Die Suche nach Supraleitern trifft auf eine KI, die 53,7 Prozent der Spitzenprobleme löst

Der Benchmark ist kein Supraleitertest. Er ist enger und unbequemer: 330 Aufgaben aus echten Studien zu Luft- und Raumfahrt, Halbleitern, embodied intelligence und Kernfusion. Namentlich genannte Experimentatoren und Branchenexperten haben jede einzelne geprüft. Jede Aufgabe verlangt von einem Modell, ein zurückgehaltenes Ergebnis zu erschließen oder aus ausgewählten Belegen eine Schlussfolgerung zu ziehen. Supraleiter liegen innerhalb dieses Sets, sie definieren es nicht.

Die Hälfte der Aufgaben wird von höchstens einem Modell gelöst, schreiben die Autoren. Das stärkste Allzweckmodell erreicht 53,7 Prozent.

Das Scheitern hat ein klares Muster. Modelle bestätigen, was plausibel klingt, nicht was beobachtet wurde. Genau das ist die interessante Zeile für alle, die erlebt haben, wie KI-Anbieter ihre Modelle als Forschungsbeschleuniger anpreisen. Plausibilität ist billig. Ein Modell, das die Literatur gelesen hat, weiß, welche Antwort wie ein Ergebnis klingt. Zu wissen, welches Ergebnis das Experiment tatsächlich erbracht hat, ist eine andere Aufgabe. Der Benchmark legt nahe, dass aktuelle Systeme das nicht zuverlässig leisten.

Was die Zahlen sagen

Fünf der 330 Aufgaben sind skalenübergreifend, und die Autoren behandeln sie getrennt. Von diesen verlangen 130 skalenübergreifendes Denken. Bei einander zugeordneten Aufgaben liegen sie 8,7 Punkte unter denen mit nur einer Skala.

Das am 30. Oktober eingereichte Paper umfasst 23 Seiten mit vier Abbildungen und 13 Tabellen. Die Autoren führten außerdem ein Experiment zur Domänenanpassung durch, mit meta-gewichteter fortgesetzter Vortrainierung und skalenmodularer Selbst-Destillation. Damit stieg ein offenes Modell von 36,7 auf 55,4 Prozent. Laut Abstract erreicht es damit das stärkste proprietäre Modell, mit Zugewinnen bei öffentlichen Material-Benchmarks und ohne Rückgang der Gesamtleistung bei allgemeinen Benchmarks. Das ist eine Aussage über ein bestimmtes Trainingsrezept auf einem bestimmten Benchmark, nicht über einen allgemeinen Ausbruch aus der Obergrenze. Alle diese Zahlen stammen aus dem Abstract.

Lehrbuch- und Prüfungsbenchmarks messen etabliertes Wissen, sagen die Autoren. Forschungsprobleme an der Front bleiben damit weitgehend ungetestet. Der Einwand ist berechtigt, und er gilt für die Supraleiterforschung wie für kaum ein anderes Feld. Die meiste Literatur dazu besteht entweder aus kleinen Schritten im Labor oder aus Spekulation über Raumtemperaturmaterialien. Nur selten prüft sie, ob ein Modell der Argumentation in einer echten Studie folgen kann.

Maschinen, die Beweise schreiben, und Maschinen, die raten

Ein zweites arXiv-Paper, am 30. Oktober von Jae-Hyun Baek, Byung-Sun Won und Jon-Lark Kim eingereicht, zielt auf das andere Ende des Problems. Ihre Pipeline verbindet LLM-gesteuerte Programmevolution mit exakter Auswertung, mathematischer Verallgemeinerung, zertifizierten Nichtexistenz-Prüfungen und formaler Beweisprüfung. Sie wandten sie auf verschränkungsgestützte Quantenfehlerkorrektur-Codes an.

