Ein Team von KI-Agenten, die auf dem Claude Opus 5.5 von Anthropic laufen, hat zwei Kandidatenmaterialien für antiferromagnetische Halbleiter bei Raumtemperatur identifiziert, eine Klasse von Magneten, die Forscher seit Jahren als Bausteine ​​für Computerspeicher der nächsten Generation verfolgen. Die Ergebnisse, die der Forscher Geby Jaff am 4. Oktober im Vals AI-Forschungsblog veröffentlichte, beschreiben eine neu entwickelte Verbindung und ein bekanntes Material, das erstmals 1999 synthetisiert wurde und den Berechnungen zufolge die gesuchten Eigenschaften aufweist.

Die Arbeit ist weniger für die beiden spezifischen Verbindungen von Bedeutung als für das, was sie über agentische KI in den Naturwissenschaften zeigt: Ein kleines Team von Sprachmodellagenten führte mit den richtigen Rechenwerkzeugen eine Materialsuche durch, die traditionell ein Speziallabor monatelang in Anspruch nehmen würde. Die vollständigen Berechnungen, der Code und eine explizite Liste bekannter Vorbehalte wurden zusammen mit den Ergebnissen veröffentlicht, und der Beitrag erregte große Aufmerksamkeit bei Hacker News, wo er innerhalb weniger Stunden mehr als 200 Punkte sammelte. Weitere Informationen darüber, wie KI die wissenschaftliche Forschung beschleunigt, finden Sie in unserer Berichterstattung über KI-Forschung.

Warum antiferromagnetische Halbleiter schwer zu finden sind

Die meisten alltäglichen Magnete sind Ferromagnete: Die atomaren magnetischen Momente zeigen alle in die gleiche Richtung und addieren sich, weshalb ein Kühlschrankmagnet haftet. Antiferromagnete sind das Gegenteil. Benachbarte Atommomente zeigen in entgegengesetzte Richtungen und heben sich auf, sodass das Material von außen im Wesentlichen keine Nettomagnetisierung aufweist.

Zwischen diesen beiden Extremen liegt das Ziel intensiver Forschungsanstrengungen: Materialien, die die Aufhebung eines Antiferromagneten mit dem Spinsortierungsverhalten eines Halbleiters kombinieren. Bei der Spintronik, der Technologie hinter Festplatten-Leseköpfen und MRAM-Speichern, werden Informationen auf der Grundlage des Elektronenspins und nicht allein auf der Grundlage elektrischer Ladung gespeichert und gelesen. Ein gutes spintronisches Material muss Elektronen nach ihrer Spinorientierung sortieren, und antiferromagnetische Halbleiter versprechen, dies mit nahezu null Streumagnetfeldern zu erreichen, wodurch Speicherzellen dicht gepackt werden könnten, ohne ihre Nachbarn zu stören.

Materialien mit dieser Kombination von Eigenschaften sind selten, und ihre Suche erfolgte über Jahrzehnte hinweg größtenteils durch intuitionsintensive Versuche und Irrtümer. Die beiden vom Vals AI-Team angekündigten Kandidaten weisen den veröffentlichten Berechnungen zufolge beide eine Nettomagnetisierung von Null auf, während sie bei Raumtemperatur immer noch Elektronen nach Spin sortieren.

Wie das Agententeam arbeitete

Der Vals AI-Beitrag beschreibt die Entdeckung als das Produkt einer Zusammenarbeit zwischen dem Forscher und einem Team von Claude Opus 5.5-Agenten. Ein Kandidat war eine neue Verbindung, die das Agententeam von Grund auf entwickelt hatte, um Strukturen zu überprüfen und ihre magnetischen und elektronischen Eigenschaften rechnerisch zu bewerten. Beim zweiten handelte es sich um ein Material, das erstmals 1999 hergestellt wurde und in der Fachliteratur stillschweigend existierte und dessen Eigenschaften zuvor nicht als antiferromagnetisch halbleitend bei Raumtemperatur beschrieben wurden.

