首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI evening

AI找出4种全新超导体,只用28个GPU时!人类此前完全未知

2026-07-03 1 阅读 约9分钟阅读 衡宇
分享:
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> AI找出4种全新超导体,只用28个GPU时!人类此前完全未知 衡宇 2026-07-03 15:35:58 来源: 量子位 超越人类超导体发现100年效率 刚刚 发自 凹非寺 量子位 | 公众号 QbitAI 人类已经卷了一百多年的“物理学圣杯”竞赛,终于等来了AI选手下场。 刚刚,阿里达摩院联合中国人民大学高瓴人工智能学院、中国科学院大学等机构,发布了 首个专攻超导材料发现的AI智能体“ElementsClaw” (元素虾)。 只用了28个GPU小时,ElementsClaw就给已知的240万种稳定晶体统统海选了一遍,预测其中的6.8万种可能是超导体。 对比人类100多年才发现2000多个超导材料的效率,AI这简直是光速交卷。 快是快了,但靠不靠谱啊? 研究团队 选了几种比较好合成的试了试,结果发现4种是人类此前未知的全新超导体。 目前,他们已经把AI对这240万种材料的预测数据(有没有超导性、结构是什么、临界温度是多少等等)全部开放,欢迎更多研究人员一起来挖矿。 (插播一个直通车: https://science.damo-academy.com/#/material) 万一呢,说不定里面就藏着下一个改变世界的材料(doge)。 超导:寻找物理学终极材料,竟是“炒菜式科研”? 1911年,昂纳斯这位热衷于当“寒冰射手”的荷兰诺奖得主先是把氦气冻成了液体,再用液氦把水银冻到了4K(约零下269℃)附近。 这下水银彻底被他玩坏了。 啪,电阻没了! 电阻没了意味着什么呢,这么说吧,如果说普通的电线是乡下土路,电子在里面跑会磕磕碰碰、损耗能量,此时的水银就是一条高速公路,电子可以一路狂飙。 更绝的是,它还会把磁场完全挤出去,也就是“完全抗磁性”。 于是,超导的全名 “超级导电体” 就这么诞生了。 有了这种材料,输电时电能几乎不会浪费,还能造出速度极快的磁悬浮列车,应用前景特别广。 最最刺激的是, 超导材料还是磁约束核聚变装置托卡马克环的必要组件 ,人类没准能靠超导实现可控核聚变,直接终结能源问题。 但是,真要降到零下269℃才超导,未免也太难用了,做啥都得配个大冰箱。 往后这一百多年,大家抱着极高的热情去寻找其他的超导体,就看谁能先找到个常温常压就变身的超绝材料了。 战果如下! 到现在,国际主流的超导体数据库SuperCon就收录了2000多种具有超导性的材料,而 温度能到几十K (其实这也是零下200多度了) 的可能只有几十种 。 难怪当2023年韩国团队宣称做出“室温超导体”LK-99时(事后证明是个大乌龙),从顶尖实验室到民科,全球无数人都掏出了自己的 “炼丹炉”。 物理学圣杯的诱惑实在太大了。 中国科学院大学金士锋研究员 给了句辣评: 做超导体探索很多是“炒菜式科研”。 咱们理解一下什么是炒菜式科研哈。 常压下转变温度超过40K的“高温超导体”,物理机制至今没有完全被人类理解。 从铜基、铁基到镍基,几乎每一个重磅超导材料都是偶然发现的。 元素周期表上有100多种元素,物理学家缺乏一本菜谱的指导,只能不断调整油盐酱醋的比例,反复试错,今天多放点葱,明天少放点蒜。 “和炒菜最大的不同是——发现超导材料的成功率还更低一点,可能做几十个实验只能有一个能成功。” 这也是他决定加入这个研究的原因。 百年超导,光靠人类有点卷不动了。 AI来了,但做成AlphaFold那样还不够 让AI去替人大海捞针,是再自然不过的想法,毕竟生物学早就尝到了甜头。 2024年,DeepMind的AlphaFold就凭借着预测蛋白质结构的颠覆性表现,拿下了诺贝尔化学奖。 但 猜超导可比猜蛋白质难多了。 蛋白质只有20多种氨基酸,序列规律相对清晰;晶体呢?元素上百种,原子之间还有各种离子键、金属键、共价键等等等等。 “结构即功能”是生物学领域的一句名言。 晶体的世界要也能这么简单就好了…… 这几年倒也不是没有突破。 DeepMind的GNoME用AI一下子预测了220万种理论上存在的稳定材料,说是走完了人类800年的材料发现之路。 这个成果已经发了Nature。 微软的MatterGen则是反向思维,根据人类想要的材料特性,让AI去设计新结构,也发了Nature。 这符合从预测式AI(predictive AI)到生成式AI(generative AI)的技术趋势,即AI从答“判断题”进化到了答“填空题”。 但在 达摩院科学智能负责人荣钰 看来,它们都有一个问题,那就是太单点了。 它们能告诉你“这可能是超导”,但又不能告诉你以前有没有人研究过?合成方不方便?有没有毒性?成本高不高? 在现实科研里,可不是小手一点说“这是超导,那不是超导”就完了。 光是确定一种结构究竟有没有文献报道,可能就需要好几天,别一不小心就把前人踩过的坑全踩一遍。 就算发现了一种材料结构,要把它做出来并且调控到最佳超导状态,又是一轮漫长的“炒菜”。 金士锋提到,他们曾经调控一个2010年就发现的铁基超导材料,到2019年才首次实现空穴掺杂,中间隔了接近十年。 一个经典提问对着所有物理学工作者贴脸发问: “一个物理学家能有几个十年?” ElementsClaw:一个 “AI材料学家” 所以达摩院和人大这次没有做一个单点模型,而是 一个完整的智能体 。 这就是ElementsClaw。 这只元素虾的核心架构“通专融合”: 一边是专门的“大原子模型”Elements,能精准读懂三维晶体结构,判断材料是否超导、临界温度是多少;一边是大语言模型,能像真正的材料学家读paper、查数据、做决策。 Elements是 一个10亿参数 (AlphaFold3参数量不到3亿) 的几何深度图神经网络。 注意了,1B参数量在LLM领域不算什么,但在材料学AI领域相当可观。 模型预训练阶段用到了1.25亿个分子和晶体结构;微调之后,这个模型在22个材料学基准测试上达到或接近SOTA水平。 更重要的是,他们首次在非大语言模型架构上验证了Scaling Law,给这个原子模型更多参数、更多数据,它的性能真的能持续提升。 基于Elements,李明泽等同学给 “元素虾”长出了好几只钳子 : Elements-T负责预测超导临界温度(Tc),平均绝对误差(MAE)只有0.99K,几乎逼近实验误差; Elements-C负责判断材料是否超导,AUC达到0.996; Elements-E负责预测材料的能量和稳定性; Elements-G负责生成全新的晶体结构。 而智能体系统则负责做它最擅长的事,比如调工具、读论文、查数据库、分析可合成性、设计实验方案。 这个智能体有几个特点。 第一,它速度快。 240万种晶体先扫描一遍,靠谱的留下,明显不靠谱的踢掉。 第二,它会“自我进化”。 当它在文献中发现新的超导数据后,能自动微调自己的模型,给自己创造出新的Skill。 第三,它能做决策。不是简单地预测性质,而是决定下一步该查什么、该怎么设计实验。 荣钰表示:“如果说材
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