La chasse aux supraconducteurs se heurte à une IA qui plafonne à 53,7 % sur des problèmes de frontière

Ce benchmark n'est pas un test sur les supraconducteurs. Il est plus étroit et plus embarrassant : 330 problèmes tirés d'études réelles en aérospatiale, en semi-conducteurs, en intelligence incarnée et en fusion nucléaire. Des expérimentateurs et des experts industriels nommés ont validé chacun d'eux. Chaque problème demande à un modèle de déduire un résultat tenu secret ou de tirer une conclusion d'un ensemble de preuves choisies. Les supraconducteurs figurent dans cet ensemble sans le définir.

La moitié des problèmes ne sont résolus que par un seul modèle au plus, écrivent les auteurs. Le modèle généraliste le plus fort atteint 53,7 %.

Le mode d'échec est précis. Les modèles valident ce qui est plausible plutôt que ce qui a été observé. Voilà la ligne intéressante pour qui a vu les vendeurs d'IA présenter leurs modèles comme des accélérateurs de recherche. La plausibilité ne coûte rien. Un modèle qui a lu la littérature sait quelle réponse ressemble à un résultat. Savoir quelle réponse l'expérience a réellement produite est une autre tâche. Le benchmark suggère que les systèmes actuels n'y arrivent pas de façon fiable.

Ce que disent les chiffres

Cinq des 330 problèmes sont multi-échelles d'une manière que les auteurs traitent à part. Parmi eux, 130 exigent un raisonnement multi-échelles. Sur des problèmes appariés, ils obtiennent 8,7 points de moins que les problèmes à une seule échelle.

L'article, soumis le 30 octobre, fait 23 pages avec quatre figures et 13 tableaux. Les auteurs ont aussi mené une expérience d'adaptation au domaine, à base de pré-entraînement continu pondéré par méta et d'auto-distillation modulaire par échelle. Elle a fait passer un modèle à poids ouverts de 36,7 % à 55,4 %. Le résumé affirme que cela égale le modèle propriétaire le plus fort, avec des gains sur des benchmarks publics de matériaux et aucune baisse de performance agrégée sur les benchmarks généraux. Il faut le lire comme une affirmation sur une recette d'entraînement précise appliquée à un benchmark précis, pas comme une sortie générale du plafond. Le résumé est la source de tous ces chiffres.

Les auteurs estiment que les benchmarks de manuels et d'examens mesurent des connaissances établies. Les problèmes de recherche de frontière restent donc largement non testés. La critique est juste, et elle vaut pour la supraconductivité comme pour le reste. L'essentiel de ce qui s'écrit sur le domaine tient soit à des résultats de laboratoire incrémentaux, soit à des spéculations sur des matériaux à température ambiante. Très peu vérifie si un modèle peut suivre le raisonnement à l'intérieur d'une vraie étude.

Des machines qui écrivent des preuves, des machines qui devinent

Un second article arXiv, soumis le 30 octobre par Jae-Hyun Baek, Byung-Sun Won et Jon-Lark Kim, pointe l'autre bout du problème. Leur chaîne de traitement combine évolution de programmes guidée par LLM et évaluation exacte, généralisation mathématique, vérifications certifiées de non-existence et contrôle formel des preuves. Ils l'ont appliquée à des codes correcteurs d'erreurs quantiques assistés par intrication.

Les programmes ainsi obtenus ont produit des constructions finies de qubits. Les chercheurs les ont ensuite généralisées en une famille, $[[n,1,n-1;n-q-1]]_q$ pour les puissances de nombres premiers $q\\ge3$ avec $n\\ge2q+1$ et pour $q=2$ avec $n\\ge5$ impair. Lean vérifie le certificat algébrique derrière la famille. Avec le relèvement par intrication, la famille comble 54 lacunes dans les tables EAQECC archivées. Les auteurs ont publié 115 enregistrements de codes vérifiés, dix résultats de non-existence avec preuves DRAT contrôlées, des implémentations de la famille et les programmes de recherche conservés pour rejeu.

L'équipe a mené une cohorte contrôlée de huit blocs de génération appariés. Les programmes itératifs sélectionnés sur validation ont réussi dans 46,1 % et 31,6 % des exécutions tenues à l'écart, à des longueurs n=13 et n=15 non vues. Les programmes générés indépendamment atteignent 19,5 % et 3,1 %.

La distinction compte. L'article sépare validité, généralité et reproductibilité comme trois types de preuves différents. Il garde aussi un humain dans la boucle, qui généralise les trouvailles finies de la machine en une preuve. Mettez les deux articles côte à côte et vous obtenez une image nette de la place de l'IA dans le travail dur sur les matériaux et la physique. Elle est utile quand un humain pose la question, vérifie la sortie et formalise le résultat. Elle n'est pas fiable quand on lui demande de déduire ce qu'a trouvé une expérience.

Le parallèle avec la matière noire

Le même schéma d'horizons de recherche qui s'élargissent apparaît dans un long article publié par t3n le 3 novembre. Il est adapté du numéro 8/2026 de MIT Technology Review, en vente le 6 novembre.

