芬蘭阿爾托大學領導的國際科研團隊利用一種結合機器學習與量子理論的新方法，從海量材料組合中“淘”出兩種新型超導材料，大幅提升了超導材料發現效率，為尋找室溫超導體提供了新的技術路徑。相關論文29日發表於《物理評論研究》雜志。

超導體能夠在零電阻狀態下傳導電流，這是隻有在極低溫條件下才會出現的一種量子效應。如今，超導體不僅是量子計算機的重要基礎，還廣泛應用於神經成像、聚變反應堆、磁懸浮列車等領域。

然而，這類“獨角獸”材料極難尋找。理論上，幾乎所有元素都可以組成無限多種材料組合，其中任何一種都有可能成為超導體，但真正具備超導性的卻寥寥無幾。而目前已發現的超導材料，還需要借助昂貴的制冷設備降至接近絕對零度，才能展現其量子特性。

在最新研究中，研究團隊首先利用機器學習對海量元素組合進行預篩選，再借助自主開發的算法和量子理論計算，對最具潛力的候選材料開展精確分析，最終鎖定了兩種新型超導材料。

研究發現，這兩種材料都具有一種被稱為“籠目晶格”的特殊晶體結構。在這種結構中，電子能夠形成有利於超導產生的“平帶”狀態，為材料表現出超導特性提供了重要條件。

完成理論預測后，美國萊斯大學團隊進一步合成了兩種材料樣品，並通過實驗驗証了它們的超導特性，實現了從人工智能篩選、理論預測到實驗驗証的完整研究流程。

過去數十年來，科學家已發現7000多種超導材料，但絕大多數屬於偶然發現，通過理論預測找到的僅有20種。新方法採用機器學習進行預篩選，僅對最有希望的候選材料開展高精度計算，可大幅減少計算量，提高篩選效率。

未來借助機器學習，可篩選的材料數量有望擴大至數十億種，這將顯著加快新型超導材料的發現速度，向尋找室溫超導體邁出關鍵一步。

【總編輯圈點】

在材料領域，AI已不僅是輔助工具，而是發現引擎。它正將超導研究的偶然試錯，推向了精心篩選。但我們必須冷靜看到：從此次的“兩種新材料”到科學家最終夢想的“室溫超導體”，中間還隔著材料穩定性、制備工藝、臨界溫度提升等多重天塹。更要警惕的是，機器學習篩選高度依賴訓練數據的質量與多樣性，若現有數據庫存在結構性偏差，算法可能錯過真正顛覆性的結構，更有甚者，所謂“最佳候選”也成為一場計算錯覺。