio SuperC riceve finanziamenti dalla Fondazione Kavli, dalla Fondazione Klaus Tschira, da Kevin Wells, dalla Fondazione Jane e Aatos Erkko, dalla Fondazione Keele, dalla Fondazione Magnus Ehrnrooth e dalla Fondazione Neste e Fortum.
Abstract
Riportiamo la scoperta sperimentale della superconduttività di massa in due composti con reticolo kagome, YRu3B2
E LuRu3B2
, che sono stati previsti tramite screening ad alto rendimento accelerato dall’apprendimento automatico combinato con calcoli di primi principi. Questi materiali cristallizzano nell’esagono CeCo3B2
Struttura di tipo con reti planari kagome formate da atomi di Ru. Osserviamo temperature critiche superconduttive di =0.81 K per YRu3B2 E =0.95 K per LuRu3B2, confermato tramite misurazioni di magnetizzazione, calore specifico e trasporto elettrico. Entrambi i composti presentano frazioni di volume superconduttore quasi del 100%, dimostrando superconduttività di massa. Rispetto a isostrutturali LaRu3Si2, YRu3B2 E LuRu3B2mostrare un Ru locale più dispersivo 2−2 banda quasi piatta [e quindi una densità di stati (DOS) ridotta a ] insieme a un indurimento generale dello spettro fononico, entrambi i quali abbassano la costante di accoppiamento elettrone-fonone (EPC) . Nel frattempo, l’EPC dominante nello spazio reale tra Ru locale 2−2 stati e la bassa frequenza Ru locale nel piano il ramo rimane pressoché invariato, indicando che la riduzione di ha origine da 2−2 Riduzione della densità degli stati (DOS) e indurimento fononico complessivo. I calcoli del peso superfluido mostrano che i contributi convenzionali dominano sugli effetti geometrici quantistici a causa della natura dispersiva delle bande vicino al livello di Fermi. Questo lavoro dimostra l’efficacia dell’integrazione di screening basato sull’apprendimento automatico, teoria dei primi principi e sintesi sperimentale per accelerare la scoperta di nuovi materiali superconduttori.
Materiale fornito dall’Università Aalto . Nota: il contenuto potrebbe essere modificato per motivi di stile e lunghezza.
- Rose Albu Mustaf, Sajilesh K. P., Sanu Mishra, Junze Deng, Yi Jiang, Kaja H. Hiorth, Eeli O. Lamponen, Martin Gutierrez-Amigo, Päivi Törmä, Miguel A. L. Marques, B. Andrei Bernevig, Emilia Morosan. Machine-learning-guided discovery of kagome superconductors YRu3B2 and LuRu3B2. Physical Review Research, 2026; 8 (2) DOI: 10.1103/lpqj-7hyg
by 