تیمی از عوامل هوش مصنوعی که روی کلود اوپوس 5.5 شرکت Anthropic کار می کنند، دو ماده کاندید برای نیمه هادی های ضد فرومغناطیسی در دمای اتاق را شناسایی کرده اند، دسته ای از آهنرباها که محققان سال ها به عنوان بلوک های سازنده حافظه کامپیوتر نسل بعدی دنبال می کردند. این یافته‌ها که در 4 اکتبر در وبلاگ تحقیقاتی Vals AI توسط محقق Geby Jaff منتشر شد، یک ترکیب جدید طراحی شده و یک ماده شناخته‌شده را که برای اولین بار در سال 1999 سنتز شد، توصیف می‌کند که محاسبات دارای ویژگی‌های جستجو شده هستند.

این کار برای این دو ترکیب خاص اهمیت کمتری دارد تا آنچه در مورد هوش مصنوعی عاملی در علوم فیزیکی نشان می‌دهد: تیم کوچکی از عوامل مدل زبان، با در نظر گرفتن ابزارهای محاسباتی مناسب، جستجوی مواد را انجام دادند که به طور سنتی یک آزمایشگاه تخصصی را برای ماه‌ها اشغال می‌کرد. محاسبات کامل، کد و یک لیست صریح از هشدارهای شناخته شده در کنار نتایج منتشر شد و این پست توجه قابل توجهی را در هکر نیوز به خود جلب کرد، جایی که در عرض چند ساعت بیش از 200 امتیاز جمع آوری کرد. برای اطلاعات بیشتر در مورد چگونگی تسریع تحقیقات علمی توسط هوش مصنوعی، پوشش تحقیقاتی هوش مصنوعی ما را دنبال کنید.

چرا یافتن نیمه هادی های ضد فرومغناطیسی سخت است؟

بیشتر آهنرباهای روزمره فرومغناطیس هستند: گشتاورهای مغناطیسی اتمی همگی یک جهت را نشان می دهند و با هم جمع می شوند، به همین دلیل است که آهنربا یخچال می چسبد. ضد فرومغناطیس ها برعکس هستند. گشتاورهای اتمی همسایه در جهت مخالف قرار می گیرند و خنثی می شوند، بنابراین ماده اساساً هیچ مغناطیسی خالص از بیرون نشان نمی دهد.

هدف یک تلاش تحقیقاتی شدید بین این دو نقطه افراطی قرار دارد: موادی که خنثی کردن یک ضد فرومغناطیس را با رفتار مرتب‌سازی اسپینی یک نیمه‌رسانا ترکیب می‌کنند. در اسپینترونیک، فناوری پشت سر خواندن هارد دیسک و حافظه MRAM، اطلاعات بر اساس اسپین الکترون به جای بار الکتریکی به تنهایی ذخیره و خوانده می شود. یک ماده اسپینترونیک خوب باید الکترون ها را بر اساس جهت اسپینشان مرتب کند و نیمه هادی های ضد فرومغناطیسی قول می دهند که این کار را با میدان های مغناطیسی سرگردان نزدیک به صفر انجام دهند، که به سلول های حافظه اجازه می دهد بدون تداخل با همسایگان خود به طور متراکم بسته شوند.

موادی با این ترکیب از خواص نادر هستند و یافتن آنها تا حد زیادی از طریق آزمون و خطای شهودی در طول دهه ها انجام شده است. دو نامزد اعلام شده توسط تیم هوش مصنوعی Vals، هر دو، طبق محاسبات منتشر شده، مغناطش خالص صفر را نشان می دهند در حالی که همچنان الکترون ها را بر اساس اسپین در دمای اتاق مرتب می کنند.

تیم عامل چگونه کار می کرد

پست Vals AI این کشف را محصول همکاری بین محقق و تیمی از عوامل Claude Opus 5.5 توصیف می‌کند. یکی از نامزدها ترکیب جدیدی بود که تیم عامل از ابتدا طراحی کرد، ساختارهای غربالگری و ارزیابی محاسباتی خواص مغناطیسی و الکترونیکی آنها را انجام داد. دومی ماده ای بود که برای اولین بار در سال 1999 ساخته شد و در ادبیات به صورت بی سر و صدا قرار داشت و خواص آن قبلاً به عنوان نیمه رسانای ضد فرومغناطیسی در دمای اتاق مشخص نشده بود.

