Une équipe internationale de chercheurs en quantique a montré comment l’apprentissage automatique peut être utilisé pour filtrer un nombre pratiquement infini de combinaisons possibles de matériaux afin d’identifier des candidats à la supraconductivité. Grâce à cette percée, les nouveaux supraconducteurs peuvent désormais être trouvés beaucoup plus rapidement, explique la professeure de l’Université Aalto Päivi Törmä, qui dirige le consortium SuperC à l’origine de ces recherches.
Les supraconducteurs conduisent le courant électrique avec une résistance nulle, grâce à un effet quantique qui n’apparaît qu’à des températures extrêmement basses. Ils alimentent non seulement les ordinateurs quantiques, mais aussi de nombreuses autres applications, de la neuro-imagerie aux réacteurs à fusion en passant par les trains à lévitation magnétique.
Cependant, ces matériaux « licornes » sont extrêmement difficiles à identifier. N’importe quelle combinaison d’éléments, pourtant infiniment variable, pourrait être un supraconducteur – mais peu le sont réellement. Et ceux déjà découverts nécessitent des équipements de refroidissement coûteux pour atteindre les températures proches du zéro absolu qui leur confèrent leurs propriétés quantiques.
Pour les scientifiques du monde entier, la course est lancée pour trouver un supraconducteur évolutif fonctionnant à température ambiante.
« Les matériaux supraconducteurs capables de fonctionner à température ambiante changeraient à jamais notre façon de consommer de l’énergie, explique Törmä. « Si un tel matériau pouvait remplacer les conducteurs classiques dans des applications comme les ordinateurs et les centres de données, la consommation mondiale d’énergie pourrait être réduite et l’empreinte thermique du secteur des TIC considérablement diminuée. »
Vers une preuve de concept
Animés par le désir commun d’exploiter la physique quantique dans la lutte contre le changement climatique, la professeure Törmä et une équipe de physiciens renommés ont formé le consortium SuperC en 2023. Il s’agit de la première collaboration mondiale coordonnée pour trouver de nouveaux supraconducteurs – et ils visent à trouver un supraconducteur à température ambiante d’ici 2033.
Selon Törmä, la combinaison de la géométrie quantique et de l’apprentissage automatique de SuperC leur offre un excellent point de départ. Cette dernière découverte s’inspire des motifs traditionnels de la vannerie japonaise ; les deux matériaux nouvellement découverts (YRu3B2 et LuRu3B2) doivent leur supraconductivité à des électrons formant des bandes plates dans un motif traditionnel connu sous le nom de réseau kagome.
Pour identifier les deux nouveaux supraconducteurs, l’équipe a utilisé l’apprentissage automatique pour réduire les combinaisons d’éléments prometteuses. Après un pré-filtrage à l’aide d’un algorithme unique, l’équipe a effectué des calculs détaillés pour déterminer quels matériaux pouvaient être supraconducteurs.
Après confirmation théorique, les collaborateurs de SuperC à l’Université Rice ont entrepris de synthétiser les échantillons. Ce processus complexe, qui implique la combinaison chimique d’éléments bruts en de nouveaux composés, a été dirigé par la professeure Emilia Morosan. L’équipe de Rice a ensuite pu effectuer des tests sur les matériaux pour confirmer leur supraconductivité.
Pourquoi est-ce important ?
La théorie mécanique quantique de la supraconductivité est complexe, ce qui rend la recherche de nouveaux supraconducteurs une tâche ardue.
« Au fil des décennies, les chercheurs ont recensé plus de 7 000 supraconducteurs, mais la plupart par hasard, explique Törmä. « Le processus d’identification des matériaux possibles est tellement lourd en calcul que, en réalité, les chercheurs n’ont pu prédire théoriquement la viabilité que d’environ 20 d’entre eux. »
Même si vous parvenez à trouver une combinaison qui semble viable, la plupart sont totalement inutilisables. Par exemple, elles sont difficiles à synthétiser ou à mettre à l’échelle, explique Törmä. Il s’ensuit que trouver des supraconducteurs viables nécessite une puissance de calcul immense pour filtrer les matériaux. L’approche d’apprentissage automatique de SuperC bouleverse cette idée.
« Notre méthode utilise un pré-filtrage basé sur l’apprentissage automatique suivi de calculs ciblés sur les candidats prometteurs. Cette approche accélérera considérablement la découverte de supraconducteurs à l’avenir. Avec l’apprentissage automatique, nous pourrions être capables de pousser le nombre de matériaux que nous pouvons traiter jusqu’à des milliards, déclare Törmä. « Cela nous rapprochera d’un pas crucial de la découverte d’un supraconducteur à température ambiante. »
Article : Machine-learning-guided discovery of kagome superconductors YRu3B2 and LuRu3B2 – Journal : Physical Review Research – DOI : Lien vers l’étude
Source : Aalto U.
