کشف ابررسانا بازتعریف شد: چگونه هوش مصنوعی و هندسه کوانتومی مسابقه برای انرژی دمای اتاق را تسریع می‌کنند

برای نزدیک به یک قرن، ابررسانایی در دمای اتاق، جام مقدس فیزیک ماده چگال بوده است. ماده‌ای که بتواند الکتریسیته را با مقاومت صفر در دماهای روزمره هدایت کند، تمدن مدرن را به طور اساسی بازسازی خواهد کرد و اتلاف عظیم انرژی ذاتی در شبکه‌های برق جهانی و مراکز داده را از بین می‌برد.

با این حال، این جستجو در طول تاریخ روندی کند و مبتنی بر شانس بوده است. ابررساناهای شناخته شده برای رسیدن به دمای نزدیک به صفر مطلق، نیاز به فشار شدید یا تجهیزات خنک‌کننده پرهزینه دارند، که کاربرد آن‌ها را به موارد خاصی مانند دستگاه‌های MRI و کامپیوترهای کوانتومی محدود می‌کند.[4]

گلوگاه هرگز کمبود مواد بالقوه نبوده، بلکه فراوانی بیش از حد آن‌ها بوده است. با وجود تقریباً ۱۰۰ عنصر شیمیایی پایدار، تعداد ترکیبات چند عنصری ممکن به راحتی به میلیاردها می‌رسد. حتی یک ارتش جهانی از شیمیدانان تجربی نیز نمی‌توانستند هر ترکیبی را در آزمایشگاه سنتز و آزمایش کنند. برای دهه‌ها، محققان به شهود و روش آزمون و خطا تکیه می‌کردند، به امید اینکه به طور تصادفی به آرایش اتمی کامل دست یابند.[1][4]

این پارادایم اکنون به سرعت در حال تغییر است. ائتلافی جهانی از فیزیکدانان و دانشمندان کامپیوتر در حال به کارگیری هوش مصنوعی برای نقشه‌برداری از قلمرو وسیع و ناشناخته مواد کوانتومی هستند. با ترکیب الگوریتم‌های یادگیری ماشینی با چارچوب نظری نوظهور «هندسه کوانتومی»، محققان در حال پیش‌غربالگری میلیاردها ترکیب عنصری به صورت شبیه‌سازی رایانه‌ای (in silico) هستند. این فیلتر الگوریتمی، امیدوارکننده‌ترین کاندیداها را مدت‌ها قبل از مخلوط شدن حتی یک ماده شیمیایی در آزمایشگاه، شناسایی می‌کند.[1]

پیشگام این تلاش، کنسرسیوم SuperC است، یک همکاری بین‌المللی که توسط دانشگاه آلتو (Aalto University) در فنلاند هماهنگ می‌شود. این گروه که در سال ۲۰۲۳ تشکیل شد، یک ضرب‌الاجل جسورانه و سخت تعیین کرده است: کشف یک ابررسانای دمای اتاق با قابلیت تجاری‌سازی تا سال ۲۰۳۳. برای دستیابی به این هدف، آن‌ها به شدت به هوش مصنوعی تکیه کرده‌اند تا گلوگاه‌های سنتی آزمایشگاهی را دور بزنند و کشف مواد را به یک عملیات عظیم داده‌کاوی تبدیل کنند.[1]

فیزیک زیربنایی که این جستجو را هدایت می‌کند، بر مفهومی به نام هندسه کوانتومی متمرکز است. در یک سیستم کوانتومی، الکترون‌ها هم به عنوان ذره و هم به عنوان موج رفتار می‌کنند و شکل فیزیکی محیط آن‌ها نحوه حرکتشان را دیکته می‌کند.

محققان کشف کرده‌اند که آرایش‌های هندسی خاصی می‌توانند الکترون‌ها را به حالتی به نام «باند تخت» (flat band) وادار کنند. در یک باند تخت، الکترون‌های منفرد عملاً بی‌حرکت می‌شوند، که به طور متناقضی جفت شدن آن‌ها با یکدیگر در قالب «جفت‌های کوپر» (Cooper pairs) را آسان‌تر می‌کند—مکانیسم بنیادی که اجازه می‌دهد الکتریسیته بدون مقاومت جریان یابد.[1][4]

برای یافتن این باندهای تخت، هوش مصنوعی آموزش داده شده است تا به دنبال ساختارهای اتمی خاصی باشد. یکی از امیدوارکننده‌ترین آن‌ها «شبکه کاگومه» (kagome lattice) است که نام خود را از یک تکنیک سنتی سبدبافی ژاپنی گرفته است که با الگویی در هم تنیده از شش‌ضلعی‌ها و مثلث‌ها مشخص می‌شود. هندسه منحصر به فرد شبکه کاگومه به طور طبیعی باندهای تخت تولید می‌کند و آن را به یک کاندیدای اصلی برای ابررسانایی در دمای بالا تبدیل می‌سازد.[2][4]

