AI破局百年超导竞赛：28小时精准筛选，发现四种全新材料

百年超导探索的瓶颈与AI的入场

自1911年昂内斯发现汞的超导现象以来，人类对超导材料的追寻已跨越一个多世纪。传统研究依赖“试错法”——科研人员凭借经验和直觉，在数以万计的候选组合中逐一合成、测试。这种范式效率极低：从理论预测到实验验证，单一材料的周期往往以年为单位。更棘手的是，超导机理至今未被完全厘清，尤其是高温超导的复杂电子结构，使得理论指导常陷入盲区。在此背景下，AI的介入不啻为一场范式革命。

28小时：从海量空间到精准命中

最新研究展示了一次标志性突破：AI模型仅用28小时，便从超过10万种候选材料中筛选出四种全新的超导候选体。这一过程并非简单的“大数据搜刮”，而是融合了三个核心技术层：

– **图神经网络（GNN）**：将晶体结构编码为原子间的拓扑关系图，捕捉局域电子云、键合角度等隐式特征，弥补传统密度泛函理论（DFT）对强关联体系的计算盲区。
– **主动学习策略**：模型在迭代中自动选择“最不确定”的候选样本进行DFT验证，将计算资源聚焦于最有价值的区域，而非均匀扫描整个相空间。
– **迁移学习**：利用已知超导体（如铜氧化物、铁基超导）的数据库预训练，再微调至未知体系，使模型能“理解”超导关联的共性特征。

最终筛选出的四种材料均来自此前被忽视的化学空间：包括一种层状锗化物、两种含硫的三元化合物，以及一种具有特殊一维链结构的氧化物。初步的电子结构计算显示，它们均表现出明显的费米面嵌套或平带特性——这正是理论预测中有利于超导配对的关键指标。

深远意义：材料发现进入“算法驱动的加速时代”

此次工作的核心价值不在于“数量”，而在于**速度与精度的双重跃迁**。28小时对应的是传统方法数十年的筛选量级，且AI避免了人类直觉导致的“搜索偏见”——例如过度关注铜基、铁基等热门体系，而冷落其他非传统结构。更重要的是，这四种材料并非简单的已知体系变种，而是跨越了氧化物、硫化物、金属间化合物等多个家族，暗示AI有能力揭示跨体系的隐蔽规律，从而可能为统一超导理论提供新的实验锚点。

当然，这仅仅是计算筛选的“第一阶段”。接下来的实验合成、掺杂优化、完整性检验仍需大量人工验证。但AI已将原本需要数十年夯实的“搜索漏斗”压缩至一天之内，使得科学家能将精力集中在真正有潜力的候选者上。百年超导竞赛的终点依然遥远，但AI无疑为这条漫漫长路铺上了一块加速踏板。