<p>Machine Learning hat gerade zwei neue Supraleiter entdeckt – und die Suchmethode ist wichtiger als die Materialien selbst.</p>

Die Menschheit hat seit der ersten Beobachtung des Phänomens im Jahr 1911 rund 7.000 supraleitende Materialien gefunden. Fast alle wurden per Zufall entdeckt – eine Forscherin testet eine Verbindung auf eine nicht verwandte Eigenschaft hin und stellt fest, dass sie bei niedriger Temperatur ihren elektrischen Widerstand verliert. Weniger als 20 wurden jemals von der Theorie vorhergesagt, bevor sie im Labor bestätigt wurden. Dieses Verhältnis ist die wahre Geschichte hinter einer Ankündigung des SuperC-Konsortiums im Juli 2026, einer internationalen Forschungskooperation unter der Leitung von Päivi Törmä von der Aalto-Universität: zwei neue Supraleiter, YRu3B2 und LuRu3B2, die nicht durch Zufall gefunden wurden, sondern durch eine Machine-Learning-Suchmethode, die darauf ausgelegt ist, Vorhersagen zur Norm und nicht zur Ausnahme zu machen.

Warum die Entdeckung von Supraleitern so langsam voranging

Supraleitung ist ein Quantenphänomen – unterhalb einer kritischen Temperatur fällt der elektrische Widerstand eines Materials auf exakt null, und es kann Strom ohne Energieverlust durch Wärme unbegrenzt leiten. Diese Eigenschaft ist so wertvoll, dass die Suche nach einem Material, das nahe Raumtemperatur supraleitet (statt nahe dem absoluten Nullpunkt), als eines der folgenreichsten offenen Probleme der Physik gilt. Es würde verlustfreie Stromübertragung, deutlich effizientere Rechenzentren und Computerhardware bedeuten, die keine kryogene Kühlung benötigt.

Das Hindernis war nie mangelnder Ehrgeiz. Es ist die Größe des Suchraums. Es gibt Milliarden plausibler Materialkombinationen, und die Berechnung, ob eine bestimmte supraleitet, erfordert rechenintensive quantenmechanische Simulationen. Diese Rechnung für jeden Kandidaten durchzuführen, ist undurchführbar – weshalb die meisten Entdeckungen eher durch Glück als durch gezielte Suche zustande kamen.

Wie das ML-Prescreening tatsächlich funktioniert

SuperCs Ansatz teilt das Problem in zwei Phasen statt einer. Zuerst scannt ein Machine-Learning-Modell – trainiert auf der Physik bekannter Supraleiter – einen großen Raum von Kandidatenmaterialien und markiert diejenigen, die strukturell wahrscheinlich supraleiten, ohne die teure vollständige Quantensimulation für jedes einzelne durchzuführen. Nur die kleine Teilmenge, die diesen ersten Filter passiert, wird anschließend detaillierten Quantenberechnungen unterzogen. Dies ist dasselbe Muster, das die Wirkstoffforschung und das Proteinfalten beschleunigt hat: Verwende ein billiges, schnelles Modell, um einen riesigen Suchraum auf eine handhabbare Shortlist zu reduzieren, und gib das teure Compute nur dort aus, wo es sich wahrscheinlich auszahlt.

Die beiden Materialien, die die Methode zutage förderte, YRu3B2 und LuRu3B2, teilen ein spezifisches strukturelles Merkmal: Ihre Supraleitung rührt von Elektronen her, die sogenannte „flat bands“ in einem Kagome-Gitter besetzen – einer hexagonalen geometrischen Anordnung, benannt nach einem traditionellen japanischen Korbflechtmuster. In einem Flat Band können Elektronen Energiezustände einnehmen, die sich über das Material hinweg kaum ändern, was ihre Wechselwirkungen konzentriert und genau die Art von Paarungsverhalten ermöglichen kann, das Supraleitung erzeugt. Kagome-Gitter-Materialien haben sich in den letzten Jahren zu einer der vielversprechendsten Strukturfamilien in der Supraleiterforschung entwickelt, und eine Suchmethode zu haben, die systematisch durch Variationen dieser Struktur jagen kann – anstatt einzeln über sie zu stolpern – ist der eigentliche Fortschritt hier.

Was das ändert – und was nicht

SuperC wurde 2023 mit einem expliziten, ambitionierten Ziel gegründet: bis 2033 einen Raumtemperatur-Supraleiter zu finden. Zwei neue Materialien bringen das Feld nicht von allein dorthin – YRu3B2 und LuRu3B2 benötigen weiterhin extrem niedrige Temperaturen zum Supraleiten, wie fast alles, was zuvor entdeckt wurde. Was sich ändert, ist die Entdeckungsrate. Wenn eine validierte ML-Prescreening-Pipeline realistischerweise Kandidaten in einer Größenordnung verarbeiten kann, die keine menschliche Forschungsgruppe von Hand bewerten könnte, bewegt sich das Feld von einer kleinen Anzahl von Forschungsteams, die gelegentlich Glücksfunde machen, zu einer systematischen Suche, die prinzipiell einen viel größeren Anteil des plausiblen Materialraums durcharbeiten kann.

Das ist eine bedeutende Unterscheidung für alle, die diesen Bereich verfolgen. Ein einzelner neuer Supraleiter ist ein Datenpunkt. Eine Suchmethode, die die Supraleiter-Entdeckung von einer Sache des Zufalls in eine wiederholbare Pipeline verwandelt, ist Infrastruktur – die Art von Tooling-Änderung, die sich über Jahre hinweg auszahlt, anstatt eine Schlagzeile zu produzieren und dann zu verstummen. Die nächsten Dinge, auf die man achten sollte, sind, ob SuperC oder konkurrierende Gruppen Ergebnisse in deutlich größerem Maßstab veröffentlichen (Dutzende oder Hunderte neuer Kandidaten statt zwei) und ob die Flat-Band-Kagome-Familie weiterhin Treffer liefert oder sich als schmalere Ader erweist als erhofft.

Das Fazit

Für Forscher und Ingenieure, die angrenzend an die Materialwissenschaft arbeiten, ist das handlungsrelevante Signal hier nicht „Achtung, Raumtemperatur-Supraleiter“ – das ist selbst unter einem optimistischen Zeitplan wahrscheinlich noch Jahre entfernt. Es ist, dass ML-gestütztes Prescreening nun ausreichend validiert ist, um als First-Pass-Filter vor teuren Quantensimulationen vertraut zu werden – in diesem Bereich und wahrscheinlich in angrenzenden. Teams, die in anderen Bereichen der Materialwissenschaft auf großen unerforschten Kandidatenräumen sitzen, sollten sich fragen, ob dasselbe zweistufige Muster – billiges Modell, teure Simulation nur für Überlebende – auf ihr eigenes Suchproblem anwendbar ist.