Zum Inhalt
WeltzeitEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal über KI und Technologieereignisse · analysen · interviews · technischer hintergrund

Suche
LIVE
›

Vals AI findet mit Claude-Agenten magnetische Halbleiter

Vals AI meldete am 5. Oktober, dass Agenten von Claude Opus 5.5 zwei bei Raumtemperatur antiferromagnetische Halbleiter identifiziert haben.

WissenschaftErklärtHanna VogtVeröffentlicht: 5. Oktober 20265 Min. LesezeitQuellen 8
Vals AI findet mit Claude-Agenten magnetische Halbleiter

Vals AI veröffentlichte die Details am 5. Oktober.

Das Unternehmen teilte mit, ein Team von Agenten des Modells Claude Opus 5.5 habe zwei neue Kandidaten für magnetische Halbleiter gefunden. Einer davon ist eine neuartige Verbindung, die die KI selbst entworfen hat. Der andere ist ein Material aus dem Jahr 1999, dessen Eignung für diese speziellen Eigenschaften bisher niemand erkannt hatte. Beiden wird prognostiziert, dass sie keine Nettomagnetisierung aufweisen und Elektronen dennoch nach ihrem Spin sortieren. Diese Eigenschaft ist für die nächste Generation von Computerspeichern entscheidend, genauer für Spintronik-Anwendungen, die Informationen über die Spinausrichtung von Elektronen speichern und nicht allein über die magnetische Polarität.

Wie sich Antiferromagneten von Kühlschrankmagneten unterscheiden

Gewöhnliche Ferromagneten, etwa der Magnet an einer Kühlschranktür, haben atomare Magnete, die alle in dieselbe Richtung zeigen. So entsteht ein makroskopisches Magnetfeld, das aus der Oberfläche austritt. Für Notizzettel ist das nützlich, in dicht gepacktem Computerspeicher wird das Feld zum Problem. Es stört benachbarte Materialien und lässt sich nur schwer präzise steuern. Außerdem dauert das Umschalten ferromagnetischer Zustände verhältnismäßig lange und kostet viel Energie.

Antiferromagneten funktionieren anders. Bei ihnen zeigen benachbarte atomare Magnete in entgegengesetzte Richtungen und heben das äußere Magnetfeld damit auf. Weil dieses makroskopische Feld fehlt, lassen sich Speicherbausteine viel enger packen, was höhere Leistung ermöglichen könnte. Gewöhnliche Antiferromagneten können jedoch nicht zwischen Elektronen mit Spin nach oben und Spin nach unten unterscheiden. Mit gängigen Spintronik-Verfahren lassen sich Informationen deshalb kaum auslesen oder speichern. Die von den Vals-AI-Agenten gefundenen Kandidaten liegen in einer besonderen Mitte: Sie bieten die Packdichte und Geschwindigkeit von Antiferromagneten, behalten aber die Fähigkeit, Elektronen nach ihrem Spin zu sortieren.

Vals AI veröffentlichte die vollständigen Rechnungen, den Code und eine Liste bekannter Einschränkungen für beide Kandidaten. Das Unternehmen merkte an, dass antiferromagnetische Materialien bei bestimmten Schaltvorgängen rund tausendmal schneller sind als ferromagnetische. Dieser Geschwindigkeitsvorteil, zusammen mit dem Betrieb bei Raumtemperatur, könnte die Architektur künftiger Speicherbausteine deutlich verändern.

KI im Nasslabor

Während Vals AI auf anorganische Materialien setzt, sorgt in den Biowissenschaften eine andere Art von KI für Aufsehen. Jüngste Branchenmeldungen zeigen einen Trend zur KI-gesteuerten Proteinentwicklung. Ein Cloud-Labor, das sich auf KI-gesteuerte Proteinentwicklung spezialisiert hat, erhielt kürzlich 20.000.000 US-Dollar von der National Science Foundation. Das Geld soll helfen, mit Rechenmodellen neue Proteine schneller zu entwerfen. Die Verbindung zwischen Materialwissenschaft und Biologie wird klarer, je mehr KI-Modelle lernen, physikalische Eigenschaften über verschiedene Fachgebiete hinweg vorherzusagen.

