ИИ помог открыть перспективный сверхпроводящий материал

Учёные из Университета Тохоку и компании Fujitsu использовали искусственный интеллект для получения новых данных о механизме сверхпроводимости нового материала. Это демонстрирует важный пример применения ИИ в разработке материалов и может ускорить исследования в области энергетики, электроники и медицины.

Установление причинно-следственных связей на основе данных ARPES. Автор: Scientific Reports (2025). DOI: 10.1038/s41598-025-29687-8

Исследователи применили платформу Fujitsu Kozuchi для создания метода, который точно оценивает причинно-следственные связи из больших объёмов данных. Технология была опробована на данных, полученных методом фотоэмиссионной спектроскопии с угловым разрешением (ARPES) на синхротроне NanoTerasu.

Решение проблемы больших данных

Данные ARPES очень объёмны, и извлечь из них полезную информацию сложно. Новый метод, разработанный в коллаборации, позволяет значительно сжать масштаб графа причинно-следственных связей, выполнив подгонку на основе модельного уравнения. Это уменьшает размер графа более чем в 20 раз по сравнению с традиционными подходами, что делает открытие новых закономерностей более эффективным.

История объёмов фотоэмиссионных данных и схема установления причинно-следственных связей. Автор: Scientific Reports (2025). DOI: 10.1038/s41598-025-29687-8

Прорыв в понимании сверхпроводимости

Технологию применили к данным по антимониду ванадия цезия (CsV₃Sb₅) — кагоме-сверхпроводнику, который рассматривается как перспективный высокотемпературный сверхпроводник. С помощью ИИ удалось установить, что механизм сверхпроводимости в этом материале обусловлен взаимодействием электронов ванадия, сурьмы и цезия.

В будущем исследователи планируют использовать этот метод вместе с уникальными возможностями синхротрона NanoTerasu для автоматического выявления причинно-следственных связей между явлениями на микроскопическом уровне. Это должно ускорить разработку новых функциональных материалов, в том числе для решения экологических проблем и создания устройств с низким энергопотреблением.

Больше информации: K. Fujita et al, Extracting causality from spectroscopy, Scientific Reports (2025). DOI: 10.1038/s41598-025-29687-8