跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

Vals AI 用 Claude 智能体找到磁性半导体

Vals AI 于 10 月 5 日报告,Claude Opus 5.5 智能体识别出两种室温反铁磁半导体。

科学解释郑雪莉发布: 2026年10月5日5 分钟阅读资料来源 8
Vals AI 用 Claude 智能体找到磁性半导体

Vals AI 于 10 月 5 日公布了细节。

该公司表示,一组 Claude Opus 5.5 智能体识别出两种新的磁性半导体候选材料。其中一种是由 AI 设计的新化合物,另一种是 1999 年就已合成、但此前并未被发现具有这些特定性质的材料。据预测,两者在按自旋对电子进行分类时,净磁性均为零。这一性质对下一代计算机存储器至关重要,尤其是对自旋电子学应用而言,这类应用依据电子自旋取向而非仅凭磁极性来存储信息。

反铁磁体与冰箱贴有何不同

常见的铁磁体,比如冰箱门上的磁贴,其原子磁矩全都指向同一方向。这会产生一个从表面泄漏到外部的宏观磁场。这个外部磁场用来吸住便签很方便,但在高密度计算机存储器中却是个麻烦。它会干扰附近的材料,而且很难精确控制。切换铁磁态的速度也相对较慢,耗电较多。

反铁磁体的工作方式不同。在这类材料中,相邻的原子磁矩指向相反方向,从而抵消了外部磁场。由于没有宏观磁场,工程师可以把存储器件排得密得多,有可能实现更高的性能。然而,普通反铁磁体无法区分自旋向上和自旋向下的电子。因此,用标准的自旋电子学技术很难读取或存储信息。Vals AI 团队找到的候选材料处于一个独特的中间位置:它们具备反铁磁体的堆积密度和速度,同时保留了按自旋对电子分类的能力。

Vals AI 公布了两种候选材料的完整计算、代码以及已知问题的清单。该公司指出,在某些切换任务上,反铁磁材料比对应的铁磁材料快约一千倍。这一速度优势,加上能在室温下工作,可能会显著影响未来存储器的架构。

湿实验室里的 AI

Vals AI 专注于无机材料,而其他 AI 系统正在生物科学领域引起关注。近期行业新闻显示出 AI 主导蛋白质工程的趋势。一个专门从事 AI 主导蛋白质工程的云实验室最近从美国国家科学基金会获得了 2000万美元。这笔资金旨在加快利用计算模型设计新蛋白质。随着 AI 模型学会跨领域预测物理性质,材料科学与生物学之间的联系正变得越来越清晰。

2026 年 8 月,Discovered Materials 完成了 900万美元的种子轮融资,以加快 AI 驱动的半导体材料发现。该公司采用类似的智能体方法来寻找新的芯片材料。这轮融资延续了 2026 年 7 月的一笔种子投资,表明投资者对 AI 驱动的发现流程持续感兴趣。Vals AI 最近的发布与 Discovered Materials 的融资之间的相似之处,说明能够替代或增强传统试错实验的 AI 工具市场正在走向成熟。

DeepMind 也带着新的蛋白质水印技术进入了这一领域。2026 年 10 月初,有报道称 DeepMind 为蛋白质添加水印,以便实验室进行验证。此举回应了 AI 生成科学中一个日益突出的担忧:我们如何验证一个预测结构是真实的,而不是模型的产物?通过在蛋白质设计中嵌入水印,研究人员可以把一项预测的来源追溯到某个具体的 AI 模型。这是让 AI 生成的生物数据在监管和制药场景中变得可信的关键一步。

从提示到自主发现

Vals AI 的项目依赖 Claude Opus 5.5 智能体,这是一个以智能体能力著称的模型。这意味着 AI 可以在无需持续人工干预的情况下规划、执行并验证工作流程中的各个步骤。该公司强调,这些智能体接到的任务是设计和寻找材料,而不仅仅是检索已有数据。这一区别很重要。检索系统找到的是已知的东西,而智能体发现系统能够提出新假设并通过计算加以检验。

这种智能体方法的另一个例子,是一位开发者在 2026 年 10 月描述的「Gauntlet Loop」提示方法。这种方法给主智能体一个目标和一份高质量的参考示例。随后智能体把工作拆成小块,每一块交给一个构建者和一个评审者。评审者把输出与参考示例对比,如果不达标,就带着具体的改进要求把工作退回。这个循环一直持续到结果达到高标准为止。虽然该方法最初是在 Three.js 中构建一款《使命召唤》风格的游戏时演示的,但这位开发者认为它同样适用于研究、代码和设计。这是一个实际例子,说明结构化提示如何在复杂任务中提升 AI 输出的质量。

不过,并非所有 AI 驱动的发现都没有争议。加州大学河滨分校计算机科学家领导的一项研究于 2026 年 9 月发表,发现 AI 模型可能以很高的置信度给出错误答案。研究人员在大语言模型中识别出分别与置信度和正确性相关的内部特征。这挑战了「有信心的模型就是正确的模型」这一假设。对 AI 驱动的科学发现来说,这是一个重大风险。如果 AI 智能体自信地预测了一种在物理世界中并不存在的材料性质,这个错误可能会在研究流程中传播下去。UCR 团队建议,调节这些内部特征可以让模型在很可能出错时更加谨慎,这是迈向更可靠的 AI 科学家的一步。

这一领域还在应对科学中的「AI 垃圾」问题。随着越来越多的论文和预测由 AI 生成,区分新见解与幻觉变得更加困难。Vals AI 团队通过公布完整代码和计算来应对这一点,让独立验证成为可能。这种透明度正在成为 AI 生成科学主张的一项标准期待。仅仅给出结果已经不够,背后的逻辑和数据必须可供检查。

目前,找到两种室温反铁磁半导体候选材料是迈向实际应用的一步。这些材料可能带来更快、更密、更节能的存储器。但更广泛的含义在于,AI 智能体正在成为发现过程中有能力的伙伴。它们能在广阔的化学空间中搜索,找出被忽视的材料,并提出新化合物。现在的挑战是把这些工具整合进标准科学流程,同时保持界定优秀科学的那份严谨与验证。

评论 0

资料来源

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

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

郑雪莉

郑雪莉

科学与健康

郑雪莉负责FLASH24科学与健康版块,日常从论文预印本、期刊官网和机构通报中抓取信息,只盯数据来源和实验设计是否站得住。她习惯把每项统计数字与原始数据集交叉比对,遇到百分比先算清分母再决定是否采用。她常联系一线研究人员核实细节,也会在日历上标记大型队列研究的发布节点,提前比对不同团队的结果。私下她学材料物理,还自己架望远镜观测,这让她对测量误差和观测条件格外敏感。她有一条硬规矩:样本量、利益冲突或方法说明缺一项,稿子就不发。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。