Die evolvierten Programme erzeugten endliche Qubit-Konstruktionen. Diese verallgemeinerten die Forscher zu einer Familie, $[[n,1,n-1;n-q-1]]_q$ für Primzahlpotenzen $q\\ge3$ bei $n\\ge2q+1$ und für $q=2$ bei ungeradem $n\\ge5$. Lean prüft das algebraische Zertifikat hinter der Familie. Mit Verschränkungs-Lifting schließt die Familie 54 Lücken in archivierten EAQECC-Tabellen. Die Autoren veröffentlichten 115 verifizierte Code-Datensätze, zehn Nichtexistenz-Ergebnisse mit geprüften DRAT-Beweisen, Familienimplementierungen und die erhaltenen Suchprogramme zum Nachspielen.

Das Team führte eine kontrollierte Kohorte aus acht gepaarten Generierungsblöcken durch. Validierungsselektierte iterative Programme waren in 46,1 und 31,6 Prozent der zurückgehaltenen Ausführungen bei ungesehenen Längen n=13 und n=15 erfolgreich. Unabhängig erzeugte Programme kamen auf 19,5 und 3,1 Prozent.

Der Unterschied zählt. Das Paper trennt Gültigkeit, Allgemeinheit und Reproduzierbarkeit als verschiedene Arten von Belegen. Es behält außerdem einen Menschen im Prozess, der die endlichen Befunde der Maschine zu einem Beweis verallgemeinert. Legt man beide Paper nebeneinander, ergibt sich ein klares Bild davon, wo die KI in harter Material- und Physikarbeit steht. Sie ist nützlich, wenn ein Mensch die Frage stellt, die Ausgabe prüft und das Ergebnis formalisiert. Sie ist unzuverlässig, wenn sie erschließen soll, was ein Experiment ergeben hat.

Die Parallele zur Dunklen Materie

Dasselbe Muster sich weitender Suchhorizonte zeigt sich in einer längeren Reportage, die t3n am 3. November veröffentlichte. Sie ist aus der Ausgabe 8/2026 von MIT Technology Review übernommen, die am 6. November in den Verkauf geht.

Dan Garisto berichtet über Detektoren, die mit flüssigem Xenon gefüllt sind. Sie stehen unter dem Apennin, unter dem Jinping-Gebirge in Sichuan und am Grund einer Mine in South Dakota. Gebaut wurden sie, um ein schwach wechselwirkendes massereiches Teilchen einzufangen, das auf ein Xenon-Atom trifft. Diese Detektoren haben begonnen, einzelne Signale zu registrieren. Es ist keine Dunkle Materie. Es sind Neutrinos. Die Detektoren sind so groß und so empfindlich, dass Physiker vermuten, sie steckten in einem Neutrinonebel, der alles andere übertönt. Gegen Teilchen, die die Erde durchqueren, lässt sich nicht abschirmen. Das nächste Experiment mit diesem lange verfolgten Ansatz könnte das letzte sein.

Kathryn Zurek, theoretische Teilchenphysikerin am Caltech, sagt dem Magazin, auch am Large Hadron Collider seien keine neuen Teilchen aufgetaucht. "Und wir haben eben noch keine WIMP-Dunkle Materie gesehen", sagt sie und fügt hinzu, dass reichlich andere Kandidaten warten.

Ein Nullergebnis am LHC und ein Nebel aus Hintergrundrauschen in den Detektoren sagen zweimal dasselbe. Die einfache Version der Suche geht zu Ende. Das Feld wird breiter, nicht kleiner.

Das stärkste Allzweckmodell erreicht nur 53,7 Prozent, und bei einander zugeordneten Aufgaben liegen skalenübergreifende Aufgaben 8,7 Punkte unter denen mit nur einer Skala.

Die Hardware bewegt sich weiter

Auf der Seite der Quantenhardware veröffentlichte IBM Research "Meter-scale quantum interconnects between large quantum processors". Semiconductor Engineering griff es am 2. November auf. Der Auszug aus dem Abstract beschreibt vier L-Koppler, die zwischen zwei supraleitenden 120-Qubit-Prozessoren vom Typ IBM Nighthawk R1 arbeiten. Sie tragen kohärenten Quantenbetrieb über Entfernungen im Meterbereich und lassen sich auf mehrere Verbindungen zwischen je zwei Modulen erweitern. Das Paper stammt von Sundaresan, Neereja M., et al., arXiv preprint arXiv:2610.29986, datiert auf Oktober 2026.