رویکرد مبتنی بر هوش مصنوعی تاکنون نتایج ملموسی به همراه داشته است. در ژوئن ۲۰۲۶، تیم SuperC کشف دو ماده ابررسانای کاملاً جدید را اعلام کرد: YRu3B2 و LuRu3B2. مدل یادگیری ماشینی یک پایگاه داده عظیم از ترکیبات عنصری را غربال کرد و این دو ترکیب خاص را به عنوان موادی که احتمالاً ابررسانایی شبکه کاگومه را نشان می‌دهند، علامت‌گذاری کرد.[2]

پس از اینکه هوش مصنوعی اهداف را شناسایی کرد، فیزیکدانان نظری محاسبات دقیقی را برای تأیید پیش‌بینی‌ها انجام دادند. سپس نقشه‌ها به متخصصان تجربی، از جمله تیمی در دانشگاه رایس (Rice University)، تحویل داده شد که با موفقیت این ترکیبات را در آزمایشگاه سنتز کردند. آزمایش‌های بعدی تأیید کرد که هر دو ماده واقعاً ابررسانا هستند، که کل خط لوله «هوش مصنوعی تا آزمایشگاه» را تأیید کرد.[2][4]

این موفقیت سرمایه‌گذاری‌های بیشتری را تسریع کرده است. طرح QG3D (هندسه کوانتومی برای مواد سه‌بعدی)، با حمایت مالی چند میلیون دلاری از بنیاد کاولی (Kavli Foundation)، بنیاد کلاوس تشیرا (Klaus Tschira Foundation) و نیکوکار کوین ولز (Kevin Wells)، در اوایل سال ۲۰۲۵ راه‌اندازی شد.

این پروژه محققانی از استنفورد (Stanford)، مؤسسه ماکس پلانک (Max Planck Institute) و سایر مؤسسات نخبه را گرد هم می‌آورد تا این تکنیک‌های هوش مصنوعی را در مورد مواد سه‌بعدی پیچیده به کار گیرند، موادی که برای پشتیبانی از چگالی‌های بالای الکترون مورد نیاز برای عملکرد در دمای اتاق ضروری هستند.[3]

اهمیت این اکتشافات بسیار فراتر از فیزیک آکادمیک است. بخش جهانی فناوری اطلاعات و ارتباطات (ICT) در حال حاضر سهم فزاینده‌ای از برق جهان را مصرف می‌کند، به طوری که پیش‌بینی می‌شود انتشار کربن آن تا سال ۲۰۴۰ دو برابر شود. مراکز داده، به ویژه، مقادیر زیادی انرژی را صرفاً برای دفع گرمای تولید شده توسط مقاومت الکتریکی هدر می‌دهند.

یک ابررسانای دمای اتاق فوراً این اتلاف حرارتی را خنثی می‌کند. این امر امکان انتقال برق با کارایی کامل در سراسر قاره‌ها را فراهم می‌سازد و اقتصاد انرژی‌های تجدیدپذیر را به طور چشمگیری تغییر می‌دهد، به این صورت که برق خورشیدی تولید شده در یک بیابان می‌تواند بدون از دست دادن حتی یک وات در طول مسیر، به یک کلان‌شهر دوردست منتقل شود. همچنین توسعه راکتورهای همجوشی تجاری و حمل و نقل پرسرعت با شناوری مغناطیسی را تسریع خواهد کرد.[3]

با وجود پیشرفت سریع، موانع قابل توجهی باقی مانده است. سنتز مواد سه‌بعدی پیچیده به طور مشهودی دشوار است و بسیاری از ترکیباتی که در شبیه‌سازی‌های کامپیوتری ابررسانایی نشان می‌دهند، در دنیای واقعی ناپایدار یا غیرقابل تولید در مقیاس بزرگ هستند. علاوه بر این، برخی از امیدوارکننده‌ترین کاندیداها همچنان برای حفظ خواص ابررسانایی خود در دماهای بالاتر نیاز به فشار فیزیکی بسیار زیاد دارند—که اغلب با استفاده از سلول‌های سندان الماس (diamond anvil cells) به دست می‌آید—و این امر آن‌ها را برای استفاده روزمره غیرعملی می‌سازد.[4]

با این وجود، ادغام هوش مصنوعی مسیر این حوزه را به طور اساسی تغییر داده است. محققان با جایگزین کردن آزمون و خطای کور با دقت هدفمند و الگوریتمی، یک راز فیزیکی صد ساله را به یک مسئله محاسباتی قابل حل تبدیل کرده‌اند. همانطور که الگوریتم‌ها پیچیده‌تر و مدل‌های کوانتومی دقیق‌تر می‌شوند، ضرب‌الاجل ۲۰۳۳ برای یک ابررسانای دمای اتاق، کمتر شبیه یک رویای دست‌نیافتنی و بیشتر شبیه یک نقشه راه مهندسی به نظر می‌رسد.[4]