Aller au contenu
Heure mondialeEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portail sur l'IA et la technologieactualités · analyses · entretiens · fond technique

Rechercher
EN DIRECT
›

Vals AI identifie des semi-conducteurs magnétiques avec des agents Claude

Vals AI a annoncé le 5 octobre que des agents Claude Opus 5.5 avaient identifié deux semi-conducteurs antiferromagnétiques fonctionnant à température ambiante.

SciencesExpliquéAmélie BernardPublié le: 5 octobre 20265 min de lectureSources 8
Vals AI identifie des semi-conducteurs magnétiques avec des agents Claude

Vals AI a publié les détails le 5 octobre.

L'entreprise indique qu'une équipe d'agents Claude Opus 5.5 a identifié deux nouveaux candidats semi-conducteurs magnétiques. Le premier est un composé inédit conçu par l'IA. Le second est un matériau créé en 1999, dont ces propriétés précises n'avaient pas été repérées jusqu'ici. Les deux devraient présenter un magnétisme net nul tout en triant les électrons selon leur spin. Cette propriété est indispensable à la mémoire informatique de nouvelle génération, en particulier pour la spintronique, qui stocke l'information à partir de l'orientation du spin des électrons et non de la seule polarité magnétique.

En quoi les antiferromagnétiques diffèrent des aimants de frigo

Les ferromagnétiques courants, comme l'aimant collé sur une porte de réfrigérateur, ont des aimants atomiques tous orientés dans la même direction. Il en résulte un champ magnétique macroscopique qui fuit par la surface. Pratique pour tenir un post-it, ce champ externe devient un handicap dans une mémoire dense. Il perturbe les matériaux voisins et reste difficile à contrôler avec précision. Basculer un état ferromagnétique est en outre relativement lent et gourmand en énergie.

Les antiferromagnétiques fonctionnent autrement. Dans ces matériaux, les aimants atomiques voisins pointent dans des directions opposées et annulent le champ magnétique externe. Faute de champ macroscopique, les ingénieurs peuvent rapprocher beaucoup plus les dispositifs de stockage, avec à la clé de meilleures performances. Mais les antiferromagnétiques ordinaires ne distinguent pas les électrons de spin up des électrons de spin down. Lire ou stocker l'information avec les techniques standard de spintronique devient alors difficile. Les candidats trouvés par l'équipe de Vals AI occupent un entre-deux singulier : ils offrent la densité et la vitesse des antiferromagnétiques tout en gardant la capacité de trier les électrons par spin.

Vals AI a mis en ligne l'ensemble des calculs, le code et une liste des réserves connues pour les deux candidats. L'entreprise note que les matériaux antiferromagnétiques sont environ mille fois plus rapides que leurs équivalents ferromagnétiques sur certaines tâches de commutation. Cet avantage de vitesse, combiné à un fonctionnement à température ambiante, pourrait peser sur l'architecture des futures mémoires.

L'IA au laboratoire

Vals AI travaille sur les matériaux inorganiques, mais d'autres systèmes d'IA bousculent les sciences du vivant. L'actualité récente du secteur montre un engouement pour l'ingénierie de protéines pilotée par IA. Un laboratoire cloud consacré à cette discipline a récemment reçu 20 000 000 de dollars de la National Science Foundation. Ce financement doit accélérer la conception de nouvelles protéines à l'aide de modèles computationnels. Le lien entre science des matériaux et biologie se précise à mesure que les modèles d'IA apprennent à prédire des propriétés physiques dans des domaines différents.

En août 2026, Discovered Materials a levé 9 000 000 de dollars en amorçage pour accélérer la découverte de matériaux semi-conducteurs assistée par IA. L'entreprise emploie des approches agentiques comparables pour chercher de nouveaux matériaux de puces. Ce tour fait suite à un investissement d'amorçage en juillet 2026, signe d'un intérêt soutenu des investisseurs pour les chaînes de découverte pilotées par IA. Le parallèle entre la publication récente de Vals AI et la levée de fonds de Discovered Materials suggère un marché qui mûrit pour les outils d'IA capables de remplacer ou de compléter l'expérimentation traditionnelle par essais et erreurs.

DeepMind est aussi entré sur ce terrain avec de nouvelles techniques de filigrane pour les protéines. Début octobre 2026, des informations ont indiqué que DeepMind apposait des filigranes sur les protéines pour permettre leur vérification en laboratoire. La démarche répond à une inquiétude grandissante dans la science produite par IA : comment vérifier qu'une structure prédite est réelle et non un artefact du modèle ? En intégrant des filigranes dans les conceptions de protéines, les chercheurs peuvent rattacher l'origine d'une prédiction à un modèle d'IA précis. C'est une étape essentielle pour rendre les données biologiques issues de l'IA dignes de confiance dans les cadres réglementaires et pharmaceutiques.

