Une équipe d'agents d'IA fonctionnant sur Claude Opus 5.5 d'Anthropic a identifié deux matériaux candidats pour les semi-conducteurs antiferromagnétiques à température ambiante, une classe d'aimants que les chercheurs recherchent depuis des années comme éléments constitutifs de la mémoire informatique de nouvelle génération. Les résultats, publiés le 4 octobre sur le blog de recherche Vals AI par le chercheur Geby Jaff, décrivent un composé nouvellement conçu et un matériau connu synthétisé pour la première fois en 1999 et que les calculs indiquent comme possédant les propriétés recherchées.

Le travail importe moins pour les deux composés spécifiques que pour ce qu’il démontre sur l’IA agentique dans les sciences physiques : une petite équipe d’agents modèles de langage, disposant des bons outils informatiques, a exécuté une recherche de matériaux qui occuperait traditionnellement un laboratoire spécialisé pendant des mois. Les calculs complets, le code et une liste explicite des mises en garde connues ont été publiés parallèlement aux résultats, et le message a attiré une attention particulière sur Hacker News, où il a rassemblé plus de 200 points en quelques heures. Pour en savoir plus sur la façon dont l’IA accélère la recherche scientifique, suivez notre couverture de la recherche sur l’IA.

Pourquoi les semi-conducteurs antiferromagnétiques sont difficiles à trouver

La plupart des aimants du quotidien sont des ferromagnétiques : les moments magnétiques atomiques pointent tous dans la même direction et s'additionnent, c'est pourquoi un aimant de réfrigérateur adhère. Les antiferromagnétiques sont le contraire. Les moments atomiques voisins pointent dans des directions opposées et s’annulent, de sorte que le matériau ne présente pratiquement aucune magnétisation nette de l’extérieur.

Entre ces deux extrêmes se trouve la cible d’un intense effort de recherche : des matériaux qui combinent l’annulation d’un antiferromagnétique avec le comportement de tri par spin d’un semi-conducteur. En spintronique, la technologie derrière les têtes de lecture des disques durs et la mémoire MRAM, les informations sont stockées et lues en fonction du spin des électrons plutôt que de la seule charge électrique. Un bon matériau spintronique doit trier les électrons en fonction de leur orientation de spin, et les semi-conducteurs antiferromagnétiques promettent de le faire avec des champs magnétiques parasites proches de zéro, ce qui permettrait aux cellules mémoire d'être remplies de manière dense sans interférer avec leurs voisines.

Les matériaux présentant cette combinaison de propriétés sont rares et leur découverte s'est largement déroulée au fil d'essais et d'erreurs faisant appel à de nombreuses intuitions au fil des décennies. Les deux candidats annoncés par l’équipe Vals AI montrent tous deux, selon les calculs publiés, une magnétisation nette nulle tout en triant les électrons par spin à température ambiante.

Comment fonctionnait l'équipe d'agents

Le billet de Vals AI décrit la découverte comme le produit d'une collaboration entre le chercheur et une équipe d'agents Claude Opus 5.5. L’un des candidats était un nouveau composé conçu par l’équipe d’agents à partir de zéro, criblant les structures et évaluant leurs propriétés magnétiques et électroniques par calcul. Le second était un matériau fabriqué pour la première fois en 1999, discret dans la littérature, dont les propriétés n'avaient pas encore été caractérisées comme semi-conductrices antiferromagnétiques à température ambiante.

Cette deuxième découverte illustre un modèle récurrent dans la science assistée par l’IA : les modèles formés à partir de la littérature accumulée sont efficaces pour faire apparaître des connexions que les spécialistes n’ont jamais établies, effectuant en fait une relecture approfondie de décennies de recherche sur la matière condensée. Réidentifier un ancien composé en tant que candidat à un problème technologique moderne est exactement le type de recherche à faible coût et à fort effet de levier auquel les flux de travail pilotés par agents sont adaptés.

La transparence du communiqué est remarquable. Vals AI a publié les calculs complets, le code qui les a produits et une liste de mises en garde connues, invitant à un examen minutieux plutôt qu'à une demande de confiance. Ce niveau d’ouverture n’est pas universel dans les annonces en faveur de l’IA pour la science, et il rend l’affirmation plus facile à vérifier, à reproduire ou à réfuter.

Prédictions, pas encore de preuve

La mise en garde essentielle est qu’il s’agit de prédictions informatiques. Les propriétés des candidats proviennent de calculs théoriques et non de cristaux cultivés en laboratoire. La publication Vals AI présente elle-même les résultats comme des prédictions et publie la liste des mises en garde précisément parce que les simulations peuvent s'écarter de la réalité, en particulier pour les matériaux magnétiques où les interactions d'échange subtiles sont notoirement sensibles aux détails structurels.

C’est dans l’écart entre les prévisions et les confirmations que stagnent la plupart des découvertes de matériaux informatiques. Transformer l’un ou l’autre candidat en un semi-conducteur antiferromagnétique vérifié à température ambiante nécessite une synthèse, une caractérisation structurelle et une mesure magnétique, un travail que les équipes d’agents ne peuvent pas effectuer. Si les groupes expérimentaux reproduisaient les prédictions, le résultat figurerait parmi les exemples les plus concrets d’agents d’IA contribuant à la découverte de matériaux ; s'ils échouent, la liste des mises en garde expliquera beaucoup de choses.

Un signe de la direction que prend la recherche sur l'IA

Cet épisode s’ajoute à un nombre croissant de modèles pionniers contribuant à de véritables travaux scientifiques, de la prédiction de la structure des protéines à la découverte d’algorithmes. Ce qui distingue ce résultat est le cadrage agentique : plutôt qu'un modèle répondant à une seule question, une équipe coordonnée d'agents a exécuté un flux de travail de recherche itératif, concevant, sélectionnant et évaluant des composés au cours d'une session prolongée.

Pour les laboratoires qui se demandent si l’IA agentique peut justifier ses coûts dans le cadre de la recherche, les aspects économiques sont ici suggestifs. Un écran de matériaux qui nécessitait autrefois du temps de personnel dédié a produit deux candidats testables, l'un d'eux se cachant à la vue de tous depuis 1999. La prochaine étape appartient aux expérimentateurs humains, et les résultats de leurs mesures montreront si les agents de Claude Opus 5.5 ont trouvé deux matériaux réels ou deux calculs intéressants.

Gardez une longueur d'avance sur l'IA

De la découverte de matériaux à la sortie de modèles, la frontière évolue rapidement. Obtenez les derniers développements de l'IA sur AI Buzz Wire, mis à jour 24 heures sur 24.

Lisez plus d'actualités sur l'IA ici.