<p>El machine learning acaba de descubrir dos nuevos superconductores, y el método de búsqueda importa más que los materiales.</p>

La humanidad ha encontrado aproximadamente 7.000 materiales superconductores desde que el fenómeno se observó por primera vez en 1911. Casi todos fueron descubiertos por accidente — un investigador probando un compuesto para una propiedad no relacionada que de repente nota que pierde resistencia eléctrica a baja temperatura. Menos de 20 han sido predichos por teoría antes de confirmarse en laboratorio. Esa proporción es la verdadera historia detrás de un anuncio de julio de 2026 del consorcio SuperC, una colaboración internacional de investigación liderada por Päivi Törmä de la Universidad Aalto: dos nuevos superconductores, YRu3B2 y LuRu3B2, encontrados no por accidente sino mediante un método de búsqueda con machine learning diseñado para hacer de la predicción la norma, no la excepción.

Por qué el descubrimiento de superconductores sigue siendo lento

La superconductividad es un fenómeno cuántico — por debajo de una temperatura crítica, la resistencia eléctrica de un material cae exactamente a cero, y puede conducir corriente indefinidamente sin perder energía en calor. Esa propiedad es lo suficientemente valiosa como para que encontrar un material que superconduzca cerca de temperatura ambiente, en lugar de cerca del cero absoluto, se considere uno de los problemas abiertos más importantes de la física. Significaría transmisión de energía sin pérdidas, centros de datos dramáticamente más eficientes y hardware de cómputo que no necesite enfriamiento criogénico.

El obstáculo nunca ha sido la falta de ambición. Es el tamaño del espacio de búsqueda. Hay miles de millones de combinaciones de materiales plausibles, y calcular si un material dado superconduce requiere simulaciones de mecánica cuántica computacionalmente costosas. Ejecutar ese cálculo en cada candidato es intratable — por eso la mayoría de los descubrimientos ocurrieron por suerte, no por búsqueda.

Cómo funciona realmente el pre-screening con ML

El enfoque de SuperC divide el problema en dos etapas en lugar de una. Primero, un modelo de machine learning — entrenado en la física de superconductores conocidos — escanea un gran espacio de materiales candidatos y marca aquellos estructuralmente propensos a superconductar, sin ejecutar la costosa simulación cuántica completa en cada uno. Solo el pequeño subconjunto que supera este primer filtro pasa a cálculos cuánticos detallados. Este es el mismo patrón que ha acelerado el descubrimiento de fármacos y el plegamiento de proteínas: usar un modelo barato y rápido para reducir un enorme espacio de búsqueda a una lista corta manejable, y luego gastar el cómputo costoso solo donde sea probable que dé resultados.

Los dos materiales que el método identificó, YRu3B2 y LuRu3B2, comparten una característica estructural específica: su superconductividad proviene de electrones que ocupan las llamadas "flat bands" dentro de una red kagome — una disposición geométrica hexagonal que recibe su nombre de un patrón tradicional japonés de cestería. En una flat band, los electrones pueden ocupar estados de energía que apenas cambian a través del material, lo que concentra sus interacciones y puede habilitar exactamente el tipo de comportamiento de emparejamiento que produce superconductividad. Los materiales de red kagome se han convertido en una de las familias estructurales más prometedoras en la investigación de superconductores en los últimos años, y tener un método de búsqueda que pueda explorar sistemáticamente variaciones de esa estructura — en lugar de tropezar con ellas individualmente — es el avance real aquí.

Qué cambia esto, y qué no

SuperC se estableció en 2023 con un objetivo explícito y ambicioso: encontrar un superconductor a temperatura ambiente para 2033. Dos nuevos materiales no llevan al campo hasta allí por sí solos — YRu3B2 y LuRu3B2 aún requieren temperaturas extremadamente bajas para superconductar, igual que casi todo lo descubierto antes. Lo que cambia es la tasa de descubrimiento. Si un pipeline validado de pre-screening con ML puede procesar candidatos a una escala que ningún grupo de investigación humano podría evaluar a mano, el campo pasa de un pequeño número de equipos de investigación haciendo hallazgos ocasionales por suerte a una búsqueda sistemática que, en principio, puede trabajar con una fracción mucho mayor del espacio de materiales plausible.

Esa es una distinción significativa para cualquiera que siga este espacio. Un único superconductor nuevo es un punto de datos. Un método de búsqueda que convierta el descubrimiento de superconductores de serendipia en un pipeline repetible es infraestructura — el tipo de cambio de tooling que se acumula con los años en lugar de producir un titular y luego callarse. Lo próximo a observar es si SuperC o grupos competidores publican resultados a una escala significativamente mayor (docenas o cientos de nuevos candidatos en lugar de dos), y si la familia de flat-band kagome sigue produciendo aciertos o resulta ser una veta más estrecha de lo esperado.

La conclusión

Para investigadores e ingenieros que trabajan cerca de la ciencia de materiales, la señal accionable aquí no es "estén atentos a los superconductores a temperatura ambiente" — eso probablemente falten años incluso bajo un cronograma optimista. Es que el pre-screening guiado por ML ahora está lo suficientemente validado como para confiar en él como filtro de primera pasada antes de la simulación cuántica costosa, en este dominio y probablemente en otros adyacentes. Los equipos que tengan grandes espacios de candidatos inexplorados en otras áreas de la ciencia de materiales deberían preguntarse si el mismo patrón de dos etapas — modelo barato, simulación costosa solo en los sobrevivientes — aplica a su propio problema de búsqueda.