Dieser zweite Fund verdeutlicht ein wiederkehrendes Muster in der KI-gestützten Wissenschaft: Modelle, die auf der gesammelten Literatur trainiert wurden, sind effektiv darin, Verbindungen aufzudecken, die Spezialisten nie hergestellt haben, und führen somit eine tiefgreifende Neuinterpretation jahrzehntelanger Forschung zu kondensierter Materie durch. Die erneute Identifizierung einer alten Verbindung als Kandidat für ein modernes Technologieproblem ist genau die Art von kostengünstiger Suche mit hoher Hebelwirkung, für die agentengesteuerte Arbeitsabläufe geeignet sind.

Bemerkenswert ist die Transparenz der Veröffentlichung. Vals AI veröffentlichte die vollständigen Berechnungen, den Code, mit dem sie erstellt wurden, und eine Liste bekannter Vorbehalte, die eher zur genaueren Prüfung als zur Bitte um Vertrauen einladen. Dieses Maß an Offenheit ist bei Ankündigungen zu KI für die Wissenschaft nicht überall anzutreffen und macht es einfacher, die Behauptung zu überprüfen, zu reproduzieren oder zu widerlegen.

Vorhersagen, noch kein Beweis

Der entscheidende Vorbehalt besteht darin, dass es sich hierbei um rechnerische Vorhersagen handelt. Die Eigenschaften der Kandidaten stammen aus theoretischen Berechnungen, nicht aus im Labor gezüchteten Kristallen. Der Vals AI-Beitrag selbst stellt die Ergebnisse als Vorhersagen dar und veröffentlicht die Vorbehaltsliste genau deshalb, weil Simulationen von der Realität abweichen können, insbesondere bei magnetischen Materialien, bei denen subtile Austauschwechselwirkungen notorisch empfindlich auf strukturelle Details reagieren.

Die Lücke zwischen vorhergesagt und bestätigt ist der Punkt, an dem die meisten rechnergestützten Materialentdeckungen ins Stocken geraten. Um einen der Kandidaten in einen verifizierten antiferromagnetischen Halbleiter bei Raumtemperatur umzuwandeln, sind Synthese, Strukturcharakterisierung und magnetische Messung erforderlich – Arbeit, die Agententeams nicht leisten können. Wenn experimentelle Gruppen die Vorhersagen wiederholen, würde das Ergebnis zu den konkretesten Beispielen für KI-Agenten zählen, die zur Materialentdeckung beitragen; Wenn sie scheitern, wird die Vorbehaltsliste vieles erklären.

Ein Zeichen dafür, wohin die KI-Forschung geht

Die Folge trägt zu einer wachsenden Zahl von Grenzmodellen bei, die zu echten wissenschaftlichen Arbeiten beitragen, von der Vorhersage der Proteinstruktur bis zur Entdeckung von Algorithmen. Was dieses Ergebnis auszeichnet, ist der Agentenrahmen: Anstelle eines Modells, das eine einzelne Frage beantwortet, führte ein koordiniertes Team von Agenten einen iterativen Suchworkflow durch und entwarf, überprüfte und bewertete Verbindungen über eine längere Sitzung.

Für Labore, die sich fragen, ob sich die Kosten der Agenten-KI in Forschungsumgebungen rechtfertigen lassen, sind die wirtschaftlichen Aspekte hier aufschlussreich. Ein Materialscreening, das einst engagierte Mitarbeiterarbeit erforderte, brachte zwei testbare Kandidaten hervor, von denen sich einer seit 1999 in aller Öffentlichkeit versteckte. Der nächste Schritt liegt bei menschlichen Experimentatoren, und die Ergebnisse ihrer Messungen werden zeigen, ob die Agenten von Claude Opus 5.5 zwei echte Materialien oder zwei interessante Berechnungen gefunden haben.

Bleiben Sie der KI immer einen Schritt voraus

Von der Materialentdeckung bis zur Modellveröffentlichung – die Grenzen verschieben sich schnell. Erhalten Sie die neuesten KI-Entwicklungen auf AI Buzz Wire, rund um die Uhr aktualisiert.

Lesen Sie hier weitere KI-Neuigkeiten.