Une percée majeure dans la recherche de supraconducteurs à température ambiante grâce à l’IA

Des chercheurs ont mis au point une méthode innovante combinant apprentissage automatique et physique quantique avancée pour accélérer la recherche de supraconducteurs pratiques.

Ce travail, mené par le consortium SuperC, a permis de découvrir deux nouveaux matériaux supraconducteurs. Selon la professeure Päivi Törmä de l’université Aalto, responsable de cette collaboration, cette approche pourrait considérablement réduire le temps nécessaire pour identifier de nouveaux supraconducteurs.

Les supraconducteurs transportent l’électricité sans résistance électrique grâce à un effet quantique qui ne se manifeste qu’à des températures extrêmement basses. Ils sont indispensables dans des technologies telles que les ordinateurs quantiques, l’IRM, les réacteurs à fusion et les trains maglev à grande vitesse.

La recherche de nouveaux supraconducteurs reste cependant très complexe. Bien que les combinaisons d’éléments chimiques soient quasi infinies, seules une infime partie présentent une supraconductivité. De plus, les matériaux connus nécessitent des systèmes de refroidissement coûteux pour fonctionner près du zéro absolu.

Un objectif majeur des chercheurs est de découvrir un supraconducteur opérationnel à température ambiante.

« Des matériaux supraconducteurs à température ambiante transformeraient radicalement notre consommation énergétique », explique Päivi Törmä. « Remplacer les conducteurs classiques dans des applications comme les ordinateurs et les centres de données pourrait réduire considérablement la consommation mondiale d’énergie et l’empreinte thermique du secteur des technologies de l’information. »

Le consortium SuperC, fondé en 2023 par la professeure Törmä et un groupe international de physiciens, vise à utiliser la physique quantique pour contribuer à la lutte contre le changement climatique. Il s’agit de la première collaboration mondiale coordonnée dédiée à la découverte de nouveaux supraconducteurs, avec pour ambition d’identifier un supraconducteur à température ambiante d’ici 2033.

La stratégie du groupe combine la géométrie quantique et l’apprentissage automatique pour restreindre drastiquement le champ de recherche.

Les supraconducteurs nouvellement découverts, YRu3B2 et LuRu3B2, doivent leur comportement supraconducteur à la formation de bandes plates d’électrons dans un réseau de type kagome, une structure géométrique inspirée des motifs traditionnels du tressage japonais.

Pour identifier ces matériaux, les chercheurs ont d’abord utilisé l’apprentissage automatique afin de filtrer un grand nombre de combinaisons élémentaires possibles. Un algorithme spécialisé a sélectionné les candidats les plus prometteurs, qui ont ensuite été soumis à des calculs théoriques détaillés pour vérifier leur potentiel supraconducteur.

Après validation des prédictions, des collaborateurs de l’université Rice, sous la direction de la professeure Emilia Morosan, ont synthétisé ces matériaux en combinant chimiquement les éléments nécessaires. Les tests en laboratoire ont confirmé que ces composés présentaient bien des propriétés supraconductrices.

Cette étude de preuve de concept a été publiée récemment dans la revue Physical Review Research.

La complexité de la physique quantique sous-jacente à la supraconductivité rend la découverte de nouveaux matériaux lente et difficile.

« Plus de 7 000 supraconducteurs ont été identifiés au fil des décennies, mais principalement de manière fortuite », précise Törmä. « Le processus d’identification est tellement gourmand en calculs que seuls une vingtaine de matériaux ont pu être prédits théoriquement. »

Un matériau prometteur sur le papier peut s’avérer impraticable à fabriquer ou difficile à industrialiser. Jusqu’à présent, le criblage d’un nombre suffisant de matériaux nécessitait d’importantes ressources informatiques.

L’approche du consortium SuperC modifie cette dynamique en utilisant l’apprentissage automatique pour éliminer les candidats improbables avant d’effectuer les calculs les plus complexes.

« Notre méthode combine un pré-filtrage par apprentissage automatique suivi de calculs ciblés sur les candidats prometteurs. Cela accélérera grandement la découverte de supraconducteurs à l’avenir. Avec l’apprentissage automatique, nous pourrions traiter des milliards de matériaux potentiels », affirme Törmä. « Cela nous rapproche significativement de la découverte d’un supraconducteur à température ambiante. »

Les recherches de SuperC seront présentées dans l’exposition « Designs for a Cooler Planet » à l’université Aalto, du 1er septembre au 30 octobre 2026, dans la région d’Helsinki, en Finlande.

Référence : « Machine-learning-guided discovery of kagome superconductors YRu3B2 and LuRu3B2 » par Rose Albu Mustaf et al., 17 juin 2026, Physical Review Research. DOI : 10.1103/lpqj-7hyg.

Le consortium SuperC est financé par la Kavli Foundation, Klaus Tschira Stiftung, Kevin Wells, ainsi que par les fondations Jane et Aatos Erkko, Keele, Magnus Ehrnrooth, Neste et Fortum.