Machine learning vient de découvrir deux nouveaux supraconducteurs, et c'est la méthode de recherche qui compte plus que les matériaux eux-mêmes.

L’humanité a découvert environ 7 000 matériaux supraconducteurs depuis que le phénomène a été observé pour la première fois en 1911. Presque tous l’ont été par hasard — un chercheur qui teste un composé pour une propriété sans rapport et remarque qu’il perd sa résistance électrique à basse température. Moins de 20 ont été prédits par la théorie avant d’être confirmés en laboratoire. Ce ratio est la véritable histoire derrière l’annonce de juillet 2026 du consortium SuperC, une collaboration de recherche internationale menée par Päivi Törmä de l’Université Aalto : deux nouveaux supraconducteurs, YRu3B2 et LuRu3B2, découverts non par accident mais par une méthode de recherche basée sur le Machine Learning, conçue pour faire de la prédiction la norme plutôt que l’exception.

Pourquoi la découverte des supraconducteurs est restée lente

La supraconductivité est un phénomène quantique — en dessous d’une température critique, la résistance électrique d’un matériau tombe exactement à zéro, et il peut transporter du courant indéfiniment sans perdre d’énergie sous forme de chaleur. Cette propriété est suffisamment précieuse pour que trouver un matériau qui supraconduit près de la température ambiante, plutôt que près du zéro absolu, soit considéré comme l’un des problèmes ouverts les plus importants de la physique. Cela signifierait une transmission d’énergie sans perte, des centres de données bien plus efficaces et du matériel informatique n’ayant pas besoin de refroidissement cryogénique.

L’obstacle n’a jamais été un manque d’ambition. C’est la taille de l’espace de recherche. Il existe des milliards de combinaisons de matériaux plausibles, et calculer si l’une d’elles est supraconductrice nécessite des simulations de mécanique quantique coûteuses en calcul. Exécuter ce calcul sur chaque candidat est irréaliste — c’est pourquoi la plupart des découvertes sont arrivées par chance plutôt que par recherche systématique.

Comment fonctionne réellement le pré-filtrage ML

L’approche de SuperC divise le problème en deux étapes au lieu d’une. D’abord, un modèle de Machine Learning — entraîné sur la physique des supraconducteurs connus — scanne un vaste espace de matériaux candidats et signale ceux qui sont structurellement susceptibles d’être supraconducteurs, sans exécuter la simulation quantique complète et coûteuse sur chacun. Seul le petit sous-ensemble qui franchit ce premier filtre passe ensuite à des calculs quantiques détaillés. C’est le même schéma qui a accéléré la découverte de médicaments et le repliement des protéines : utiliser un modèle bon marché et rapide pour réduire un énorme espace de recherche à une shortlist gérable, puis ne dépenser le calcul coûteux que là où il a des chances de rapporter.

Les deux matériaux que la méthode a mis en avant, YRu3B2 et LuRu3B2, partagent une caractéristique structurelle spécifique : leur supraconductivité provient d’électrons occupant ce que les physiciens appellent des « flat bands » dans un réseau kagome — un agencement géométrique hexagonal nommé d’après un motif traditionnel de vannerie japonaise. Dans une flat band, les électrons peuvent occuper des états d’énergie qui changent à peine à travers le matériau, ce qui concentre leurs interactions et peut permettre exactement le type de comportement d’appariement qui produit la supraconductivité. Les matériaux à réseau kagome sont devenus l’une des familles structurales les plus prometteuses dans la recherche sur les supraconducteurs ces dernières années, et le fait de disposer d’une méthode de recherche capable de passer systématiquement en revue les variations de cette structure — plutôt que de tomber dessus individuellement par hasard — est la véritable avancée ici.

Ce que cela change, et ce que cela ne change pas

SuperC a été créé en 2023 avec un objectif explicite et ambitieux : trouver un supraconducteur à température ambiante d’ici 2033. Deux nouveaux matériaux n’y mènent pas seuls — YRu3B2 et LuRu3B2 nécessitent toujours des températures extrêmement basses pour supraconduire, comme presque tout ce qui a été découvert avant eux. Ce qui change, c’est le rythme de découverte. Si un pipeline de pré-filtrage ML validé peut traiter des candidats à une échelle qu’aucun groupe de recherche humain ne pourrait évaluer manuellement, le domaine passe d’un petit nombre d’équipes faisant des trouvailles occasionnelles à une recherche systématique capable, en principe, d’explorer une fraction bien plus grande de l’espace des matériaux plausibles.

C’est une distinction significative pour quiconque suit ce secteur. Un nouveau supraconducteur est un point de donnée. Une méthode de recherche qui transforme la découverte des supraconducteurs d’une sérendipité en un pipeline reproductible est une infrastructure — le genre de changement d’outillage qui s’accumule sur des années plutôt que de produire un seul titre et de se taire. Les prochaines choses à surveiller sont de savoir si SuperC ou des groupes concurrents publient des résultats à une échelle nettement plus grande (des dizaines ou des centaines de nouveaux candidats plutôt que deux), et si la famille des flat bands kagome continue de produire des hits ou s’avère être un filon plus étroit qu’espéré.

Ce qu’il faut retenir

Pour les chercheurs et ingénieurs travaillant à proximité de la science des matériaux, le signal actionnable ici n’est pas « surveillez les supraconducteurs à température ambiante » — cela reste probablement à des années, même avec un calendrier optimiste. C’est que le pré-filtrage guidé par le Machine Learning est désormais suffisamment validé pour être considéré comme un filtre de premier passage avant des simulations quantiques coûteuses, dans ce domaine et probablement dans des domaines voisins. Les équipes qui possèdent de grands espaces de candidats inexplorés dans d’autres domaines de la science des matériaux devraient se demander si le même schéma en deux étapes — modèle bon marché, simulation coûteuse uniquement sur les survivants — s’applique à leur propre problème de recherche.