fr.wedoany.com Rapport : Une équipe de recherche internationale, incluant l’Université Aalto en Finlande, a découvert deux nouveaux supraconducteurs en utilisant la technologie de l’intelligence artificielle, offrant ainsi une méthode plus efficace pour le criblage des matériaux supraconducteurs. L’article de recherche correspondant a été publié dans la revue académique américaine « Physical Review Research ». Les deux matériaux sont respectivement YRu₃B₂ et LuRu₃B₂.
L’importance de ce résultat ne réside pas seulement dans la « découverte de nouveaux matériaux », mais dans l’introduction de l’apprentissage automatique dans le processus de criblage des matériaux candidats supraconducteurs. L’espace des combinaisons de matériaux supraconducteurs est extrêmement vaste ; si l’on se fie entièrement aux méthodes traditionnelles d’essais et d’erreurs et aux calculs individuels, le cycle de développement serait très long. L’équipe de recherche a d’abord utilisé des méthodes d’apprentissage automatique pour pré-cribler un grand nombre de combinaisons d’éléments, puis a effectué des calculs de premiers principes plus précis et des validations expérimentales sur les matériaux candidats potentiels, confirmant finalement deux composés à structure kagome présentant des caractéristiques de supraconductivité massive. La structure kagome, en raison de sa structure électronique particulière et de ses propriétés quantiques, attire depuis longtemps l’attention dans les domaines de la physique de la matière condensée et de la recherche sur les matériaux quantiques. Cette combinaison du criblage par IA et des calculs de physique quantique montre que la recherche de matériaux passe d’une approche empirique et d’un criblage manuel à une collaboration entre prédiction algorithmique, validation par calcul et confirmation expérimentale.
Ces deux nouveaux supraconducteurs ne sont pas encore des matériaux supraconducteurs à température ambiante, et leur entrée immédiate dans des applications techniques n’est pas non plus envisagée. Leur valeur réside davantage dans la méthodologie : l’IA peut aider les chercheurs à réduire plus rapidement l’éventail des candidats, en comprimant l’espace de recherche de matériaux, initialement immense, vers des directions plus dignes d’une validation expérimentale.
Si cette approche continue de mûrir, ses impacts s’étendront aux secteurs de l’énergie, de l’électricité, de l’informatique et des équipements cryogéniques. Si des matériaux supraconducteurs applicables à grande échelle parviennent à atteindre une température critique plus élevée, une préparation plus stable et un coût d’application plus bas, ils pourraient être utilisés pour le transport d’électricité à faible perte, les aimants haute performance, l’informatique quantique, les centres de données, l’imagerie médicale, les accélérateurs de particules et les systèmes de détection avancés. Les obstacles pratiques restent élevés : les matériaux supraconducteurs doivent non seulement posséder des propriétés physiques idéales, mais aussi résoudre des problèmes liés aux procédés de fabrication, à la stabilité des matériaux, au courant critique, à la résistance mécanique, aux conditions de refroidissement et aux coûts de production en série. La découverte de deux nouveaux matériaux par l’IA ne modifiera pas directement la structure industrielle, mais elle offre un nouvel outil de criblage pour la recherche sur la supraconductivité, contribuant à améliorer l’efficacité de la découverte de matériaux candidats et à accumuler des données et des méthodes pour la recherche future de matériaux supraconducteurs se rapprochant des conditions ambiantes.
