材料科学中流传着一种无奈，科学家们记录了超过7000种超导材料，但绝大多数是在实验室里偶然发现或凭直觉试出来的，真正被理论预测命中后再合成的屈指可数。如今这个局面正在被AI改变，一个由多国物理学家组成的国际团队近日宣布，他们用机器学习在成千上万种从未被测试过的化学结构中，精准筛选出两种此前未知的超导材料，并在实验室里完成了合成与验证，确认其确实具备超导特性，相关成果已发表于《自然》杂志。
这项研究的组织者，是2023年启动的SuperC国际项目，目标是借助AI与自动化技术在2033年前找到室温超导体。团队的分工相当清晰，芬兰阿尔托大学的研究人员负责训练机器学习模型，让算法在海量的候选化学结构中做第一轮粗筛，排除掉绝大多数没有希望的结构；被算法标记为高潜力的候选者，则进入需要消耗大量算力的量子物理计算环节做精细评估，只有通过层层筛选的材料，才会被送到实验室进行真正的合成测试。
最终被AI圈定的幸运儿是两种全新的化合物，由钇或镥与钌、硼元素组合而成，分别命名为YRu₃B₂与LuRu₃B₂。美国莱斯大学的物理学家在实验室中成功合成了这两种材料，对实物样品进行测试后，确认它们确实表现出预测的超导特性。值得注意的是，这两种材料共享一种被称为kagome晶格的原子结构，这种形似日本竹编图案的三角排列方式会限制电子的运动，把电子压进平坦的能带，让量子效应占据主导，从而为库珀对的形成创造条件，这正是它们能超导的结构根源。
理解这项成果的价值，要先看清传统材料发现流程的困境。化学元素可以组合出数以百万计的晶体结构，但其中只有极小一部分能够无电阻地传导电流，靠人工逐一实验显然不现实，而直接对海量候选结构做高精度的量子化学计算又太慢太贵，算力成本让科学家只能在小范围内试错。这正是过去数十年超导材料发现高度依赖运气与直觉的根本原因，科学家在化学家直觉与昂贵计算之间，缺乏一个廉价高效的中间筛选层。
SuperC团队的方法相当于在这个流程里插入了一台高速筛子。机器学习算法可以在几秒钟内评估一个候选结构的潜力，快速丢弃绝大多数没有希望的组合，把需要动用昂贵量子计算的候选数量压缩到极小范围，实验室的物理资源因此只花在成功率最高的材料上。研究团队表示，这套流程把材料发现的范式从"先做实验再看结果"倒转成"先预测再验证"，理论模型与实验验证之间第一次实现了如此紧密的闭环配合。需要说明的是，AI在此扮演的是高吞吐的初筛器而非终极裁判，材料的物理真实性最终仍要由实验数据说话，但这种人机分工恰好把科学家的时间从重复性的结构筛选中解放出来，投向更有价值的机理探索与假设设计，也让年轻研究者有机会在模型给出的候选清单上快速建立自己的实验课题。
需要泼冷水的是，YRu₃B₂与LuRu₃B₂暂时还无法投入实际应用，它们仍然需要在极低的温度下才能进入超导状态，远低于室温，不能直接解决电网输电或数据中心散热的现实问题。研究者自己也强调，这项研究的真正价值在于证明了预测模型的有效性，机器学习的触角第一次伸进了量子材料的复杂性质预测领域，并且经受住了实验室的检验，这比两种新材料的实用价值重要得多。
方法一旦跑通，复制就是水到渠成的事。同样的算法可以被用来筛选室温超导候选、高密度电池材料、工业催化剂乃至半导体新材料，材料研发从"碰运气"变成"可计算"之后，新材料的发现周期有望从数年压缩到数月甚至数周。业内对AI材料研发的商业化同样充满期待，旧金山创业公司Periodic Labs用AI加机器人系统每天能测试上千种候选超导材料，另一家量子计算材料公司则已发表多篇相关论文，AI驱动的材料研发正在从学术前沿变成看得见回报的产业赛道。
从更宏观的视角看，这项研究是AI for Science在材料领域加速落地的一个缩影。过去几年，AI在蛋白质结构预测、药物分子设计等领域接连取得突破，材料科学却因为涉及量子力学级别的复杂计算而进展相对缓慢，如今机器学习成功预测并验证超导材料，等于补齐了AI4S在凝聚态物理方向的重要一块拼图。材料基因组、自动化实验与生成式模型正在合流，形成"AI设计、机器人合成、高通量表征"的新型研发闭环。
这场范式转换的影响将远远超出超导领域。高性能电池、轻量化合金、高效催化剂与半导体新材料，几乎每一个工业方向的突破都受限于材料发现的速度，AI若能把这部分周期系统性缩短，下游产业的创新节奏都会被整体带动。当然，模型预测与真实物理之间仍存在不确定性，这次两种材料全部命中验证了路线的可行性，但样本量还不足以证明模型不会在更复杂的目标上失手，更广泛的独立复现与数据集积累仍然必要，AI与人类科学家的协作，才刚刚进入磨合期。