刚刚 发自 凹非寺 量子位 | 公众号 QbitAI

人类在“物理学圣杯”领域的找出种全只用知百年竞赛，终于迎来了AI选手的新超强力介入。

近日，导体阿里达摩院联合中国人民大学高瓴人工智能学院、时人中国科学院大学等机构，前完全发布了首个专攻超导材料发现的找出种全只用知AI智能体——ElementsClaw（元素虾）。

该智能体仅消耗 28个GPU小时，新超便对已知的导体240万种稳定晶体进行了全面筛查，从中预测出 6.8万种可能具备超导性的时人材料。

相较于人类耗时一个多世纪才确认的前完全2000多种超导材料，AI的找出种全只用知筛选效率堪称“光速”。

然而，新超速度之外，导体可靠性才是时人关键。

研究团队选取了部分易于合成的前完全候选材料进行实验验证，结果令人振奋：AI成功发现了4种人类此前完全未知的全新超导体。

目前，团队已将AI对这240万种材料的预测数据（包括超导性判定、晶体结构、临界温度等）全部开源，邀请全球科研人员共同挖掘这一数据富矿。

（直达链接：https://science.damo-academy.com/#/material）

万一其中就藏着下一个改变世界的材料呢？（doge）

超导：寻找物理学终极材料，竟是“炒菜式科研”？

1911年，荷兰诺贝尔奖得主海克·卡末林·昂内斯（Heike Kamerlingh Onnes）将氦气液化，并用液氦将水银冷却至4K（约零下269℃）。

奇迹发生了：水银的电阻瞬间消失。

这意味着什么？如果普通电线是颠簸的土路，电子运行时会因碰撞而损耗能量；那么超导状态下的水银就是一条高速公路，电子可以无损耗地狂飙。

更神奇的是，超导体还具有“完全抗磁性”，能将磁场完全排出体外。

因此，“超级导电体”（Superconductor）这一名称由此诞生。

超导材料的应用前景极为广阔：
* 零损耗输电：极大提升能源传输效率。
* 磁悬浮交通：制造超高速磁悬浮列车。
* 可控核聚变：作为托卡马克装置的关键组件，助力人类解决能源危机。

然而，早期超导体需要极低温（零下269℃）才能工作，实用性极低。

此后百年，全球科学家致力于寻找能在常温常压下工作的“室温超导体”。

截至2023年，国际主流超导数据库SuperCon收录的超导材料仅2000余种，其中临界温度能达到几十K（零下200多度）的仅有几十种。

正因如此，2023年韩国团队宣称发现“室温超导体”LK-99（后证实为乌龙）时，从顶尖实验室到民间爱好者，全球无数人纷纷启动了自己的“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对此评价道：

超导探索在很大程度上是“炒菜式科研”。

所谓“炒菜式科研”，是指由于常压下转变温度超过40K的“高温超导体”物理机制尚未完全阐明，从铜基、铁基到镍基，许多重磅超导材料都是偶然发现的。

元素周期表有100多种元素，物理学家缺乏一本明确的“菜谱”，只能像厨师一样不断调整“油盐酱醋”的比例，反复试错。

“与炒菜最大的不同是，发现超导材料的成功率更低。可能做几十个实验，只有一个能成功。”

这也是金士锋研究员投身此项研究的原因。

百年超导，仅靠人类的力量已显得力不从心。

AI来了，但做成AlphaFold那样还不够

让AI替代人类进行“大海捞针”，是顺理成章的想法。生物学领域早已尝到甜头：2024年，DeepMind的AlphaFold凭借预测蛋白质结构的突破性表现，荣获诺贝尔化学奖。

但 预测超导比预测蛋白质难得多。

• 蛋白质：仅由20多种氨基酸组成，序列规律相对清晰。
• 晶体：涉及上百种元素，原子间存在离子键、金属键、共价键等复杂相互作用。

“结构即功能”在生物学中是名言，但在晶体学中，情况要复杂得多。

近年来，AI在材料科学领域虽有突破，但仍存在局限：

1. DeepMind的GNoME：预测了220万种理论上稳定的材料，相当于走完了人类800年的材料发现之路（发表于《Nature》）。
2. 微软的MatterGen：采用生成式AI，根据人类指定的材料特性反向设计新结构（发表于《Nature》）。

这标志着AI从“预测式”（Predictive AI）向“生成式”（Generative AI）的进化，即从回答“判断题”进化到回答“填空题”。

然而，达摩院科学智能负责人荣钰指出，上述模型存在一个共同缺陷：过于单点。

它们只能告诉用户“这可能是超导”，却无法回答以下现实科研问题：
* 该材料是否已被前人研究过？
* 合成难度如何？
* 是否有毒性？
* 成本是否高昂？

在真实科研场景中，确认一种结构是否已有文献报道，可能需要数天时间，科研人员需避免重复踩坑。即便发现新材料，将其合成并调控至最佳超导状态，往往又是一轮漫长的“炒菜”过程。

金士锋提到，他们曾对一种2010年发现的铁基超导材料进行调控，直到2019年才首次实现空穴掺杂，耗时近十年。

“一个物理学家能有几个十年？”

ElementsClaw：一个“AI材料学家”

因此，达摩院与中国人民大学此次并未开发单一模型，而是构建了一个完整的 AI智能体系统—— ElementsClaw。

核心架构：“通专融合”

