Vals AI trova semiconduttori magnetici con gli agenti Claude
Vals AI ha riferito il 5 ottobre che gli agenti di Claude Opus 5.5 hanno individuato due semiconduttori antiferromagnetici a temperatura ambiente.

Vals AI ha pubblicato i dettagli il 5 ottobre.
L'azienda sostiene che un gruppo di agenti di Claude Opus 5.5 ha individuato due nuovi candidati semiconduttori magnetici. Uno è un composto nuovo progettato dall'AI. L'altro è un materiale creato nel 1999, che finora nessuno aveva riconosciuto per queste proprietà specifiche. Per entrambi la previsione è di magnetismo netto nullo, con gli elettroni ordinati in base allo spin. Questa proprietà serve per la memoria dei computer di prossima generazione, in particolare per le applicazioni spintroniche che immagazzinano informazioni in base all'orientamento dello spin dell'elettrone e non alla sola polarità magnetica.
Come gli antiferromagneti si distinguono dalle calamite da frigo
I ferromagneti comuni, come la calamita sulla porta del frigorifero, hanno magneti atomici tutti orientati nella stessa direzione. Si forma così un campo magnetico macroscopico che fuoriesce dalla superficie. Utile per tenere su un foglietto, questo campo esterno è un problema nella memoria densa. Disturba i materiali vicini ed è difficile da controllare con precisione. Inoltre cambiare stato in un ferromagnete richiede tempo e consuma energia.
Gli antiferromagneti funzionano in modo diverso. In questi materiali i magneti atomici vicini puntano in direzioni opposte e il campo magnetico esterno si annulla. L'assenza di un campo macroscopico permette di avvicinare molto di più i dispositivi di memoria, con prestazioni potenzialmente superiori. Gli antiferromagneti ordinari però non distinguono gli elettroni con spin up da quelli con spin down. Così leggere o immagazzinare informazioni con le tecniche spintroniche standard diventa difficile. I candidati trovati dal gruppo di Vals AI stanno in una via di mezzo: offrono la densità e la velocità degli antiferromagneti, ma conservano la capacità di ordinare gli elettroni in base allo spin.
Vals AI ha condiviso i calcoli completi, il codice e un elenco dei limiti noti per entrambi i candidati. L'azienda fa notare che i materiali antiferromagnetici sono circa mille volte più veloci delle loro controparti ferromagnetiche in alcune operazioni di commutazione. Questo vantaggio di velocità, insieme alla capacità di lavorare a temperatura ambiente, potrebbe pesare molto sull'architettura dei futuri dispositivi di memoria.
L'AI in laboratorio
Vals AI si occupa di materiali inorganici, ma altri sistemi di AI stanno facendo strada nelle scienze biologiche. Le notizie recenti del settore mostrano una tendenza all'ingegneria delle proteine guidata dall'AI. Un laboratorio cloud dedicato a questo ha ricevuto di recente 20.000.000 di dollari dalla National Science Foundation. Il finanziamento serve ad accelerare la progettazione di nuove proteine con modelli computazionali. Il legame tra scienza dei materiali e biologia diventa più chiaro man mano che i modelli di AI imparano a prevedere proprietà fisiche in campi diversi.
Ad agosto 2026 Discovered Materials ha raccolto 9.000.000 di dollari in un round seed per accelerare la scoperta di materiali semiconduttori con l'AI. L'azienda usa approcci agentici simili per cercare nuovi materiali per i chip. Il round segue un investimento seed di luglio 2026, segno di un interesse costante degli investitori verso le pipeline di scoperta guidate dall'AI. Il parallelo tra l'ultima pubblicazione di Vals AI e la raccolta di Discovered Materials suggerisce un mercato che matura per gli strumenti di AI capaci di sostituire o affiancare la sperimentazione tradizionale per tentativi.
Anche DeepMind è entrata in questo campo con nuove tecnologie di watermarking per le proteine. All'inizio di ottobre 2026 alcune notizie indicavano che DeepMind applica watermark alle proteine per permetterne la verifica in laboratorio. La mossa risponde a una preoccupazione crescente nella scienza generata dall'AI: come si verifica che una struttura prevista sia reale e non un artefatto del modello? Inserendo watermark nei progetti delle proteine, i ricercatori possono risalire dall'origine di una previsione a uno specifico modello di AI. È un passo importante per rendere affidabili i dati biologici generati dall'AI in ambito regolatorio e farmaceutico.