این یافته دوم الگوی تکرارشونده ای را در علم به کمک هوش مصنوعی نشان می دهد: مدل های آموزش دیده بر روی ادبیات انباشته شده در سطح اتصالاتی که متخصصان هرگز ایجاد نکرده اند موثر هستند، در واقع بازخوانی عمیق دهه ها تحقیق در مورد ماده متراکم را انجام می دهند. شناسایی مجدد یک ترکیب قدیمی به عنوان کاندیدای یک مشکل فناوری مدرن دقیقاً نوعی جستجوی کم هزینه و با اهرم بالا است که گردش کار عامل محور برای آن مناسب است.

شفافیت انتشار قابل توجه است. Vals AI محاسبات کامل، کدی که آنها را تولید کرده و فهرستی از هشدارهای شناخته شده را منتشر کرد و به جای درخواست اعتماد، نیاز به بررسی دقیق داشت. این سطح باز بودن در اعلامیه‌های هوش مصنوعی برای علم عمومیت ندارد و بررسی، بازتولید یا رد ادعا را آسان‌تر می‌کند.

پیش‌بینی، هنوز اثبات نشده است

نکته مهم این است که اینها پیش بینی های محاسباتی هستند. خواص نامزدها از محاسبات نظری ناشی می شود، نه از کریستال های رشد یافته در آزمایشگاه. پست Vals AI نتایج را به‌عنوان پیش‌بینی قاب‌بندی می‌کند و فهرست هشدارها را دقیقاً به این دلیل منتشر می‌کند که شبیه‌سازی‌ها می‌توانند از واقعیت متفاوت باشند، به‌ویژه برای مواد مغناطیسی که در آن فعل و انفعالات مبادله ظریف به جزئیات ساختاری حساس هستند.

شکاف بین پیش‌بینی‌شده و تأیید شده همان جایی است که بیشتر اکتشافات مواد محاسباتی متوقف می‌شوند. تبدیل هر یک از کاندیداها به یک نیمه هادی ضد فرومغناطیسی تایید شده در دمای اتاق نیاز به سنتز، خصوصیات ساختاری و اندازه گیری مغناطیسی دارد، کاری که تیم های عامل نمی توانند انجام دهند. اگر گروه‌های آزمایشی پیش‌بینی‌ها را تکرار کنند، نتیجه در بین ملموس‌ترین نمونه‌های عوامل هوش مصنوعی در کشف مواد قرار می‌گیرد. اگر آنها شکست بخورند، لیست هشدارها توضیح زیادی خواهد داد.

نشانه ای از اینکه تحقیقات هوش مصنوعی به کجا می رود

این قسمت به رکورد رو به رشدی از مدل‌های مرزی می‌افزاید که به کار علمی واقعی، از پیش‌بینی ساختار پروتئین تا کشف الگوریتم کمک می‌کنند. چیزی که این نتیجه را متمایز می کند چارچوب بندی عاملی است: به جای اینکه یک مدل به یک سوال پاسخ دهد، یک تیم هماهنگ از عوامل یک گردش کار جستجوی تکراری را اجرا کردند و ترکیبات را در یک جلسه طولانی طراحی، غربالگری و ارزیابی کردند.

برای آزمایشگاه‌هایی که نمی‌دانند آیا هوش مصنوعی عاملی می‌تواند هزینه‌های خود را در محیط‌های تحقیقاتی توجیه کند، اقتصاد در اینجا پیشنهاد می‌کند. یک صفحه نمایش مواد که زمانی به زمان اختصاصی کارکنان نیاز داشت، دو کاندید قابل آزمایش را تولید کرد، یکی از آنها از سال 1999 در معرض دید عموم پنهان شد. مرحله بعدی متعلق به آزمایش‌گران انسانی است و نتایج اندازه‌گیری‌های آنها نشان خواهد داد که آیا عوامل کلود اوپوس 5.5 دو ماده واقعی پیدا کردند یا دو محاسبه جالب.

از هوش مصنوعی جلوتر بمانید

از کشف مواد تا عرضه مدل، مرز به سرعت پیش می‌رود. [آخرین پیشرفت‌های هوش مصنوعی را در AI Buzz Wire دریافت کنید] (https://aibuzzwire.news)، به‌روزرسانی شبانه‌روزی.

[اخبار بیشتر هوش مصنوعی را اینجا بخوانید] (https://aibuzzwire.news).