ElementsClaw的核心在于“通专融合”：
1. 专用模型（Elements）：基于几何深度图神经网络的大原子模型，能精准解析三维晶体结构，判断材料是否超导及临界温度。
2. 通用模型（LLM）：大语言模型，模拟真实材料学家阅读文献、查询数据、做出决策的过程。

技术细节

• Elements模型：拥有 10亿参数（远超AlphaFold3的不到3亿参数）。在材料学AI领域，这是一个可观的规模。
• 训练数据：预训练阶段使用了1.25亿个分子和晶体结构。
• 性能表现：微调后，在22个材料学基准测试中达到或接近SOTA（State-of-the-Art）水平。
• Scaling Law验证：首次在非大语言模型架构上验证了缩放定律，证明增加参数和数据能持续提升性能。

“元素虾”的多只“钳子”

基于Elements模型，研究团队赋予了智能体多种能力：

• Elements-T：预测超导临界温度（Tc），平均绝对误差（MAE）仅为 0.99K，逼近实验误差。
• Elements-C：判断材料是否超导，AUC达到 0.996。
• Elements-E：预测材料能量和稳定性。
• Elements-G：生成全新的晶体结构。

智能体系统则负责统筹全局：调用工具、阅读论文、查询数据库、分析可合成性、设计实验方案。

三大特点

1. 速度快：快速扫描240万种晶体，筛选出高潜力候选者，剔除明显不靠谱选项。
2. 自我进化：当在文献中发现新的超导数据时，能自动微调模型，生成新的技能（Skill）。
3. 具备决策能力：不仅预测性质，还能决定下一步查什么、如何设计实验。

荣钰比喻道：

“如果说材料发现是大航海，通用模型是帆船，专有模型是指南针和六分仪。ElementsClaw将船与仪器组装在一起，实现了在材料海洋中的自动航行。”

4种新材料，4条路径

随后，由王历宏等同学实验合成出的4种新超导体，展示了AI发现新材料的四种不同策略（这也让传统科研方法略显汗颜）：

方法1：“漏网之鱼” —— Hf₂₁Re₂₅（临界温度 2.5 K）

• 策略：交叉比对。
• 过程：该材料早已存在于理论数据库中，但从未被实验验证。ElementsClaw在文献与数据库比对中将其“捞”出，实验证实确为超导体。

方法2：“沉冤得雪” —— Zr₄VRe₇（临界温度 3.5 K）

• 策略：纠错验证。
• 过程：人类数据库中的结构计算错误。ElementsClaw预测了不同的结构并判定为超导，实验结果完全符合AI预测。

方法3：“无中生有” —— HfZrRe₄（临界温度 5.9 K）

• 策略：结构生成。
• 过程：该材料不在任何已知数据库中。AI锁定Hf-Zr-Re三元体系，基于结构预测工具生成新结构，并自行验证其超导性。

方法4：“举一反三” —— Zr₃ScRe₈（临界温度 6.5 K）

• 策略：类比迁移。
• 过程：在验证Hf-Zr-Re体系后，AI总结出结构模体（保留P6/mmm富Re六方框架、保持Re子晶格完整），并据此排查相似结构，最终找到用Sc替换Hf的Zr₃ScRe₈。
• 结果：这是本次发现中临界温度最高的材料。

除了尚未进行实验验证的部分，ElementsClaw已展现出“AI材料学家”的雏形。

关键意义

尽管本次发现的4种材料临界温度最高仅为6.5K，距离“室温超导”仍有距离，但其 方法论的突破至关重要：

• 自然界：具有超导性的材料比例约为 3%。
• ElementsClaw：推荐材料的命中率高达 40%，提升了整整一个数量级。

达摩院已开放全部240万稳定晶体的预测数据库（https://science.damo-academy.com/#/material），供全球科研人员免费使用。

中国人民大学高瓴人工智能学院副教授黄文炳强调：

AI for Science不是要取代科学家，而是实现人机共生。

AI负责大海捞针和重复性工作，将科学家从繁琐的文献调研和数据整理中解放出来；科学家则负责提出问题、引导AI思考、校对结果，并基于AI反馈形成新的科学知识体系。

“AI for Science不是要取代人的主体性。”

没有完美方程的科学发现

这并非达摩院首次涉足AI for Science：

• 5月20日：《Nature》发表北大与达摩院合作成果，利用AI分析开源卫星影像，统计风机和光伏板数量，摸清中国新能源家底，并提出能源跨省协同方案，预计每年可节省相当于一座三峡大坝的绿电浪费。
• 上月：推出虚拟细胞模型 Lingshu Cell，利用生成式AI模拟基因敲除或药物对细胞的影响，旨在降低药物研发成本与周期，减少《我不是药神》式悲剧。

从电力能源、生命制药到材料发现，AI for Science直击人类难以驾驭的数据海洋。

黄文炳指出，传统科学研究遵循“还原论”，即将复杂现象拆解为简单方程。但在面对复杂的材料系统时，这种方法遭遇了“维度灾难”。

而AI擅长的是 “涌现论”思路：从简单到复杂。

AI无需知晓底层每一个微观细节，而是基于海量数据和基本物理约束，从系统的外在行为中学习规律。

这正是ElementsClaw的核心逻辑：它不依赖某个完美的解析方程来推算超导材料，而是背靠240万种晶体库和海量文献的数据驱动，直接给出高概率答案。

AI时代，物理学依然存在，但其形态正在改变。