Modulare Architekturen brauchen genau das: die Möglichkeit, Prozessormodule zusammenzusetzen, ohne die Kohärenz über die Distanz zu verlieren. Das ist ein Baustein, keine Maschine. So sollte man es auch lesen.

Auch andere Felder bewegen sich in Richtung Benchmarks und geprüfter Aussagen. Ein Beitrag von Yasemin Saplakoglu in Quanta Magazine vom 28. Oktober beschreibt Forschung unter Leitung von Gregory Holland an der San Diego State University. Es geht darum, wie sich molekulare Bestandteile der Spinnenseiden-Spinnlösung zu halbflüssigen Tröpfchen, sogenannten Kondensaten, umordnen, bevor sie zu Faser aushärten. Holland nennt die Aufklärung des Mechanismus "wirklich den heiligen Gral" des Feldes. Matthew Harrington von der McGill University, der nicht beteiligt war, sagt, es werde deutlich, dass Kondensate eine verbreitete Strategie über Organismen hinweg sind.

Der Bezug zur Materialforschung ist direkt. Die Natur hat einen Fertigungsprozess für eine Faser, die zäher ist als Kevlar. Die Arbeit dreht sich darum, den Mechanismus gut genug zu verstehen, um ihn nachzubauen. Das ist eine Frage nach dem Mechanismus, keine Frage nach abrufbarem Wissen. FrontierMat sagt, genau damit hätten Modelle Probleme.

Wo das Geld und die Vorsicht sitzen

Das kommerzielle Interesse am schwierigeren Ende der Materialwissenschaft zeigt sich in den Schlagzeilen der Woche. Diese Meldungen sind Kontext, keine Tatsachen, auf die dieser Text sich stützen kann. Darunter: SuperMatics, das KI entwickelt, um Supraleiter für kommerziellen Draht zu finden, ein Bericht über eine Steigerung der Sprungtemperatur eines Supraleiters um 1 Prozent und die Behauptung, ein versteckter Fehler stelle 40 Jahre Supraleiterforschung infrage.

Der Research-Focus-Podcast von Microsoft, Ausgabe 97 vom 29. Oktober, zeigt BioEmu2 in der öffentlichen Vorschau und ein neues Framework für mittelfristige Wettervorhersage. Er behandelt außerdem Arbeit an Coding-Agenten und den Einsatz von Copilot im Berufsalltag. Das erinnert daran, dass dieselben Anbieter, die KI als Wissenschaftsmaschine verkaufen, auch die Evaluationen veröffentlichen, die zeigen, wo sie bricht.

Was fehlt, ist eine Primärquelle für die Supraleiter-Schlagzeilen selbst. Kein Paper, kein Datensatz, keine Einreichung.

Diese Lücke sollte man benennen, statt sie mit einer Zusammenfassung einer Zusammenfassung zu überdecken.

Was zu beobachten ist

Der Wert von FrontierMat liegt darin, dass es überprüfbar ist. Die Aufgaben sind nach Funktionsdomäne, Materialsystem und Skala des zugrunde liegenden Mechanismus annotiert. Die Autoren beschreiben es als Testfeld, um Fortschritt zu messen. Wenn sich die 53,7 Prozent bewegen, dann gegen einen festen Satz von Experten geprüfter Fragen, nicht gegen einen Benchmark des Anbieters selbst.

Das Paper zur evolutionären Programmierung liefert ein Vorbild, wie man KI-gestützte Entdeckungen ehrlich berichtet. Suchprogramme, Beweise und Nichtexistenz-Zertifikate freigeben und jemand anderen nachspielen lassen. Die Arbeit an den Quantenverbindungen liefert das Hardware-Gegenstück: ein Preprint mit namentlicher Autorenliste und einer arXiv-Kennung.

Die Supraleiterforschung wird weiter schneller Schlagzeilen erzeugen, als sie geprüfte Ergebnisse hervorbringt. Die nützliche Frage für Leser ist nicht, ob ein Modell oder ein Labor einen Durchbruch behauptet. Sie lautet, ob jemand, der nicht im Raum war, die Belege dahinter nachspielen kann.