Een internationaal team heeft met kunstmatige intelligentie twee supergeleiders gevonden die al decennia bekend waren als gewone materialen. Het AI-systeem doorzocht bestaande databanken en literatuur en wees stoffen aan die in het lab zijn bevestigd. De ontdekking is recent gedaan en laat zien dat algoritmen verborgen patronen in materiaaldata kunnen vinden. Dit roept ook vragen op over gevolgen voor de Europese AI-verordening en de rol van overheid en onderzoeksinstellingen.
AI vindt vergeten kandidaten
Het onderzoeksteam trainde een model op gegevens van bekende supergeleiders en niet-supergeleiders. Daarna liet het systeem miljoenen combinaties van elementen en kristalstructuren doorrekenen. Twee al lang bekende stoffen sprongen eruit als kansrijk, maar waren nooit op supergeleiding getest.
De kandidaten bleken bij lage temperatuur stroom te geleiden zonder meetbare weerstand. Dat is het kenmerk van supergeleiding. De stoffen lagen al jaren op de plank van materialenlabs, maar hun bijzondere gedrag was niet eerder opgemerkt.
De aanpak is eenvoudig te schalen. Een AI kan in dagen doen wat mensen in jaren niet afkrijgen. Hierdoor verschuift materiaalonderzoek van toevalstreffers naar gericht zoeken in grote, open databronnen.
Model leert kristalpatronen
Het team gebruikte een grafisch neuraal netwerk, een model dat relaties tussen atomen in een rooster leert. In simpele woorden: het systeem kijkt niet alleen naar welke atomen erin zitten, maar vooral hoe ze aan elkaar vastzitten. Dat patroon bepaalt vaak of een materiaal kan supergeleiden.
De trainingsdata kwamen uit publieke materiaalarchieven en publicaties. Zulke archieven bevatten meetwaarden zoals overgangstemperatuur (Tc), de temperatuur waarbij supergeleiding start, en de kristalstructuur. Met die voorbeelden leert het model welke structuren de meeste kans geven op supergeleiding.
Daarna rangschikte het algoritme de database op kansrijkheid. De twee winnende stoffen stonden hoog op de lijst en waren veilig en goed beschikbaar. Dat verkleint de stap naar testen in een regulier laboratorium.
Bevestiging in het laboratorium
De onderzoekers koelden de materialen af en maten vrijwel nul elektrische weerstand. Ook zagen ze het Meissner-effect, waarbij een supergeleider een magneetveld uit het materiaal duwt. Beide signalen gelden als harde aanwijzing voor supergeleiding.
De nieuwe supergeleiders werken niet op kamertemperatuur. Er is nog koeling nodig met vloeibare stikstof of helium. Toch zijn materialen die bij hogere temperatuur werken dan bestaande opties praktisch interessant voor energie, medische beeldvorming en sensoren.
Voor toepassingen tellen ook kosten, stabiliteit en maakbaarheid. Omdat deze stoffen al lang bekend zijn, is de keten van winning en verwerking vaak aanwezig. Dat versnelt de stap naar prototypes in industrie en onderzoek.
Europese impact en regels
In Europa kan dit onderzoek kansen bieden voor het stroomnet, quantumchips en MRI. Nederlandse labs zoals QuTech en universiteiten werken al met supergeleidende circuits. Sneller materiaalonderzoek helpt om onderdelen goedkoper en betrouwbaarder te maken.
De Europese AI-verordening (AI Act) zet wetenschappelijke AI niet in de hoogste risicoklasse. Toch gelden eisen aan transparantie als systemen breder worden ingezet, bijvoorbeeld door overheden of netbeheerders. Denk aan documentatie van data, versiebeheer en uitlegbaarheid van modellen.
Privacy speelt hier nauwelijks, want er zijn geen persoonsgegevens; de AVG is dus beperkt van toepassing. Belangrijker zijn open data en reproduceerbaarheid. Europese platforms zoals NOMAD en Materials Cloud stimuleren dat, wat samenwerking met Nederlandse onderzoeksinstellingen vergemakkelijkt.
Wat werkt en wat niet
Wat goed werkt, is de combinatie van open databanken en slimme selectie door een model. Het reduceert het aantal kandidaten dat je in het lab moet maken en meten. Daardoor gaan tijd en budget naar de meest kansrijke opties.
Wat nog ontbreekt, is zekerheid over generaliseerbaarheid. Een model kan voor één klasse materialen goed presteren en elders missen. Dat vraagt om validatie op verschillende datasets en publicatie van code en parameters.
Ook blijft er kans op valse positieven. Daarom zijn onafhankelijke replicaties nodig in meerdere labs. Publicatie met ruwe data, meetprotocollen en foutmarges hoort daar bij.
Volgende stap: automatiseren
De logische volgende stap is koppeling met autonome labs die zelf recepten testen. Zulke systemen plannen experimenten, passen instellingen aan en leren van elk resultaat. Zo sluit de cyclus tussen voorspellen en maken.
Europa investeert via Horizon Europe en nationale fondsen in deze aanpak. Voor Nederland kan dat aansluiten bij energie- en klimaatdoelen en programma’s rond quantum en halfgeleiders. Heldere afspraken over data-eigendom en veiligheid zijn dan cruciaal.
Voor publieke organisaties zijn de “Europese AI-verordening gevolgen overheid” vooral procesmatig. Zorg voor impactanalyses, bewaar logs van modelbeslissingen en houd toezicht scheidbaar van ontwikkeling. Zo blijft innovatie mogelijk binnen duidelijke kaders.
Supergeleiding: stroomgeleiding zonder elektrische weerstand, meestal bij lage temperatuur. Dit vermindert energieverlies tot nul en maakt sterke magneetvelden mogelijk.