Mapa del tesoro para superconductores: cómo dos números unieron distintas familias ✛ ✎

Original: "Machine learning reveals common features of unconventional superconductors with high transition temperatures"
arXiv:2608.30588v1 · 2026-08-31 · arXiv non-exclusive · análisis propio · 3 min
Cuprados, pnicturos de hierro y niquelatos convergen en una misma bahía del mapa de materiales, y esa bahía está marcada por solo dos coordenadas.

Los antiguos mapas del tesoro se dibujaban a partir de rumores: alguien encontraba oro junto a un río, otro en las montañas, y cada uno cavaba en su propio sitio. Con los superconductores de alta temperatura ocurrió algo parecido: los cuprados se hallaron en unos compuestos, los pnicturos de hierro en otros, los niquelatos en unos terceros, y no había un mapa general.

Las reglas de Matthias de los años 1950 decían que un buen superconductor tiene en promedio 5 o 7 electrones de valencia por átomo. El nuevo análisis encuentra el óptimo en el rango de 7 a 8, sorprendentemente cercano a la vieja regla empírica, pero ahora respaldado por aprendizaje automático sobre miles de compuestos.

En este trabajo, el mapa no se dibujó a partir de rumores, sino a partir de datos. Se tomaron 4253 superconductores confirmados experimentalmente, cada uno descrito por 147 números: propiedades de los elementos, densidad, volumen por átomo, y rasgos ocultos provenientes de redes neuronales entrenadas con estructuras cristalinas. Luego, sin ninguna indicación sobre la temperatura crítica, se observó cómo los materiales se agrupan por sí solos en ese espacio.

Y entonces ocurrió lo inesperado: los cuprados, los pnicturos de hierro y los niquelatos, a pesar de su química diferente, se amontonaron en un mismo grupo. Como si tres expediciones que buscaban tesoros en distintos extremos del mundo hubieran llegado independientemente a la misma bahía. Solo faltaba entender cuáles son las dos coordenadas que conducen a esa bahía.

La primera coordenada es la dispersión de electronegatividades, es decir, cuánto difieren los átomos de un compuesto en su capacidad de atraer electrones. La segunda es el número promedio de electrones de valencia, esos que participan en los enlaces. Resulta que el límite superior de la temperatura crítica alcanzable crece con la dispersión de electronegatividades, y el número óptimo de electrones de valencia se sitúa entre 7 y 8.

El modelo que predice la temperatura crítica se equivoca en promedio por 3,28 kelvin. Es como predecir la temperatura de ebullición del agua con una precisión de tres grados sin saber que se trata de agua.

Con este mapa se pueden buscar nuevos tesoros. Un filtro de dos etapas primero comprueba si el candidato cae en la región deseada y luego estima su temperatura crítica. Entre cientos de miles de materiales de la base de datos, el filtro encontró retrospectivamente La4Ni3O10 con una temperatura predicha de 6,8 kelvin, y luego propuso nuevos compuestos, como Sr2CoO4 y Cs2TaCl6, que nadie ha sintetizado todavía.

El mapa no explica por qué estos materiales son superconductores, pero ahora cualquier teoría futura tiene un punto de referencia: el mecanismo debe explicar por qué una gran diferencia de electronegatividades y un número intermedio de electrones de valencia favorecen una alta temperatura. Y los experimentalistas tienen una brújula que indica dónde cavar a continuación.

Las reglas de Matthias, formuladas en la década de 1950, afirmaban que los buenos superconductores tienen en promedio 5 o 7 electrones de valencia por átomo. El nuevo análisis encuentra un óptimo en el rango de 7 a 8, sorprendentemente cercano a la vieja regla empírica, pero ahora respaldado por el aprendizaje automático en miles de compuestos.

En la novela de Arthur C. Clarke 'El fin de la infancia', los superconductores a temperatura ambiente transforman la energía y el transporte de toda una civilización. La búsqueda de tales materiales en la realidad a menudo se realiza a ciegas; este trabajo ofrece una brújula que podría acercar la ciencia ficción al laboratorio.

Científicos
Wolfgang PauliLeo EsakiFelix BlochSatyendra Nath BoseAlbert EinsteinJohn Bardeen
Conceptos
materiales con aprendizaje automático superconductor de alta temperatura niquelato superconductividad no convencional níquel predicción de conductividad térmica cuprato superconductividad de alta temperatura metal descubrimiento de materiales aprendizaje automático electrónica superconductora metal extraño detector superconductor transparencia propiedades de los materiales datos etiquetados metamaterial reconocimiento de patrones clasificador