رکورد ۳۰ ساله ابررسانایی شکسته شد، و هوش مصنوعی در یافتن آن کمک کرد
پژوهش ابررسانایی سه دهه با یک بدهبستان تعریف شده که هیچکس نمیتوانست از آن فرار کند: هرچه دمایی که یک ماده در آن برق را با مقاومت صفر هدایت میکند بالاتر باشد، فشار لازم برای حفظ آن حالت شدیدتر است. در سال ۲۰۲۶، پژوهشگران دانشگاه هیوستون رکورد ۳۰ ساله فشار محیط را شکستند — با رسیدن به دمای گذار ابررسانایی ۱۵۱ کلوین (حدود منفی ۱۲۲ درجه سلسیوس) بدون فشارهای سنگینی که دراماتیکترین نتایج این حوزه را تعریف کردهاند. داستان بزرگتر خود رکورد نیست — این است که جستجوی مواد مبتنی بر هوش مصنوعی شروع به بازتعریف نحوه یافتن این کاندیداها کرده است.
چرا تمایز فشار واقعاً اهمیت دارد
پژوهشگران ابررسانایی با دو واحد صحبت میکنند: دمای بحرانی (Tc)، که چقدر ماده میتواند گرم باشد و همچنان ابررسانا بماند، و فشار لازم برای حفظ آن حالت. بالاترین Tc تأییدشده مستقل برای هر ابررسانا، تا امسال، حدود ۲۶۰ کلوین برای یک هیدرید لانتانیوم (LaH₁₀) است — اما فقط تحت فشارهای ۱۷۰ تا ۱۹۰ گیگاپاسکال، تقریباً نیمی از فشار در هسته زمین. این در یک سلول سندان الماس در آزمایشگاه فیزیک قابل دستیابی است و اساساً برای هر کاربرد تجاری که بتوانید تصور کنید — از شبکههای برق تا مگنتهای MRI تا قطارهای مگلو — بیفایده است.
نتیجه دانشگاه هیوستون دقیقاً به این دلیل اهمیت دارد که به دنبال آن عدد نیست. با استفاده از تکنیکی به نام «خاموشسازی فشاری» — اعمال فشار بالا در طول سنتز، سپس حذف آن در حالی که ساختار ابررسانایی تقویتشده حفظ میشود — تیم به ۱۵۱ کلوین در فشار محیط رسید و از سقف قبلی فشار محیط، یعنی ۱۳۳ کلوین که از اوایل دهه ۱۹۹۰ پابرجا بود، فراتر رفت.
این حوزه به دو مسیر پژوهشی تقسیم شده
سال ۲۰۲۶ در حال تبدیل شدن به سالی است که این تقسیم بهجای اتفاقی بودن، صریح شد. یک مسیر — ابررساناهای هیدریدی تحت فشار شدید — همچنان رکوردهای چشمگیر Tc را ثبت میکند اما با یک دیوار مهندسی واقعی روبرو است: هیچکس مسیر قابلقبولی برای راهاندازی یک شبکه برق یا قطار در فشار ۱۷۰ گیگاپاسکال ندارد. مسیر دیگر — کاندیداهای فشار محیط — اعداد دمایی خبرساز را با چیزی معامله میکند که میتواند بهطور معقول بهعنوان یک محصول عرضه شود.
هوش مصنوعی واقعاً کجا قرار میگیرد
دلیل تسریع این پیشرفت اکنون، نه در آیندهای فرضی، تغییری در روش به همان اندازه علم مواد است. پژوهشگران، از جمله تیمی در دانشگاه Aalto فنلاند، نشان دادهاند که مدلهای هوش مصنوعی میتوانند یک فضای عملاً نامحدود از ترکیبات مواد ممکن را به یک فهرست کوتاه و از نظر فیزیکی معقول کاهش دهند. Päivi Törmä، فیزیکدان Aalto، استدلال کرده که این رویکرد میتواند بازه زمانی یافتن کاندیداهای ابررسانایی جدید را بهطور چشمگیری فشرده کند.
چه چیزی را واقعاً باید در ادامه زیر نظر داشت
عددی که باید دنبال شود فقط «بالاترین Tc» نیست — رکوردهای خبرساز تحت فشار شدید همچنان سقوط خواهند کرد و عمدتاً از نظر تجاری اهمیتی نخواهند داشت. آنچه اهمیت دارد این است که آیا Tc فشار محیط با سرعتی سریعتر از فاصله ۳۰ ساله قبلی بین رکوردها بالا میرود، زیرا این سرعت اکنون یک شاخص تقریبی برای این است که آیا جستجوی مواد شتابیافته با هوش مصنوعی واقعاً کار میکند یا فقط کاندیداهای بیشتری برای آزمایش تولید میکند.