Dan Garisto y décrit des détecteurs remplis de xénon liquide. Ils se trouvent sous les Apennins, sous la chaîne du Jinping au Sichuan et au fond d'une mine du Dakota du Sud. Ils ont été construits pour attraper une particule massive à interaction faible frappant un atome de xénon. Ces détecteurs ont commencé à enregistrer des signaux isolés. Ce ne sont pas de la matière noire. Ce sont des neutrinos. Les détecteurs sont assez grands et assez sensibles pour que les physiciens soupçonnent qu'ils sont pris dans un brouillard de neutrinos qui noie tout le reste. Impossible de se protéger de particules qui traversent la Terre. La prochaine expérience fondée sur cette approche poursuivie de longue date pourrait être la dernière.

Kathryn Zurek, physicienne théoricienne des particules au Caltech, déclare au magazine qu'aucune nouvelle particule n'a non plus émergé au Grand collisionneur de hadrons. « Und wir haben eben noch keine WIMP-Dunkle Materie gesehen », dit-elle, ajoutant que bien d'autres candidats attendent.

Un résultat nul au LHC et un brouillard de bruit de fond dans les détecteurs délivrent deux fois le même message. La version facile de la recherche se referme. Le domaine s'élargit plutôt qu'il ne s'achève.

Le modèle généraliste le plus fort n'atteint que 53,7 %, et sur des problèmes appariés, les problèmes multi-échelles obtiennent 8,7 points de moins que ceux à une seule échelle.

Le matériel continue d'avancer

Côté matériel quantique, IBM Research a publié « Meter-scale quantum interconnects between large quantum processors ». Semiconductor Engineering l'a signalé le 2 novembre. L'extrait du résumé décrit quatre coupleurs en L fonctionnant entre deux processeurs à qubits supraconducteurs IBM Nighthawk R1 de 120 qubits. Ils soutiennent une opération quantique cohérente sur des distances de l'ordre du mètre et passent à l'échelle de connexions multiples entre deux modules quelconques. L'article est de Sundaresan, Neereja M., et al., prépublication arXiv arXiv:2610.29986, datée d'octobre 2026.

Les architectures modulaires ont besoin exactement de cela : pouvoir coudre des modules de processeurs sans perdre la cohérence sur la distance. C'est une brique, pas une machine. Il faut le lire ainsi.

D'autres domaines font le même mouvement vers des benchmarks et des affirmations validées. Un texte de Quanta Magazine signé Yasemin Saplakoglu, publié le 28 octobre, décrit des recherches menées par Gregory Holland à l'université d'État de San Diego. Il y est question de la façon dont les composants moléculaires de la dope de soie d'araignée se réorganisent en gouttelettes semi-liquides appelées condensats avant de durcir en fibre. Holland qualifie la cartographie de ce mécanisme de « really the holy grail » du domaine. Matthew Harrington, de McGill, qui n'a pas participé aux travaux, estime qu'il devient clair que les condensats sont une stratégie courante chez les organismes.

Le lien avec la recherche sur les matériaux est direct. La nature possède un procédé de fabrication pour une fibre plus résistante que le Kevlar. Le travail consiste à comprendre le mécanisme assez bien pour le copier. C'est une question de mécanisme, pas de rappel de connaissances. FrontierMat dit que les modèles butent précisément là-dessus.

Où se situent l'argent et la prudence

L'intérêt commercial pour le versant difficile de la science des matériaux se voit dans les gros titres de la semaine. Ces éléments relèvent du contexte plutôt que de faits sur lesquels cet article peut s'appuyer. Parmi eux : SuperMatics, qui construit une IA pour trouver des supraconducteurs destinés à du câble commercial, un rapport faisant état d'un gain de 1 % sur une température de transition supraconductrice, et l'affirmation qu'un défaut caché remet en cause 40 ans de science des supraconducteurs.

Le podcast Research Focus de Microsoft, édition 97 publiée le 29 octobre, annonce BioEmu2 en préversion publique et un nouveau cadre pour la prévision météo à moyenne échéance. Il traite aussi du travail sur les agents de codage et de l'usage de Copilot au travail. C'est un rappel que les mêmes vendeurs qui présentent l'IA comme un moteur scientifique publient aussi les évaluations qui montrent où elle casse.

Ce qui manque, c'est une source primaire pour les gros titres sur les supraconducteurs eux-mêmes. Pas d'article, pas de jeu de données, pas de dépôt.

Ce trou mérite d'être nommé plutôt que masqué par le résumé d'un résumé.

Ce qu'il faut surveiller

La valeur de FrontierMat tient à ce qu'il est vérifiable. Les problèmes sont annotés par domaine fonctionnel, par système de matériau et par l'échelle du mécanisme en jeu. Les auteurs le présentent comme un banc d'essai pour mesurer les progrès. Si le chiffre de 53,7 % bouge, il bougera face à un ensemble fixe de questions validées par des experts, et non face au benchmark maison d'un vendeur.

L'article sur le codage évolutionniste offre un modèle pour rendre compte honnêtement d'une découverte assistée par IA. Publier les programmes de recherche, les preuves et les certificats de non-existence, et laisser quelqu'un d'autre les rejouer. Le travail sur l'interconnexion quantique offre l'équivalent matériel : une prépublication avec une liste d'auteurs nommés et un identifiant arXiv.

La recherche sur les supraconducteurs continuera de produire des gros titres plus vite que des résultats vérifiés. La question utile pour les lecteurs n'est pas de savoir si un modèle ou un laboratoire revendique une percée. Elle est de savoir si les preuves derrière peuvent être rejouées par quelqu'un qui n'était pas dans la pièce.