國際研究團隊近日展示一套結合機器學習與量子物理的超導材料搜尋方法，並成功發現及驗證兩種新超導材料 YRu3B2 與 LuRu3B2。這項研究由芬蘭阿爾托大學教授托爾馬領導，並在 SuperC 聯盟推動下進行，為長期仰賴偶然發現的超導研究提供更系統化的探索路徑。
超導體研究長期受限於低溫與高昂成本
超導材料能在特定條件下實現零電阻導電，因此被視為量子電腦、核磁共振成像、融合反應爐與磁浮列車等技術的重要材料基礎。然而，目前多數超導體仍須在接近絕對零度的低溫環境下運作，冷卻系統不僅成本高，也限制了超導技術的大規模應用。
能在更高溫度，尤其是室溫下運作的超導體，一直是物理學與材料科學的重要目標。不過，從發現新超導材料到實現穩定、可量產且能在室溫工作的材料，仍存在明顯差距。
機器學習先篩選，再由量子計算驗證
研究團隊指出，理論上可由不同元素組成的材料排列近乎無限，但真正具備超導性的組合只占極少數。過去數十年，科學界雖已辨識出超過 7,000 種超導材料，但其中多數來自偶然發現；能透過理論預測成功鎖定的材料，約只有 20 種。
造成搜尋困難的原因之一，是超導性涉及複雜的量子機制，相關計算需要消耗大量運算資源。新方法先利用機器學習分析大量元素組合，排除明顯缺乏潛力的候選材料，再交由專門演算法與高精度理論計算，進一步檢驗候選材料具備超導性的可能性。
這種分階段流程可將最耗費算力的分析集中在少數高機率候選者上。研究團隊表示，隨著方法持續改進，未來可處理的材料組合數量甚至可能提高至數十億種。
YRu3B2 與 LuRu3B2 完成理論到實驗驗證
研究團隊利用新流程鎖定 YRu3B2 與 LuRu3B2 兩種候選材料。研究顯示，兩者的超導行為與籠目晶格結構中的平帶電子特性有關。
籠目晶格是一種特殊幾何排列，其名稱源自日本傳統編籃工藝。這類結構被認為可能形成有利於超導的電子特性。完成理論預測後，美國萊斯大學莫羅桑教授領導的團隊合成材料樣品，並透過實驗確認兩者確實具備超導性。
這項成果完成了從人工智慧篩選、理論判定到實驗驗證的完整流程，顯示機器學習不僅能協助整理既有材料資料，也能參與新材料候選者的探索與排序。
SuperC 將室溫超導體目標設定於 2033 年
SuperC 聯盟成立於 2023 年，目標是運用量子物理推進新型超導體的發現，並將尋找室溫超導體的時間表設定在 2033 年。
研究團隊認為，若未來能找到可在室溫下運作的超導材料，可能改變能源的產生、傳輸與使用方式。在電腦與資料中心等應用中，超導技術也可能降低部分能源消耗與散熱負擔，進而影響資訊與通訊產業的基礎設施設計。
距離實用化仍有多項技術障礙
目前這項研究證明的是 AI 輔助材料搜尋流程能找出並驗證新的超導材料，並不代表 YRu3B2 或 LuRu3B2 已經是室溫超導體，也不表示室溫超導技術已可直接投入商業應用。
從材料發現走向實際使用，仍須處理多項問題，包括：
- 材料在不同環境下的穩定性。
- 材料樣品的製備與量產工藝。
- 進一步提升臨界溫度的可能性。
- 機器學習模型對資料品質、完整性與多樣性的依賴。
- 超導材料在實際裝置中的整合、可靠性與成本。
即使距離室溫超導體仍有一段路要走，這項研究仍顯示人工智慧正逐步從科研輔助工具，轉變為材料探索的重要引擎。透過機器學習縮小搜尋範圍，再結合量子理論與實驗驗證，超導體研究有機會從高度依賴偶然性的模式，轉向更具效率與可重複性的開發流程。
