Due nuovi superconduttori scoperti grazie all'intelligenza artificiale: è una svolta?

La ricerca di materiali superconduttori potrebbe entrare in una nuova fase grazie all'impiego dell'intelligenza artificiale. Un gruppo internazionale coordinato dall'Università di Aalto ha infatti dimostrato come un sistema di machine learning possa ridurre drasticamente il numero di combinazioni di materiali da analizzare, consentendo di identificare candidati promettenti in tempi molto più rapidi rispetto ai metodi tradizionali. Il risultato è già stato validato con la scoperta di due nuovi superconduttori, denominati YRu3B2 e LuRu3B2, e rappresenta una prova concreta dell'efficacia dell'approccio.

I superconduttori sono materiali in grado di trasportare corrente elettrica senza alcuna resistenza, eliminando quindi le perdite energetiche. Questa proprietà emerge però soltanto a temperature estremamente basse, prossime allo zero assoluto, rendendo necessario l'impiego di costosi sistemi criogenici. Nonostante questo limite, tali materiali trovano già impiego in numerosi settori, tra cui computer quantistici, risonanza magnetica, reattori a fusione e treni a levitazione magnetica.

Da decenni la comunità scientifica è impegnata nella ricerca di un superconduttore stabile a temperatura ambiente, considerato uno degli obiettivi più importanti della fisica dei materiali. Un simile risultato avrebbe infatti conseguenze profonde per la trasmissione dell'energia elettrica e per l'efficienza di sistemi informatici e infrastrutture digitali.

YRu3B2 e LuRu3B2 devono la loro superconduttività agli elettroni che formano bande piatte in un reticolo kagome. Quest'ultimo prende il nome da un motivo esagonale tipico dell'intreccio dei cesti giapponesi. Foto: Esa Kapila

Secondo Päivi Törmä, professoressa dell'Università di Aalto e responsabile del consorzio internazionale SuperC, materiali di questo tipo potrebbero modificare radicalmente il modo in cui viene utilizzata l'energia. Se impiegati in computer e datacenter, ad esempio, potrebbero ridurre sensibilmente sia i consumi elettrici sia il calore generato dalle infrastrutture ICT.

Il lavoro rientra proprio nelle attività di SuperC, un progetto internazionale nato nel 2023 che riunisce fisici e ricercatori con l'obiettivo dichiarato di individuare un superconduttore operante a temperatura ambiente entro il 2033. Per raggiungere questo traguardo il consorzio combina modelli di fisica quantistica con strumenti di apprendimento automatico, utilizzando l'intelligenza artificiale non come sostituto dei calcoli teorici, ma come filtro capace di individuare rapidamente le combinazioni più promettenti.

Il metodo sviluppato segue infatti una procedura articolata. L'algoritmo di machine learning esegue una prima scrematura tra un numero potenzialmente sterminato di combinazioni di elementi chimici, individuando soltanto quelle con maggiori probabilità di presentare proprietà superconduttive. Successivamente vengono eseguiti approfonditi calcoli quantistici sui candidati selezionati per verificarne teoricamente il comportamento.

I due materiali individuati, YRu3B2 e LuRu3B2, condividono una particolare struttura elettronica nota come reticolo kagome, una geometria ispirata ai tradizionali intrecci dei cestini giapponesi. In questa configurazione gli elettroni formano bande energetiche piatte che favoriscono l'insorgere della superconduttività secondo i modelli teorici sviluppati dal gruppo.

Dopo la validazione teorica, la fase sperimentale è stata affidata ai ricercatori della Rice University, guidati dalla professoressa Emilia Morosan. Il gruppo ha sintetizzato i nuovi composti partendo dagli elementi chimici di base e ha successivamente verificato sperimentalmente che entrambi presentassero effettivamente proprietà superconduttive, confermando così l'affidabilità dell'intero processo di scoperta.

Il risultato rappresenta soprattutto una dimostrazione di principio. Storicamente la scoperta dei superconduttori è avvenuta in larga parte per tentativi o grazie a osservazioni fortuite. Sebbene oggi siano noti oltre 7.000 materiali superconduttori, soltanto una ventina sono stati previsti teoricamente prima della loro sintesi, a causa dell'enorme complessità computazionale richiesta dall'analisi delle possibili combinazioni atomiche.

Il nuovo approccio punta a modificare radicalmente questo scenario. Utilizzando il machine learning come sistema di preselezione, i ricercatori possono concentrare le risorse di calcolo soltanto sui candidati realmente promettenti, riducendo tempi e costi dell'intero processo. Secondo il team, in futuro questa strategia potrebbe consentire di valutare miliardi di materiali differenti, aprendo la strada alla scoperta di migliaia di nuovi superconduttori.