Anthropic의 Claude Opus 5.5에서 실행되는 AI 에이전트 팀은 연구자들이 차세대 컴퓨터 메모리의 구성 요소로 수년간 추구해온 자석 종류인 상온 반강자성 반도체에 대한 두 가지 후보 재료를 식별했습니다. 연구원 Geby Jaff가 10월 4일 Vals AI 연구 블로그에 발표한 연구 결과는 새로 디자인된 화합물 하나와 1999년에 처음 합성된 알려진 물질 하나를 설명하며, 계산 결과 원하는 특성을 갖는 것으로 표시되었습니다.

이 작업은 두 가지 특정 화합물에 대한 것보다 물리 과학에서 에이전트 AI에 대해 보여주는 것보다 중요하지 않습니다. 언어 모델 에이전트로 구성된 소규모 팀은 올바른 계산 도구가 제공되어 전통적으로 몇 달 동안 전문 실험실을 차지했을 재료 검색을 실행했습니다. 전체 계산, 코드 및 알려진 주의 사항에 대한 명시적인 목록이 결과와 함께 게시되었으며 해당 게시물은 몇 시간 만에 200개 이상의 포인트를 수집한 Hacker News에서 상당한 관심을 끌었습니다. AI가 과학 연구를 어떻게 가속화하는지 자세히 알아보려면 AI 연구 보도를 따르세요.

반강자성 반도체를 찾기 어려운 이유

대부분의 일상 자석은 강자성체입니다. 원자 자기 모멘트는 모두 같은 방향을 가리키며 서로 합해지기 때문에 냉장고 자석이 달라붙습니다. 반강자성체는 그 반대이다. 인접한 원자 모멘트는 반대 방향을 가리키고 상쇄되므로 재료는 본질적으로 외부에서 순 자화를 나타내지 않습니다.

이 두 극단 사이에는 반강자성체의 상쇄와 반도체의 스핀 정렬 동작을 결합한 재료라는 집중적인 연구 노력의 목표가 있습니다. 하드 드라이브 읽기 헤드와 MRAM 메모리의 기반이 되는 기술인 스핀트로닉스에서는 전하 단독이 아닌 전자 스핀을 기반으로 정보를 저장하고 읽습니다. 좋은 스핀트로닉 물질은 스핀 방향에 따라 전자를 분류해야 하며, 반강자성 반도체는 거의 0에 가까운 표유 자기장을 사용하여 이를 수행할 수 있으며, 이를 통해 메모리 셀이 이웃 셀을 방해하지 않고 조밀하게 포장될 수 있습니다.

이러한 특성의 조합을 가진 재료는 드물며 수십 년 동안 직관이 많이 소요되는 시행착오를 통해 이러한 재료를 찾는 것이 주로 진행되었습니다. Vals AI 팀이 발표한 두 후보 모두 공개된 계산에 따르면 순 자화가 0인 동시에 실온에서 스핀을 기준으로 전자를 분류하는 것으로 나타났습니다.

상담원 팀의 업무 방식

Vals AI 게시물에서는 이 발견이 연구원과 Claude Opus 5.5 에이전트 팀 간의 협력의 산물이라고 설명합니다. 한 가지 후보는 에이전트 팀이 처음부터 설계하여 구조를 스크리닝하고 자기 및 전자 특성을 계산적으로 평가하는 새로운 화합물이었습니다. 두 번째는 1999년에 처음 만들어진 물질로, 이전에는 실온에서 반강자성 반도체 특성을 나타내지 않았던 물질이었습니다.

두 번째 발견은 AI 지원 과학에서 반복되는 패턴을 보여줍니다. 축적된 문헌에 대해 훈련된 모델은 전문가가 결코 만들지 않은 연결을 표면화하는 데 효과적이며 실제로 수십 년 동안의 응축 물질 연구를 심층적으로 다시 읽는 데 효과적입니다. 현대 기술 문제의 후보로 오래된 화합물을 재식별하는 것은 에이전트 중심 워크플로에 적합한 일종의 저비용, 활용도 높은 검색입니다.

릴리스의 투명성이 주목할 만합니다. Vals AI는 완전한 계산, 이를 생성한 코드 및 알려진 주의 사항 목록을 공개하여 신뢰를 요구하기보다는 정밀 조사를 요청했습니다. 이러한 수준의 개방성은 과학을 위한 AI 발표에서 보편적이지 않으며 주장을 확인, 재현 또는 반박하기가 더 쉬워집니다.

예측, 아직 증거는 아님

중요한 경고는 이것이 계산적 예측이라는 것입니다. 후보자의 특성은 실험실에서 성장한 결정이 아닌 이론적 계산에서 나온 것입니다. Vals AI 게시물 자체는 결과를 예측으로 구성하고 주의 사항 목록을 정확하게 게시합니다. 왜냐하면 시뮬레이션이 현실과 다를 수 있기 때문입니다. 특히 미묘한 교환 상호 작용이 구조적 세부 사항에 매우 민감한 자성 재료의 경우 더욱 그렇습니다.

예측된 것과 확인된 것 사이의 격차는 대부분의 컴퓨터 재료 발견이 정체되는 지점입니다. 두 후보 중 하나를 검증된 실온 반강자성 반도체로 바꾸려면 에이전트 팀이 할 수 없는 합성, 구조적 특성화 및 자기 측정이 필요합니다. 실험 그룹이 예측을 재현한다면 그 결과는 재료 발견에 기여하는 AI 에이전트의 가장 구체적인 사례 중 하나가 될 것입니다. 실패하면 주의 사항 목록에 많은 설명이 있을 것입니다.

AI 연구가 어디로 향하고 있는지 보여주는 신호

이 에피소드는 단백질 구조 예측에서 알고리즘 발견에 이르기까지 실제 과학 작업에 기여하는 개척 모델의 기록이 늘어나고 있습니다. 이 결과를 구별하는 것은 에이전트 프레이밍입니다. 단일 질문에 답하는 모델이 아니라 조율된 에이전트 팀이 반복적인 검색 워크플로우를 실행하여 확장된 세션에 걸쳐 화합물을 설계, 선별 및 평가했습니다.

에이전트 AI가 연구 환경에서 비용을 정당화할 수 있는지 궁금해하는 실험실의 경우 여기의 경제성은 암시적입니다. 한때 전담 직원의 시간이 필요했던 재료 화면은 두 개의 테스트 가능한 후보를 생성했으며 그 중 하나는 1999년 이후 눈에 띄지 않게 숨겨져 있었습니다. 다음 단계는 인간 실험가의 몫이며 측정 결과는 Claude Opus 5.5의 에이전트가 두 가지 실제 재료를 찾았는지 아니면 두 가지 흥미로운 계산을 찾았는지 보여줍니다.

AI보다 앞서 나가세요

재료 발견부터 모델 출시까지, 개척지는 빠르게 움직입니다. AI Buzz Wire에서 최신 AI 개발 정보를 받아보세요, 24시간 업데이트됩니다.

여기에서 더 많은 AI 뉴스를 읽어보세요.