Hogar
La IA pone fin a una carrera de un siglo en el campo de la superconductividad e identifica cuatro nuevos materiales en 28 horas
En física, la búsqueda de superconductores se ha considerado durante mucho tiempo como una búsqueda del «Santo Grial» que se prolonga desde hace un siglo. Recientemente, este campo tradicional ha contado con un potente colaborador de IA: un agente llamado «ElementsClaw» (Elemental Crab), creado específicamente para descubrir materiales superconductores. En tan solo 28 horas de GPU, el sistema analizó 2,4 millones de cristales estables e identificó 68 000 posibles superconductores, logrando una eficiencia en la investigación muy superior a la de siglos de exploración humana.
Durante años, la búsqueda de superconductores se basó en un enfoque de «recetario»: probar diferentes combinaciones de elementos mediante ensayo y error. Este método tenía una tasa de éxito muy baja y, a menudo, dependía de descubrimientos fortuitos. Para cambiar esta situación, el equipo de investigación desarrolló una arquitectura de «experiencia convergente», dotando a ElementsClaw de capacidades de investigación únicas: una red neuronal profunda de grafos geométricos integrada, con mil millones de parámetros, que interpreta con precisión estructuras cristalinas tridimensionales, combinada con un gran modelo de lenguaje que permite a la IA leer de forma autónoma la bibliografía, acceder a datos y ayudar en la toma de decisiones.

Este sistema de IA no es solo una potente herramienta para «encontrar una aguja en un pajar», sino que también cuenta con capacidades de autoevolución. Durante la validación experimental, los investigadores sintetizaron con éxito cuatro superconductores totalmente nuevos, hasta entonces desconocidos para la humanidad. Cada descubrimiento puso de manifiesto diferentes vías lógicas seguidas por la IA, desde la reevaluación de estructuras de bases de datos olvidadas, pasando por la corrección de errores computacionales del pasado, hasta la generalización a partir de motivos estructurales. ElementsClaw demostró un salto de la «evaluación asistida» al «diseño activo» en la ciencia de los materiales.
Aunque las temperaturas críticas de estos materiales recién descubiertos aún no han alcanzado la temperatura ambiente, su valor fundamental radica en validar la aplicación de agentes de IA en este campo. En comparación con la tasa de acierto natural de alrededor del 3 % para los materiales superconductores, la precisión de las recomendaciones de ElementsClaw mejoró en un orden de magnitud.
Artículo relacionado
AliVideo presenta Wan3.0, ofreciendo generación de vídeo ultra largo y consistencia multidimensional
El 24 de agosto, Alibaba presentó Wan3.0, su último modelo de generación de video a gran escala. Este lanzamiento representa un avance importante en la tecnología de video de Alibaba, ofreciendo mejoras significativas en duración, creación universal,
MiniMax Grandes Modelos Pronuncian Incorrectamente Nombres - Xiyu Technology: Entrenamiento Insuficiente Después de Tokens Específicos
MiniMax publicó recientemente un informe técnico que detalla por qué sus modelos de la serie M2 tuvieron dificultades para generar con precisión nombres específicos como "Ma Jiaqi". Este aparente error destaca una falla sistémica en el entrenamiento
El acuerdo de Nvidia con China para el H200 sobrevive a la cumbre Trump-Xi, pero no como se esperaba
El presidente Trump viajó a Pekín con Jensen Huang uniéndose a la delegación en el último momento, partiendo dos días después con declaraciones vagas sobre posibles desarrollos en la exportación de chips. No se concretó ningún acuerdo. Desde que Trum
Recomendaciones de temas especiales relacionados
comentario (0)
0/500
En física, la búsqueda de superconductores se ha considerado durante mucho tiempo como una búsqueda del «Santo Grial» que se prolonga desde hace un siglo. Recientemente, este campo tradicional ha contado con un potente colaborador de IA: un agente llamado «ElementsClaw» (Elemental Crab), creado específicamente para descubrir materiales superconductores. En tan solo 28 horas de GPU, el sistema analizó 2,4 millones de cristales estables e identificó 68 000 posibles superconductores, logrando una eficiencia en la investigación muy superior a la de siglos de exploración humana.
Durante años, la búsqueda de superconductores se basó en un enfoque de «recetario»: probar diferentes combinaciones de elementos mediante ensayo y error. Este método tenía una tasa de éxito muy baja y, a menudo, dependía de descubrimientos fortuitos. Para cambiar esta situación, el equipo de investigación desarrolló una arquitectura de «experiencia convergente», dotando a ElementsClaw de capacidades de investigación únicas: una red neuronal profunda de grafos geométricos integrada, con mil millones de parámetros, que interpreta con precisión estructuras cristalinas tridimensionales, combinada con un gran modelo de lenguaje que permite a la IA leer de forma autónoma la bibliografía, acceder a datos y ayudar en la toma de decisiones.

Este sistema de IA no es solo una potente herramienta para «encontrar una aguja en un pajar», sino que también cuenta con capacidades de autoevolución. Durante la validación experimental, los investigadores sintetizaron con éxito cuatro superconductores totalmente nuevos, hasta entonces desconocidos para la humanidad. Cada descubrimiento puso de manifiesto diferentes vías lógicas seguidas por la IA, desde la reevaluación de estructuras de bases de datos olvidadas, pasando por la corrección de errores computacionales del pasado, hasta la generalización a partir de motivos estructurales. ElementsClaw demostró un salto de la «evaluación asistida» al «diseño activo» en la ciencia de los materiales.
Aunque las temperaturas críticas de estos materiales recién descubiertos aún no han alcanzado la temperatura ambiente, su valor fundamental radica en validar la aplicación de agentes de IA en este campo. En comparación con la tasa de acierto natural de alrededor del 3 % para los materiales superconductores, la precisión de las recomendaciones de ElementsClaw mejoró en un orden de magnitud.
AliVideo presenta Wan3.0, ofreciendo generación de vídeo ultra largo y consistencia multidimensional
El 24 de agosto, Alibaba presentó Wan3.0, su último modelo de generación de video a gran escala. Este lanzamiento representa un avance importante en la tecnología de video de Alibaba, ofreciendo mejoras significativas en duración, creación universal,
MiniMax Grandes Modelos Pronuncian Incorrectamente Nombres - Xiyu Technology: Entrenamiento Insuficiente Después de Tokens Específicos
MiniMax publicó recientemente un informe técnico que detalla por qué sus modelos de la serie M2 tuvieron dificultades para generar con precisión nombres específicos como "Ma Jiaqi". Este aparente error destaca una falla sistémica en el entrenamiento
El acuerdo de Nvidia con China para el H200 sobrevive a la cumbre Trump-Xi, pero no como se esperaba
El presidente Trump viajó a Pekín con Jensen Huang uniéndose a la delegación en el último momento, partiendo dos días después con declaraciones vagas sobre posibles desarrollos en la exportación de chips. No se concretó ningún acuerdo. Desde que Trum











