AI找出4種全新超導體，只用28個GPU時！人類此前完全未知

剛剛 發自 凹非寺
量子位 | 公眾號 QbitAI

人類已經卷了一百多年的“物理學圣杯”競賽，終于等來了AI選手下場。

剛剛，阿里達摩院聯合中國人民大學高瓴人工智能學院、中國科學院大學等機構，發布了首個專攻超導材料發現的AI智能體“ElementsClaw”（元素蝦）。

只用了28個GPU小時，ElementsClaw就給已知的240萬種穩定晶體統統海選了一遍，預測其中的6.8萬種可能是超導體。

對比人類100多年才發現2000多個超導材料的效率，AI這簡直是光速交卷。

快是快了，但靠不靠譜啊？

研究團隊選了幾種比較好合成的試了試，結果發現4種是人類此前未知的全新超導體。

目前，他們已經把AI對這240萬種材料的預測數據（有沒有超導性、結構是什么、臨界溫度是多少等等）全部開放，歡迎更多研究人員一起來挖礦。

（插播一個直通車：
https://science.damo-academy.com/#/material）

萬一呢，說不定里面就藏著下一個改變世界的材料（doge）。

超導：尋找物理學終極材料，竟是“炒菜式科研”？

1911年，昂納斯這位熱衷于當“寒冰射手”的荷蘭諾獎得主先是把氦氣凍成了液體，再用液氦把水銀凍到了4K（約零下269℃）附近。

這下水銀徹底被他玩壞了。

啪，電阻沒了！

電阻沒了意味著什么呢，這么說吧，如果說普通的電線是鄉下土路，電子在里面跑會磕磕碰碰、損耗能量，此時的水銀就是一條高速公路，電子可以一路狂飆。

更絕的是，它還會把磁場完全擠出去，也就是“完全抗磁性”。

于是，超導的全名“超級導電體”就這么誕生了。

有了這種材料，輸電時電能幾乎不會浪費，還能造出速度極快的磁懸浮列車，應用前景特別廣。

最最刺激的是，超導材料還是磁約束核聚變裝置托卡馬克環的必要組件，人類沒準能靠超導實現可控核聚變，直接終結能源問題。

但是，真要降到零下269℃才超導，未免也太難用了，做啥都得配個大冰箱。

往后這一百多年，大家抱著極高的熱情去尋找其他的超導體，就看誰能先找到個常溫常壓就變身的超絕材料了。

戰果如下！

到現在，國際主流的超導體數據庫SuperCon就收錄了2000多種具有超導性的材料，而溫度能到幾十K（其實這也是零下200多度了）的可能只有幾十種。

難怪當2023年韓國團隊宣稱做出“室溫超導體”LK-99時（事后證明是個大烏龍），從頂尖實驗室到民科，全球無數人都掏出了自己的 “煉丹爐”。

物理學圣杯的誘惑實在太大了。

中國科學院大學金士鋒研究員給了句辣評：

做超導體探索很多是“炒菜式科研”。

咱們理解一下什么是炒菜式科研哈。

常壓下轉變溫度超過40K的“高溫超導體”，物理機制至今沒有完全被人類理解。

從銅基、鐵基到鎳基，幾乎每一個重磅超導材料都是偶然發現的。

元素周期表上有100多種元素，物理學家缺乏一本菜譜的指導，只能不斷調整油鹽醬醋的比例，反復試錯，今天多放點蔥，明天少放點蒜。

“和炒菜最大的不同是——發現超導材料的成功率還更低一點，可能做幾十個實驗只能有一個能成功。”

這也是他決定加入這個研究的原因。

百年超導，光靠人類有點卷不動了。

AI來了，但做成AlphaFold那樣還不夠

讓AI去替人大海撈針，是再自然不過的想法，畢竟生物學早就嘗到了甜頭。

2024年，DeepMind的AlphaFold就憑借著預測蛋白質結構的顛覆性表現，拿下了諾貝爾化學獎。

但猜超導可比猜蛋白質難多了。

蛋白質只有20多種氨基酸，序列規律相對清晰；晶體呢？元素上百種，原子之間還有各種離子鍵、金屬鍵、共價鍵等等等等。

“結構即功能”是生物學領域的一句名言。

晶體的世界要也能這么簡單就好了……

這幾年倒也不是沒有突破。

DeepMind的GNoME用AI一下子預測了220萬種理論上存在的穩定材料，說是走完了人類800年的材料發現之路。

這個成果已經發了Nature。

微軟的MatterGen則是反向思維，根據人類想要的材料特性，讓AI去設計新結構，也發了Nature。

這符合從預測式AI（predictive AI）到生成式AI（generative AI）的技術趨勢，即AI從答“判斷題”進化到了答“填空題”。

但在達摩院科學智能負責人榮鈺看來，它們都有一個問題，那就是太單點了。

它們能告訴你“這可能是超導”，但又不能告訴你以前有沒有人研究過？合成方不方便？有沒有毒性？成本高不高？

在現實科研里，可不是小手一點說“這是超導，那不是超導”就完了。

光是確定一種結構究竟有沒有文獻報道，可能就需要好幾天，別一不小心就把前人踩過的坑全踩一遍。

就算發現了一種材料結構，要把它做出來并且調控到最佳超導狀態，又是一輪漫長的“炒菜”。

金士鋒提到，他們曾經調控一個2010年就發現的鐵基超導材料，到2019年才首次實現空穴摻雜，中間隔了接近十年。

一個經典提問對著所有物理學工作者貼臉發問：

“一個物理學家能有幾個十年？”

ElementsClaw：一個 “AI材料學家”

