Machine Learning acabou de encontrar dois novos supercondutores, e o método de busca importa mais do que os materiais.

Desde que o fenômeno foi observado pela primeira vez em 1911, a humanidade encontrou cerca de 7.000 materiais supercondutores. Quase todos foram descobertos por acaso — um pesquisador testando um composto para uma propriedade não relacionada que por acaso nota que ele perde resistência elétrica em baixa temperatura. Menos de 20 foram previstos por teoria antes de serem confirmados em laboratório. Essa proporção é a história real por trás de um anúncio de julho de 2026 do consórcio SuperC, uma colaboração internacional de pesquisa liderada por Päivi Törmä, da Aalto University: dois novos supercondutores, YRu3B2 e LuRu3B2, encontrados não por acaso, mas por um método de busca baseado em machine learning projetado para tornar a previsão a norma, não a exceção.

Por que a descoberta de supercondutores tem sido lenta

Supercondutividade é um fenômeno quântico — abaixo de uma temperatura crítica, a resistência elétrica de um material cai exatamente para zero, e ele pode conduzir corrente indefinidamente sem perder energia na forma de calor. Essa propriedade é tão valiosa que encontrar um material que superconduza próximo à temperatura ambiente, em vez de próximo do zero absoluto, é considerado um dos problemas abertos mais consequentes da física. Isso significaria transmissão de energia sem perdas, data centers dramaticamente mais eficientes e hardware de computação que não precisa de resfriamento criogênico.

O obstáculo nunca foi falta de ambição. É o tamanho do espaço de busca. Existem bilhões de combinações plausíveis de materiais, e calcular se uma delas é supercondutora exige simulações de mecânica quântica computacionalmente caras. Rodar esse cálculo em cada candidato é inviável — e é por isso que a maioria das descobertas aconteceu por sorte, não por busca sistemática.

Como o pré-screening com ML realmente funciona

A abordagem do SuperC divide o problema em duas etapas em vez de uma. Primeiro, um modelo de machine learning — treinado na física de supercondutores conhecidos — varre um grande espaço de materiais candidatos e sinaliza aqueles estruturalmente propensos a superconduzir, sem rodar a simulação quântica completa e cara em cada um. Apenas o pequeno subconjunto que passa por esse primeiro filtro segue para cálculos quânticos detalhados. Esse é o mesmo padrão que acelerou a descoberta de fármacos e o dobramento de proteínas: usar um modelo barato e rápido para reduzir um enorme espaço de busca a uma shortlist gerenciável, e então gastar o compute caro apenas onde é provável que valha a pena.

Os dois materiais que o método trouxe à tona, YRu3B2 e LuRu3B2, compartilham uma característica estrutural específica: sua supercondutividade vem de elétrons ocupando o que os físicos chamam de "flat bands" dentro de uma rede kagome — um arranjo geométrico hexagonal batizado em homenagem a um padrão tradicional de cestaria japonesa. Em uma flat band, elétrons podem ocupar estados de energia que mal mudam através do material, o que concentra suas interações e pode permitir exatamente o tipo de comportamento de pareamento que produz supercondutividade. Materiais com rede kagome se tornaram uma das famílias estruturais mais promissoras na pesquisa de supercondutores nos últimos anos, e ter um método de busca que pode caçar sistematicamente variações dessa estrutura — em vez de tropeçar nelas individualmente — é o avanço real aqui.

O que isso muda, e o que não muda

O SuperC foi estabelecido em 2023 com um alvo explícito e ambicioso: encontrar um supercondutor à temperatura ambiente até 2033. Dois novos materiais não levam o campo até lá sozinhos — YRu3B2 e LuRu3B2 ainda exigem temperaturas extremamente baixas para superconduzir, como quase tudo descoberto antes deles. O que muda é a taxa de descoberta. Se um pipeline validado de pré-screening com ML puder processar candidatos em uma escala que nenhum grupo de pesquisa humano conseguiria avaliar manualmente, o campo passa de um pequeno número de equipes fazendo descobertas ocasionais por sorte para uma busca sistemática que pode, em princípio, percorrer uma fração muito maior do espaço de materiais plausível.

Essa é uma distinção significativa para quem acompanha essa área. Um novo supercondutor isolado é um ponto de dados. Um método de busca que transforma a descoberta de supercondutores de serendipidade em um pipeline repetível é infraestrutura — o tipo de mudança de ferramental que se acumula ao longo de anos, em vez de produzir um headline e depois sumir. As próximas coisas a observar são se o SuperC ou grupos concorrentes publicam resultados em escala significativamente maior (dezenas ou centenas de novos candidatos, em vez de dois), e se a família de flat bands kagome continua gerando acertos ou acaba sendo uma veia mais estreita do que o esperado.

A conclusão

Para pesquisadores e engenheiros que trabalham próximos à ciência dos materiais, o sinal acionável aqui não é "fique de olho em supercondutores à temperatura ambiente" — isso ainda está a anos de distância, mesmo sob um cronograma otimista. É que o pré-screening guiado por ML agora é suficientemente validado para ser confiável como um primeiro filtro antes de simulações quânticas caras, nesse domínio e provavelmente em domínios adjacentes. Equipes que têm grandes espaços de candidatos inexplorados em outras áreas da ciência dos materiais deveriam se perguntar se o mesmo padrão de duas etapas — modelo barato, simulação cara apenas nos sobreviventes — se aplica ao seu próprio problema de busca.