Im August 2026 sammelte Discovered Materials 9.000.000 US-Dollar Seed-Kapital ein, um die KI-gestützte Suche nach Halbleitermaterialien zu beschleunigen. Das Unternehmen arbeitet mit ähnlichen agentischen Verfahren und sucht nach neuen Werkstoffen für Chips. Die Runde folgt auf eine Seed-Investition im Juli 2026, was auf anhaltendes Anlegerinteresse an KI-getriebenen Entdeckungsprozessen hindeutet. Die Parallele zwischen der jüngsten Veröffentlichung von Vals AI und der Finanzierung von Discovered Materials spricht für einen reifenden Markt für KI-Werkzeuge, die klassisches Ausprobieren ersetzen oder ergänzen können.

Auch DeepMind ist in diesem Feld aktiv, mit neuen Wasserzeichen für Proteine. Anfang Oktober 2026 berichteten Medien, dass DeepMind Proteine mit Wasserzeichen versieht, damit Labore sie überprüfen können. Damit reagiert das Unternehmen auf ein wachsendes Problem der KI-Forschung: Wie lässt sich prüfen, ob eine vorhergesagte Struktur real ist und kein Artefakt des Modells? Wenn Wasserzeichen in Proteindesigns eingebettet sind, können Forscher die Herkunft einer Vorhersage bis zu einem bestimmten KI-Modell zurückverfolgen. Für die Glaubwürdigkeit KI-erzeugter biologischer Daten in Regulierung und Pharmaindustrie ist das ein wichtiger Schritt.

Vom Prompt zur autonomen Entdeckung

Das Projekt von Vals AI stützte sich auf Agenten von Claude Opus 5.5, ein Modell, das für seine agentischen Fähigkeiten bekannt ist. Das heißt, die KI konnte Arbeitsschritte planen, ausführen und prüfen, ohne dass ständig ein Mensch eingreifen musste. Das Unternehmen betonte, die Agenten hätten Materialien entwerfen und finden sollen und nicht bloß vorhandene Daten abrufen. Dieser Unterschied ist wichtig. Abrufsysteme finden, was bereits bekannt ist. Agentische Entdeckungssysteme können neue Hypothesen vorschlagen und sie rechnerisch prüfen.

Ein weiteres Beispiel für diesen agentischen Ansatz ist die Prompting-Methode „Gauntlet Loop“, die ein Entwickler im Oktober 2026 beschrieb. Dabei bekommt ein leitender Agent ein Ziel und ein hochwertiges Referenzbeispiel. Der Agent zerlegt die Arbeit in kleine Stücke und weist jedes einem Erbauer und einem Kritiker zu. Der Kritiker vergleicht das Ergebnis mit der Referenz und schickt die Arbeit mit konkreten Verbesserungshinweisen zurück, wenn es nicht reicht. Diese Schleife läuft, bis das Resultat die hohe Latte erreicht. Ursprünglich wurde das Verfahren vorgeführt, um ein Spiel im Stil von Call of Duty in Three.js zu bauen; der Entwickler hält es aber auch für Forschung, Code und Design geeignet. Es zeigt praktisch, wie strukturiertes Prompting die Qualität der KI-Ausgabe bei komplexen Aufgaben erhöhen kann.

