AI预测两种新型超导材料——推动我们迈向零损耗能源时代 - Futura-Sciences

正文

本文由新莱福 MIM (Newlife - MIM) 转载。所有权利归原出版商所有；请参阅下方来源。

数十年来，发现超导体意味着要经历数年漫长乏味的实验室试错。虽然化学元素可以组合成数百万种晶体结构，但只有极小一部分能够真正无阻力地导电。如今，一支国际物理学家团队利用机器学习跳过了这种缓慢的猜测游戏。

通过2023年启动的SuperC国际项目进行协调，芬兰阿尔托大学的研究人员训练了一个机器学习模型，以搜索未经测试的化学结构。该算法标记了两种以前未知的化合物：YRu₃B₂和LuRu₃B₂。随后，得克萨斯州莱斯大学的物理学家在他们的实验室中合成了这些材料，对物理样品进行了测试，并证实了它们预测的超导特性。

零损耗电力的运作机制

超导体可以在不将电力损耗为电阻热的情况下传输电流。当冷却到特定温度阈值以下时，电子会形成结合对，穿过金属晶格而不发生散射。标准铜线会以热量形式损耗电力，而超导电流则无能量损耗地流动。

消除电阻可以改变电力分配，缩小工业电机，并保持数据中心冷却。然而，寻找实用材料仍然很困难。大多数超导体仅在接近绝对零度时工作，需要液氦冷却，这使得广泛使用变得不切实际。

篮筐编织图案与扁平化电子能带

这两种新发现的化合物将钇或镥与钌和硼结合在一起。两者均具有被称为“笼目晶格”（kagome lattice）的原子结构，其名称源自一种由重复三角形组成的日本篮筐编织图案。

这种三角形几何结构限制了电子在材料中的移动方式。该布局迫使电子进入扁平的能带，使其运动减慢，从而让量子力占据主导地位。这些强烈的电子相互作用有助于形成超导所需的束缚对。

以预测性筛选取代盲目猜测

历史上，科学家们记录了7000多种超导材料，但他们在实验室制造之前只预测了其中极少数。大多数发现源于偶然观察或直觉引导的试错。对数千种未经证实的化合物进行详细的量子物理计算，速度太慢且计算成本过高。

SuperC团队使用多层级数字流程逆转了这一传统工作流程。他们的机器学习算法筛选了未经测试的化学组合的大型数据库，在几秒钟内排除了没有前景的结构。随后，繁重的量子计算仅评估排名靠前的候选者，使实验室科学家能够将物理资源严格用于具有高成功概率的材料上。

实用技术的未来展望

虽然这一演示证明了预测模型的有效性，但这两种化合物都没有为电网提供直接的解决方案。YRu₃B₂和LuRu₃B₂仍然需要极低的温度才能达到其超导状态，其工作温度远低于室温。

该研究的真正价值在于发现方法本身。通过证明机器学习可以提前标记复杂的量子特性，研究人员现在可以应用相同的算法来筛选室温超导体、高密度电池和新型工业化学催化剂的候选材料。

资讯来源

- futura-sciences.com (2026-09-05) - 原文：AI预测两种新型超导材料——推动我们迈向零损耗能源时代 - Futura-Sciences - https://futura-sciences.com/en/shock-in-science-ai-unveils-two-materials-that-could-change-everything_39019