Dal prompt alla scoperta autonoma
Il progetto di Vals AI si è basato sugli agenti di Claude Opus 5.5, un modello noto per le sue capacità agentiche. L'AI poteva cioè pianificare, eseguire e verificare i passaggi di un flusso di lavoro senza intervento umano continuo. L'azienda sottolinea che agli agenti è stato chiesto di progettare e trovare materiali, non solo di recuperare dati già esistenti. La distinzione conta. I sistemi di recupero trovano ciò che è già noto. I sistemi di scoperta agentica possono proporre ipotesi nuove e verificarle al computer.
Un altro esempio di questo approccio è il metodo di prompting "Gauntlet Loop", descritto da uno sviluppatore nell'ottobre 2026. Il metodo consiste nel dare a un agente capofila un obiettivo e un esempio di riferimento di alta qualità. L'agente divide poi il lavoro in piccoli pezzi e li affida ciascuno a un costruttore e a un critico. Il critico confronta il risultato con il riferimento e, se non è all'altezza, lo rimanda indietro con istruzioni precise su cosa migliorare. Il ciclo va avanti finché il risultato raggiunge la soglia. Lo sviluppatore lo ha mostrato prima costruendo un gioco in stile Call of Duty con Three.js, ma sostiene che il metodo vale anche per la ricerca, il codice e il design. È un esempio concreto di come un prompting strutturato possa alzare la qualità dell'output dell'AI in compiti complessi.
Non tutte le scoperte guidate dall'AI sono però prive di polemiche. Uno studio guidato da informatici dell'UC Riverside, pubblicato a settembre 2026, ha rilevato che i modelli di AI possono dare risposte sbagliate con grande sicurezza. I ricercatori hanno individuato nei grandi modelli linguistici caratteristiche interne legate separatamente alla sicurezza e alla correttezza. Questo mette in discussione l'idea che un modello sicuro di sé sia anche un modello corretto. Per la scoperta scientifica guidata dall'AI è un rischio serio. Se un agente prevede con sicurezza una proprietà che nel mondo fisico non esiste, l'errore può propagarsi lungo tutta la pipeline di ricerca. Il gruppo dell'UC Riverside suggerisce che regolare queste caratteristiche interne potrebbe rendere i modelli più prudenti quando rischiano di sbagliare, un passo verso scienziati AI più affidabili.
Il settore deve fare i conti anche con il fenomeno dell'"AI slop" nella scienza. Con l'aumento di articoli e previsioni generati dall'AI, distinguere le intuizioni nuove dalle allucinazioni diventa più difficile. Il gruppo di Vals AI lo ha affrontato pubblicando codice e calcoli completi, così da permettere una verifica indipendente. Questa trasparenza sta diventando uno standard atteso per le affermazioni scientifiche prodotte dall'AI. Non basta più enunciare un risultato: la logica e i dati che stanno sotto devono essere ispezionabili.
Per ora la scoperta di due candidati semiconduttori antiferromagnetici a temperatura ambiente è un passo verso applicazioni pratiche. Questi materiali potrebbero portare a memorie più veloci, più dense e con consumi più bassi. Ma l'implicazione più ampia è che gli agenti di AI stanno diventando partner capaci nel processo di scoperta. Sanno muoversi in spazi chimici enormi, riconoscere materiali trascurati e proporre composti nuovi. La sfida ora è integrare questi strumenti nei flussi di lavoro scientifici standard, mantenendo il rigore e la verifica che definiscono la buona scienza.
Fonti
8- 01Two Room-Temperature Antiferromagnetic Semiconductor Candidates | Vals AIEN
- 02Study: Path discovered to make AI models red-flag their doubtful answersEN
- 03Novel approach to create AI slop games discoveredEN
- 04Scientists discover a human brain gene that can jump through DNAEN
- 05Internet Watch Foundation reports rise in AI child sexual abuse materialEN
- 06After bankruptcy, he was banned from betting sites. Then he discovered KalshiEN
- 07Discover AI – A Learning GuideEN
- 08Discovery for domains and evidence for incoming agentsEN
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.