Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Vals AI znajduje magnetyczne półprzewodniki z agentami Claude

Vals AI poinformowało 5 października, że agenci Claude Opus 5.5 wskazali dwa półprzewodniki antyferromagnetyczne działające w temperaturze pokojowej.

NaukaWyjaśnienieRenata PawlakOpublikowano: 5 października 20265 min czytaniaŹródła 8
Vals AI znajduje magnetyczne półprzewodniki z agentami Claude

Vals AI opublikowało szczegóły 5 października.

Firma podała, że zespół agentów Claude Opus 5.5 wskazał dwa nowe kandydatury na magnetyczne półprzewodniki. Jeden to nowy związek zaprojektowany przez AI. Drugi to materiał powstały w 1999 roku, którego wcześniej nie rozpoznano pod kątem tych właściwości. Oba mają według przewidywań zerowy magnetyzm netto przy jednoczesnym sortowaniu elektronów po spinie. Ta właściwość jest niezbędna dla pamięci komputerowych nowej generacji, zwłaszcza dla zastosowań spintronicznych, które przechowują informacje na podstawie orientacji spinu elektronu, a nie samej polaryzacji magnetycznej.

Czym antyferromagnetyki różnią się od magnesów na lodówkę

Zwykłe ferromagnetyki, jak magnes na drzwiach lodówki, mają atomy magnetyczne ustawione w tym samym kierunku. To wytwarza makroskopowe pole magnetyczne, które wydobywa się z powierzchni. Przydaje się do przytrzymywania karteczek, ale w gęstej pamięci komputerowej takie zewnętrzne pole przeszkadza. Zakłóca sąsiednie materiały i trudno je precyzyjnie kontrolować. Przełączanie stanów ferromagnetycznych jest też stosunkowo wolne i pochłania dużo energii.

Antyferromagnetyki działają inaczej. W tych materiałach sąsiednie atomy magnetyczne wskazują przeciwne kierunki, co wzajemnie znosi zewnętrzne pole magnetyczne. Brak pola makroskopowego pozwala inżynierom upakować nośniki pamięci znacznie ciaśniej, co potencjalnie daje wyższą wydajność. Zwykłe antyferromagnetyki nie odróżniają jednak elektronów o spinie w górę od tych o spinie w dół. To utrudnia odczyt i zapis informacji standardowymi technikami spintronicznymi. Kandydaci znalezieni przez zespół Vals AI zajmują osobne miejsce pomiędzy: dają gęstość upakowania i szybkość antyferromagnetyków, ale zachowują zdolność sortowania elektronów po spinie.

Vals AI udostępniło pełne obliczenia, kod i listę znanych zastrzeżeń dla obu kandydatów. Firma zaznaczyła, że materiały antyferromagnetyczne są około tysiąc razy szybsze od ferromagnetycznych w niektórych zadaniach przełączania. Ta przewaga szybkości w połączeniu z pracą w temperaturze pokojowej może istotnie wpłynąć na architekturę przyszłych układów pamięci.

AI w laboratorium mokrym

Vals AI skupia się na materiałach nieorganicznych, ale inne systemy AI mocno zaznaczają swoją obecność w naukach biologicznych. Ostatnie doniesienia branżowe pokazują trend w inżynierii białek kierowanej przez AI. Laboratorium chmurowe poświęcone inżynierii białek pod dyktando AI otrzymało niedawno 20 mln dolarów od National Science Foundation. Finansowanie ma przyspieszyć projektowanie nowych białek za pomocą modeli obliczeniowych. Związek między nauką o materiałach a biologią staje się wyraźniejszy, gdy modele AI uczą się przewidywać właściwości fizyczne w różnych dziedzinach.

W sierpniu 2026 roku Discovered Materials pozyskało 9 mln dolarów w rundzie zalążkowej, żeby przyspieszyć odkrywanie półprzewodników wspomagane AI. Firma stosuje podobne podejście agentowe do poszukiwania nowych materiałów na chipy. Ta runda następuje po inwestycji zalążkowej z lipca 2026 roku, co wskazuje na trwałe zainteresowanie inwestorów pipeline'ami odkryć napędzanymi AI. Zestawienie niedawnej publikacji Vals AI z pozyskaniem funduszy przez Discovered Materials sugeruje dojrzewający rynek narzędzi AI, które mogą zastąpić lub wspomóc tradycyjne eksperymenty metodą prób i błędów.

DeepMind także wszedł w ten obszar, z nowymi technologiami znakowania wodnego białek. Na początku października 2026 roku pojawiły się doniesienia, że DeepMind znakuje białka, żeby umożliwić weryfikację w laboratorium. To odpowiedź na rosnący problem w nauce generowanej przez AI: jak sprawdzić, czy przewidziana struktura jest prawdziwa, a nie artefaktem modelu? Wbudowując znaki wodne w projekty białek, badacze mogą prześledzić pochodzenie przewidywania do konkretnego modelu AI. To ważny krok, żeby dane biologiczne generowane przez AI stały się wiarygodne w kontekstach regulacyjnych i farmaceutycznych.