Du prompt à la découverte autonome

Le projet de Vals AI reposait sur des agents Claude Opus 5.5, un modèle connu pour ses capacités agentiques. L'IA pouvait donc planifier, exécuter et vérifier les étapes d'un flux de travail sans intervention humaine constante. L'entreprise souligne que les agents avaient pour mission de concevoir et de trouver des matériaux, pas seulement d'extraire des données existantes. La distinction compte. Les systèmes de recherche retrouvent ce qui est déjà connu. Les systèmes de découverte agentiques, eux, peuvent proposer des hypothèses inédites et les tester par le calcul.

La méthode de prompt « Gauntlet Loop », décrite par un développeur en octobre 2026, illustre une autre facette de cette approche agentique. Le principe : donner à un agent chef de file un objectif et un exemple de référence de haute qualité. L'agent découpe ensuite le travail en petites pièces, chacune confiée à un constructeur et à un critique. Le critique compare le résultat à la référence et, s'il est insuffisant, renvoie le travail avec des consignes d'amélioration précises. La boucle tourne jusqu'à ce que le résultat atteigne la barre fixée. La démonstration portait à l'origine sur la création d'un jeu de style Call of Duty dans Three.js, mais le développeur estime que la méthode vaut pour la recherche, le code et le design. C'est un exemple concret de la façon dont un prompt structuré peut améliorer la qualité d'une production d'IA sur des tâches complexes.

Toutes les découvertes assistées par IA ne font pourtant pas consensus. Une étude menée par des informaticiens de l'UC Riverside, publiée en septembre 2026, montre que les modèles d'IA peuvent donner des réponses fausses avec une forte confiance. Les chercheurs ont identifié dans les grands modèles de langage des caractéristiques internes associées séparément à la confiance et à l'exactitude. Cela remet en cause l'idée qu'un modèle sûr de lui est un modèle correct. Pour la découverte scientifique assistée par IA, le risque est réel. Si un agent prédit avec assurance une propriété de matériau qui n'existe pas dans le monde physique, l'erreur peut se propager dans toute la chaîne de recherche. L'équipe de l'UCR suggère qu'ajuster ces caractéristiques internes rendrait les modèles plus prudents lorsqu'ils risquent de se tromper, un pas vers des scientifiques IA plus fiables.

Le secteur doit aussi composer avec le « AI slop » scientifique. À mesure que l'IA produit articles et prédictions, distinguer une idée neuve d'une hallucination devient plus difficile. L'équipe de Vals AI y a répondu en publiant son code et ses calculs complets, ce qui permet une vérification indépendante. Cette transparence devient une attente standard pour les résultats scientifiques issus de l'IA. Énoncer un résultat ne suffit plus ; la logique et les données sous-jacentes doivent être inspectables.

Pour l'heure, la découverte de deux candidats semi-conducteurs antiferromagnétiques à température ambiante rapproche d'applications concrètes. Ces matériaux pourraient déboucher sur des mémoires plus rapides, plus denses et plus sobres en énergie. La portée plus large est que les agents d'IA deviennent des partenaires capables dans le processus de découverte. Ils explorent de vastes espaces chimiques, repèrent des matériaux passés inaperçus et proposent de nouveaux composés. Reste à intégrer ces outils aux flux de travail scientifiques habituels sans renoncer à la rigueur et à la vérification qui définissent la bonne science.

Commentaires 0

Sources

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

Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.

Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.

Amélie Bernard

Amélie Bernard

Science et santé

Amélie Bernard couvre les sciences et la santé pour FLASH24, en s'appuyant sur les publications évaluées par les pairs, les communiqués des agences et les données brutes des études, sans reprendre les reprises de presse. Elle vérifie chaque chiffre en remontant à la source, compare les méthodologies et signale les tailles d'échantillon douteuses. Elle interroge régulièrement des chercheurs et des soignants, et attend les mises à jour des revues à comité de lecture avant de publier. Sa formation en physique des matériaux lui sert à décrypter les résultats techniques, et elle observe le ciel avec son propre télescope. Elle ne publie pas une donnée qu'elle n'a pas pu reproduire.

Rédaction →

Commentaires

0
  1. Aucun commentaire — soyez le premier.

Écrire un commentaire

Les commentaires sont publics. Nous ne publions ni insultes, ni spam, ni publicité.