所以達摩院和人大這次沒有做一個單點模型，而是一個完整的智能體。

這就是ElementsClaw。

這只元素蝦的核心架構“通專融合”：

一邊是專門的“大原子模型”Elements，能精準讀懂三維晶體結構，判斷材料是否超導、臨界溫度是多少；一邊是大語言模型，能像真正的材料學家讀paper、查數據、做決策。

Elements是一個10億參數（AlphaFold3參數量不到3億）的幾何深度圖神經網絡。

注意了，1B參數量在LLM領域不算什么，但在材料學AI領域相當可觀。

模型預訓練階段用到了1.25億個分子和晶體結構；微調之后，這個模型在22個材料學基準測試上達到或接近SOTA水平。

更重要的是，他們首次在非大語言模型架構上驗證了Scaling Law，給這個原子模型更多參數、更多數據，它的性能真的能持續提升。

基于Elements，李明澤等同學給“元素蝦”長出了好幾只鉗子：

• Elements-T負責預測超導臨界溫度（Tc），平均絕對誤差（MAE）只有0.99K，幾乎逼近實驗誤差；
• Elements-C負責判斷材料是否超導，AUC達到0.996；
• Elements-E負責預測材料的能量和穩定性；
• Elements-G負責生成全新的晶體結構。

而智能體系統則負責做它最擅長的事，比如調工具、讀論文、查數據庫、分析可合成性、設計實驗方案。

這個智能體有幾個特點。

第一，它速度快。

240萬種晶體先掃描一遍，靠譜的留下，明顯不靠譜的踢掉。

第二，它會“自我進化”。

當它在文獻中發現新的超導數據后，能自動微調自己的模型，給自己創造出新的Skill。

第三，它能做決策。不是簡單地預測性質，而是決定下一步該查什么、該怎么設計實驗。

榮鈺表示：“如果說材料發現是大航海，那么通用模型就是帆船，專有模型就是指南針和六分儀。ElementsClaw把這艘船和這些儀器組裝在了一起，能實現在材料的海洋里面自動航行。”

4種新材料，4條路徑

最有意思的是，隨后由王歷宏等同學實驗合成出來的4種新超導體。

這是AI用4種不同的方法找到的（講真，人類的臉有點痛）。

方法1：“漏網之魚”——Hf??Re??（臨界溫度2.5 K）

就算是人類已經扒拉了無數遍的數據庫，AI也絕不空軍。

這個材料其實早就躺在理論數據庫中，但從來沒被人試過。ElementsClaw在文獻和數據庫交叉比對時把它撈了出來，做出來果然是超導。

方法2：“沉冤得雪”——Zr?VRe?（臨界溫度3.5 K）

這個材料就更冤了，人類在數據庫里直接把結構算錯了。

ElementsClaw預測了一個不同結構，并且說是超導。實驗一做，它說的都對都對。

方法3：“無中生有”——HfZrRe?（臨界溫度5.9 K）

這個材料不在任何已知數據庫里。

ElementsClaw先鎖定了Hf-Zr-Re這個有潛力的三元體系，基于結構預測工具生成了新的結構，并自己驗證了其超導性。

方法4：“舉一反三”——Zr?ScRe?（臨界溫度6.5 K）

在驗證了Hf-Zr-Re體系的超導相后，AI總結出一個結構模體：

保留P6/mmm富Re六方框架、保持Re子晶格完整。然后開始按這個來排查長得像的親戚，最終找到了把Hf元素替換為Sc的Zr?ScRe?。

它的臨界溫度也是這次發現中最高的。

除了目前還沒長出手做實驗以外，它差不多已經是個“AI材料學家”。

當然，這次發現的4種超導材料，臨界溫度都不算高，最高只有6.5K，距離“室溫超導”還遠得很。

但走通AI智能體這條路，就很關鍵了。

自然界的材料中具有超導性的比例可能只有3%左右，而ElementsClaw推薦的命中率達到了40%，高了整整一個數量級。

達摩院已經把這240萬穩定晶體的預測數據庫全部開放（
https://science.damo-academy.com/#/material），全球科研人員都可以免費使用，共同挖掘這座富礦。

中國人民大學高瓴人工智能學院副教授黃文炳強調，AI for Science從來不是要取代科學家，而是實現人機共生。

AI負責大海撈針和重復性工作，把科學家從繁瑣的文獻調研和數據整理中解放出來；科學家則負責提出問題、引導AI思考、校對結果等，并且根據AI反饋的結果，形成新的科學知識體系。

“AI for Science不是要取代人的主體性。”他說。

物理學家找了一百多年的圣杯，終于有了AI隊友。

沒有完美方程的科學發現

這不是達摩院第一次搞AI for Science。

5月20日， Nature發表了北大與達摩院的合作研究成果，利用AI數清開源衛星影像上的風機和光伏板，從“上帝視角”摸清中國的新能源家底，并提出了一種能源跨省協同的方案，一年能少浪費一座三峽大壩的綠電。

上個月，達摩院又推出了虛擬細胞模型Lingshu Cell，用生成式AI模擬基因敲除或是藥物對細胞造成的影響，降低藥物研發的成本的和周期。

未來，《我不是藥神》電影里刻畫過的悲劇可能會少一些。

從電力能源，到生命制藥，再到材料發現，AI for Science直擊人類難以駕馭的數據海洋。

黃文炳提到，傳統科學研究遵循“還原論”，即把復雜現象拆解成簡單方程。但面對復雜的材料系統，這種路線遇到了“維度災難”。

而AI擅長的是另一種思路：從簡單到復雜的“涌現論”。

AI不需要知道底層每一個細節，而是基于大量數據和基本物理約束，讓模型從系統的外在行為中學習規律。

這正是ElementsClaw在做的事情。

它不是靠一個完美方程推算出超導材料，而是背靠240萬種晶體庫和海量文獻的數據驅動，直接給出答案。

AI時代，物理學還存在，但形態在改變。