Nicht alle KI-Entdeckungen sind allerdings unumstritten. Eine Studie unter Leitung von Informatikern der UC Riverside, veröffentlicht im September 2026, ergab, dass KI-Modelle falsche Antworten mit hoher Zuversicht geben können. Die Forscher fanden in großen Sprachmodellen interne Merkmale, die getrennt mit Zuversicht und mit Korrektheit zusammenhängen. Das stellt die Annahme infrage, ein zuversichtliches Modell sei auch ein korrektes. Für die KI-gestützte wissenschaftliche Entdeckung ist das ein erhebliches Risiko. Sagt ein KI-Agent eine Materialeigenschaft mit großer Sicherheit voraus, die es in der physikalischen Welt nicht gibt, kann sich der Fehler durch die gesamte Forschungskette ziehen. Das Team der UC Riverside schlug vor, diese internen Merkmale so anzupassen, dass Modelle vorsichtiger werden, wenn sie wahrscheinlich falsch liegen. Das wäre ein Schritt zu verlässlicheren KI-Wissenschaftlern.

Die Branche ringt zudem mit dem Problem des „AI Slop“ in der Wissenschaft. Je mehr Arbeiten und Vorhersagen von KI stammen, desto schwerer lassen sich neue Erkenntnisse von Halluzinationen unterscheiden. Das Team von Vals AI begegnete dem, indem es Code und Rechnungen vollständig veröffentlichte und damit eine unabhängige Prüfung ermöglichte. Diese Transparenz wird bei KI-erzeugten wissenschaftlichen Aussagen zur Standarderwartung. Ein Ergebnis allein reicht nicht mehr; die zugrunde liegende Logik und die Daten müssen nachprüfbar sein.

Vorerst ist die Entdeckung zweier bei Raumtemperatur antiferromagnetischer Halbleiterkandidaten ein Schritt in Richtung praktischer Anwendungen. Aus diesen Materialien könnten schnellere, dichtere und energieeffizientere Speicher entstehen. Die größere Bedeutung liegt jedoch darin, dass KI-Agenten zu fähigen Partnern im Entdeckungsprozess werden. Sie können riesige chemische Räume durchsuchen, übersehene Materialien aufspüren und neue Verbindungen vorschlagen. Die Aufgabe besteht nun darin, diese Werkzeuge in die üblichen wissenschaftlichen Abläufe einzubinden und dabei die Sorgfalt und Prüfung zu wahren, die gute Wissenschaft ausmachen.

Kommentare 0

Quellen

8
  1. 01Two Room-Temperature Antiferromagnetic Semiconductor Candidates | Vals AIEN
  2. 02Study: Path discovered to make AI models red-flag their doubtful answersEN
  3. 03Novel approach to create AI slop games discoveredEN
  4. 04Scientists discover a human brain gene that can jump through DNAEN
  5. 05Internet Watch Foundation reports rise in AI child sexual abuse materialEN
  6. 06After bankruptcy, he was banned from betting sites. Then he discovered KalshiEN
  7. 07Discover AI – A Learning GuideEN
  8. 08Discovery for domains and evidence for incoming agentsEN

Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.

Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.

Hanna Vogt

Hanna Vogt

Wissenschaft und Gesundheit

Hanna Vogt schreibt für FLASH24 über Wissenschaft und Gesundheit und stützt sich dabei auf Primärstudien, Behördenberichte und Rohdaten statt auf Pressemitteilungen. Bei Zahlen prüft sie Stichprobengrößen, Konfidenzintervalle und ob die zitierte Quelle die Aussage tatsächlich deckt. Für ihre Texte spricht sie mit Studienautorinnen, wartet auf Peer-Review-Fassungen und vergleicht Vorabdrucke mit der finalen Publikation. Dass sie privat Materialphysik verfolgt und mit eigenem Teleskop den Himmel beobachtet, erklärt, warum sie bei Messmethoden und Instrumenten genau nachfragt. Sie publiziert keine Ergebnisse, deren Datengrundlage sie nicht selbst eingesehen hat.

Redaktion →

Kommentare

0
  1. Noch keine Kommentare — seien Sie der Erste.

Kommentar schreiben

Kommentare sind öffentlich sichtbar. Wir veröffentlichen keine Beleidigungen, Werbung oder Spam.