Od promptu do autonomicznego odkrycia

Projekt Vals AI opierał się na agentach Claude Opus 5.5, modelu znanym ze zdolności agentowych. AI mogła więc planować, wykonywać i weryfikować kroki w procesie bez stałej ingerencji człowieka. Firma podkreśliła, że agenci mieli projektować i znajdować materiały, a nie tylko pobierać istniejące dane. To rozróżnienie ma znaczenie. Systemy wyszukiwania znajdują to, co już wiadomo. Systemy odkrywania agentowego potrafią proponować nowe hipotezy i testować je obliczeniowo.

Inny przykład tego podejścia to metoda promptowania „Gauntlet Loop” opisana przez dewelopera w październiku 2026 roku. Polega na daniu agentowi prowadzącemu celu i wysokiej jakości przykładu referencyjnego. Agent dzieli potem pracę na małe części, przydzielając każdą budowniczemu i krytykowi. Krytyk porównuje wynik z referencją, a jeśli ten nie dorównuje, odsyła pracę z konkretnymi wskazówkami do poprawy. Pętla trwa, aż rezultat spełni wysoki próg. Metodę pokazano pierwotnie przy budowie gry w stylu Call of Duty w Three.js, ale deweloper twierdzi, że stosuje się ją do badań, kodu i designu. To praktyczny przykład, jak ustrukturyzowane promptowanie może podnieść jakość wyników AI w złożonych zadaniach.

Nie wszystkie odkrycia napędzane AI są jednak wolne od kontrowersji. Badanie kierowane przez informatyków z UC Riverside, opublikowane we wrześniu 2026 roku, wykazało, że modele AI potrafią udzielać błędnych odpowiedzi z dużą pewnością. Naukowcy zidentyfikowali w dużych modelach językowych wewnętrzne cechy powiązane osobno z pewnością i z poprawnością. To podważa założenie, że pewny model to model poprawny. Dla odkryć naukowych napędzanych AI to poważne ryzyko. Jeśli agent AI z przekonaniem przewidzi właściwość materiału, która nie istnieje w świecie fizycznym, błąd może rozprzestrzenić się w całym procesie badawczym. Zespół z UCR zasugerował, że dostrojenie tych wewnętrznych cech mogłoby uczynić modele ostrożniejszymi, gdy prawdopodobnie się mylą, co przybliża nas do bardziej niezawodnych naukowców AI.

Branża mierzy się też z problemem „AI slopu” w nauce. Gdy coraz więcej prac i przewidywań powstaje z udziałem AI, odróżnienie nowych wniosków od halucynacji staje się trudniejsze. Zespół Vals AI odpowiedział na to, publikując pełny kod i obliczenia, co pozwala na niezależną weryfikację. Ta przejrzystość staje się standardem oczekiwanym przy twierdzeniach naukowych generowanych przez AI. Nie wystarczy już podać wyniku; leżąca u jego podstaw logika i dane muszą być sprawdzalne.

Na razie odkrycie dwóch kandydatów na antyferromagnetyczne półprzewodniki działające w temperaturze pokojowej to krok w stronę praktycznych zastosowań. Te materiały mogą prowadzić do szybszej, gęstszej i bardziej energooszczędnej pamięci. Szerszy wniosek jest jednak taki, że agenci AI stają się zdolnymi partnerami w procesie odkrywania. Potrafią poruszać się po ogromnych przestrzeniach chemicznych, dostrzegać pominięte materiały i proponować nowe związki. Wyzwanie polega teraz na włączeniu tych narzędzi do standardowych procesów naukowych przy zachowaniu rygoru i weryfikacji, które definiują dobrą naukę.

Komentarze 0

Źródła

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

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Renata Pawlak

Renata Pawlak

Nauka i zdrowie

Renata Pawlak zajmuje się w FLASH24 nauką i zdrowiem, opierając teksty na publikacjach recenzowanych, komunikatach instytucji i danych źródłowych, a nie na doniesieniach bez pokrycia. Przy każdej liczbie sprawdza metodologię badania, wielkość próby i jednostki, a wyniki porównuje z wcześniejszymi pracami na ten sam temat. Czeka na comiesięczne raporty GUS i NFZ, rozmawia z lekarzami oraz fizykami, a przed publikacją pyta autorów o ograniczenia ich wniosków. Prywatnie interesuje się fizyką materiałów i obserwuje niebo przez własny teleskop, co pomaga jej czytać prace z dziedzin ścisłych. Nie publikuje niczego, czego nie może potwierdzić w co najmniej dwóch niezależnych źródłach.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.