یادگیری ماشین دو ابررسانای جدید کشف کرد؛ روش جستوجو مهمتر از خود مواد است
بشر از زمان مشاهده نخستین بار پدیده ابررسانایی در سال ۱۹۱۱ تاکنون حدود ۷۰۰۰ ماده ابررسانا کشف کرده است. تقریباً همه آنها بهصورت تصادفی کشف شدهاند — پژوهشگری که ترکیبی را برای یک ویژگی نامرتبط آزمایش میکرده و متوجه شده که آن ماده در دمای پایین مقاومت الکتریکیاش را از دست میدهد. کمتر از ۲۰ مورد پیش از تأیید در آزمایشگاه از پیش با نظریه پیشبینی شدهاند. این نسبت داستان واقعی پشت اعلامیه ژوئیه ۲۰۲۶ کنسرسیوم SuperC است، همکاری پژوهشی بینالمللی به رهبری Päivi Törmä از دانشگاه Aalto: دو ابررسانای جدید، YRu3B2 و LuRu3B2، که نه با شانس بلکه با روش جستوجوی یادگیری ماشین ساختهشده برای تبدیل پیشبینی به قاعده بهجای استثنا کشف شدند.
چرا کشف ابررسانا کند مانده است
ابررسانایی پدیدهای کوانتومی است — زیر دمای بحرانی، مقاومت الکتریکی یک ماده دقیقاً به صفر میرسد و میتواند جریان را بدون از دست دادن انرژی بهصورت گرما بهطور نامحدود حمل کند. این ویژگی بهقدری ارزشمند است که یافتن مادهای که نزدیک دمای اتاق — نه نزدیک صفر مطلق — ابررسانا شود، یکی از مهمترین مسائل حلنشده فیزیک محسوب میشود. این کشف به معنای انتقال برق بدون تلفات، مراکز داده بهطرز چشمگیری کاراتر و سختافزار محاسباتی بدون نیاز به خنکسازی کرایوژنیک خواهد بود.
مانع هرگز کمبود جاهطلبی نبوده. اندازه فضای جستوجو مانع بوده است. میلیاردها ترکیب ماده محتمل وجود دارد و محاسبه اینکه هرکدام ابررسانا هستند یا نه، نیازمند شبیهسازیهای مکانیک کوانتومی از نظر محاسباتی پرهزینه است. اجرای این محاسبه روی هر گزینه غیرممکن است — به همین دلیل بیشتر کشفها با شانس رخ دادهاند نه با جستوجو.
پیشغربالگری یادگیری ماشین واقعاً چگونه کار میکند
رویکرد SuperC مسئله را بهجای یک مرحله، به دو مرحله تقسیم میکند. ابتدا، یک مدل یادگیری ماشین — که روی فیزیک ابررساناهای شناختهشده آموزش دیده — فضای بزرگی از مواد نامزد را اسکن میکند و آنهایی را که از نظر ساختاری احتمال ابررسانایی دارند علامتگذاری میکند، بدون اجرای شبیهسازی کامل کوانتومی پرهزینه روی هرکدام. تنها زیرمجموعه کوچکی که از این فیلتر اول عبور میکند، به محاسبات دقیق کوانتومی میرسد. این همان الگویی است که کشف دارو و تاخوردگی پروتئین را شتاب داده: استفاده از یک مدل ارزان و سریع برای کاهش یک فضای جستوجوی عظیم به فهرست کوتاه قابل مدیریت، سپس صرف محاسبات پرهزینه فقط جایی که احتمال بازدهی دارد.
دو مادهای که این روش شناسایی کرد، YRu3B2 و LuRu3B2، یک ویژگی ساختاری مشخص دارند: ابررساناییشان از الکترونهایی میآید که فیزیکدانان آنها را «باندهای تخت» درون یک شبکه کاگومه مینامند — آرایش هندسی ششضلعی که از الگوی سنتی حصیربافی ژاپنی نام گرفته. در یک باند تخت، الکترونها میتوانند حالتهای انرژیای اشغال کنند که در سراسر ماده بهسختی تغییر میکنند، که تعاملاتشان را متمرکز میکند و میتواند دقیقاً همان نوع رفتار جفتشدنی را که ابررسانایی تولید میکند فعال کند. مواد شبکه کاگومه در چند سال اخیر به یکی از امیدوارکنندهترین خانوادههای ساختاری در پژوهش ابررسانا تبدیل شدهاند و داشتن روشی که بتواند بهطور نظاممند از میان تغییرات این ساختار جستوجو کند — بهجای برخورد تصادفی با آنها یکییکی — پیشرفت واقعی اینجاست.
این چه چیزی را تغییر میدهد و چه چیزی را نه
SuperC در سال ۲۰۲۳ با هدفی صریح و جاهطلبانه تأسیس شد: یافتن یک ابررسانای دمای اتاق تا سال ۲۰۳۳. دو ماده جدید بهتنهایی این حوزه را به آنجا نمیرسانند — YRu3B2 و LuRu3B2 هنوز برای ابررسانا شدن به دماهای بسیار پایین نیاز دارند، درست مانند تقریباً هر چیز دیگری که پیش از آنها کشف شده. آنچه تغییر میکند نرخ کشف است. اگر یک خط لوله پیشغربالگری یادگیری ماشین اعتبارسنجیشده بتواند واقعبینانه گزینهها را در مقیاسی پردازش کند که هیچ گروه پژوهشی انسانی نمیتواند بهصورت دستی ارزیابی کند، این حوزه از تعداد کمی تیم پژوهشی که گاهبهگاه کشفیات شانسی میکنند، به یک جستوجوی نظاممند حرکت میکند که در اصل میتواند بخش بسیار بزرگتری از فضای محتمل مواد را بررسی کند.
این تمایز برای هر کسی که این حوزه را دنبال میکند معنادار است. یک ابررسانای جدید یک نقطه داده است. روشی که کشف ابررسانا را از اتفاق به یک خط لوله تکرارپذیر تبدیل میکند، زیرساخت است — نوعی تغییر ابزاری که در طول سالها انباشته میشود نه اینکه یک تیتر تولید کند و ساکت شود. چیزهای بعدی که باید رصد شوند ایناند که آیا SuperC یا گروههای رقیب نتایجی در مقیاس واقعاً بزرگتر (دهها یا صدها گزینه جدید بهجای دو مورد) منتشر میکنند و آیا خانواده کاگومه با باند تخت به تولید نتیجه ادامه میدهد یا رگهای باریکتر از حد امید ثابت میشود.
نتیجهگیری
برای پژوهشگران و مهندسان کارکننده در مجاورت علم مواد، سیگنال قابلاقدام اینجا این نیست که «منتظر ابررساناهای دمای اتاق باشید» — آن هنوز حتی در بهترین سناریو احتمالاً سالها دور است. سیگنال این است که پیشغربالگری هدایتشده با یادگیری ماشین اکنون بهاندازه کافی اعتبارسنجی شده که بهعنوان یک فیلتر مرحله اول پیش از شبیهسازی کوانتومی پرهزینه، در این حوزه و احتمالاً در حوزههای مجاور مورد اعتماد باشد. تیمهایی که در سایر حوزههای علم مواد فضاهای نامزد کاوشنشده بزرگی در اختیار دارند باید بپرسند آیا همان الگوی دومرحلهای — مدل ارزان، شبیهسازی پرهزینه فقط روی بازماندگان — برای مسئله جستوجوی خودشان هم قابل اجراست.