ทีมงานเอเจนต์ AI ที่ทำงานบน Claude Opus 5.5 ของ Anthropic ได้ระบุวัสดุสองชนิดที่อาจใช้สำหรับเซมิคอนดักเตอร์ต้านเหล็กแม่เหล็กไฟฟ้าที่อุณหภูมิห้อง ซึ่งเป็นแม่เหล็กประเภทหนึ่งที่นักวิจัยใช้มานานหลายปีเป็นส่วนประกอบสำคัญของหน่วยความจำคอมพิวเตอร์รุ่นต่อไป ผลการวิจัยซึ่งตีพิมพ์เมื่อวันที่ 4 ตุลาคมในบล็อกการวิจัย Vals AI โดยนักวิจัย Geby Jaff กล่าวถึงสารประกอบที่ออกแบบใหม่หนึ่งรายการและวัสดุหนึ่งที่รู้จักสังเคราะห์ขึ้นครั้งแรกในปี 1999 ซึ่งการคำนวณระบุว่ามีคุณสมบัติที่เป็นที่ต้องการ

งานมีความสำคัญน้อยกว่าสำหรับสารประกอบทั้งสองชนิดมากกว่าสิ่งที่แสดงให้เห็นเกี่ยวกับเอเจนต์เอไอในวิทยาศาสตร์กายภาพ: ทีมตัวแทนโมเดลภาษากลุ่มเล็กๆ ที่ได้รับเครื่องมือคำนวณที่เหมาะสม ดำเนินการค้นหาวัสดุซึ่งเดิมทีจะใช้ห้องทดลองเฉพาะทางเป็นเวลาหลายเดือน การคำนวณทั้งหมด โค้ด และรายการคำเตือนที่ชัดเจนได้รับการเผยแพร่ควบคู่ไปกับผลลัพธ์ และโพสต์ดังกล่าวได้รับความสนใจอย่างมากจาก Hacker News ซึ่งรวบรวมคะแนนได้มากกว่า 200 คะแนนภายในไม่กี่ชั่วโมง หากต้องการข้อมูลเพิ่มเติมว่า AI เร่งการวิจัยทางวิทยาศาสตร์อย่างไร โปรดติดตามการรายงานข่าวการวิจัย AI ของเรา

เหตุใดสารกึ่งตัวนำแบบแอนติเฟอโรแมกเนติกจึงหายาก

แม่เหล็กในชีวิตประจำวันส่วนใหญ่เป็นเฟอร์โรแม่เหล็ก: โมเมนต์แม่เหล็กของอะตอมล้วนชี้ไปในทิศทางเดียวกันแล้วบวกเข้าด้วยกัน ซึ่งเป็นเหตุผลว่าทำไมแม่เหล็กติดตู้เย็นจึงเกาะติด Antiferromagnets เป็นสิ่งที่ตรงกันข้าม โมเมนต์อะตอมที่อยู่ใกล้เคียงจะชี้ไปในทิศทางตรงกันข้ามและตัดกัน ดังนั้นวัสดุจึงแสดงว่าไม่มีการดึงดูดสุทธิจากภายนอก

ระหว่างจุดสุดโต่งทั้งสองนี้มีเป้าหมายของความพยายามในการวิจัยที่เข้มข้น นั่นคือวัสดุที่รวมการยกเลิกแอนติเฟอร์โรแมกเน็ตเข้ากับพฤติกรรมการเรียงลำดับสปินของเซมิคอนดักเตอร์ ใน Spintronics ซึ่งเป็นเทคโนโลยีที่อยู่เบื้องหลังหัวอ่านฮาร์ดไดรฟ์และหน่วยความจำ MRAM ข้อมูลจะถูกจัดเก็บและอ่านตามการหมุนของอิเล็กตรอน แทนที่จะใช้ประจุไฟฟ้าเพียงอย่างเดียว วัสดุสปินทรอนิกที่ดีจะต้องจัดเรียงอิเล็กตรอนตามการวางแนวการหมุนของพวกมัน และเซมิคอนดักเตอร์แบบแอนติเฟอร์โรแมกเนติกสัญญาว่าจะทำเช่นนี้กับสนามแม่เหล็กหลงทางที่ใกล้ศูนย์ ซึ่งจะทำให้เซลล์หน่วยความจำถูกอัดแน่นโดยไม่รบกวนเพื่อนบ้าน

วัสดุที่มีคุณสมบัติรวมกันนี้หาได้ยาก และการค้นหาพวกมันส่วนใหญ่ผ่านการลองผิดลองถูกที่ต้องใช้สัญชาตญาณอย่างหนักตลอดหลายทศวรรษ ผู้สมัครสองคนที่ประกาศโดยทีมงาน Vals AI แสดงให้เห็นว่า ตามการคำนวณที่เผยแพร่ แม่เหล็กสุทธิเป็นศูนย์ ในขณะที่ยังคงเรียงลำดับอิเล็กตรอนด้วยการหมุนที่อุณหภูมิห้อง

ทีมตัวแทนทำงานอย่างไร

โพสต์ของ Vals AI อธิบายถึงการค้นพบนี้ว่าเป็นผลงานจากความร่วมมือระหว่างนักวิจัยและทีมตัวแทนของ Claude Opus 5.5 ผู้สมัครรายหนึ่งคือสารประกอบใหม่ที่ทีมตัวแทนออกแบบตั้งแต่เริ่มต้น คัดกรองโครงสร้างและประเมินคุณสมบัติทางแม่เหล็กและอิเล็กทรอนิกส์ด้วยการคำนวณ อย่างที่สองคือวัสดุที่ผลิตขึ้นครั้งแรกในปี 1999 โดยนั่งเงียบๆ ในวรรณกรรม ซึ่งก่อนหน้านี้คุณสมบัติไม่เคยถูกกำหนดให้เป็นเซมิคอนดักเตอร์ต้านเฟอร์โรแมกเนติกที่อุณหภูมิห้อง

การค้นพบครั้งที่สองนั้นแสดงให้เห็นถึงรูปแบบที่เกิดซ้ำในวิทยาศาสตร์ที่ได้รับความช่วยเหลือจาก AI: แบบจำลองที่ได้รับการฝึกอบรมเกี่ยวกับวรรณกรรมที่สะสมไว้นั้นมีประสิทธิภาพในการแสดงการเชื่อมต่อที่ผู้เชี่ยวชาญไม่เคยทำ ส่งผลให้สามารถอ่านซ้ำงานวิจัยเรื่องย่อที่เข้มข้นมานานหลายทศวรรษ การระบุสารประกอบเก่าอีกครั้งเพื่อเป็นตัวเลือกสำหรับปัญหาเทคโนโลยีสมัยใหม่นั้นเป็นการค้นหาที่มีต้นทุนต่ำและมีประสิทธิภาพสูงซึ่งเวิร์กโฟลว์ที่ขับเคลื่อนด้วยเอเจนต์เหมาะสมอย่างยิ่ง

ความโปร่งใสของการเปิดเผยข่าวเป็นเรื่องที่น่าสังเกต Vals AI เผยแพร่การคำนวณทั้งหมด รหัสที่ผลิต และรายการคำเตือนที่ทราบ เชิญชวนให้มีการตรวจสอบอย่างละเอียดแทนที่จะขอความไว้วางใจ ระดับของการเปิดกว้างนั้นไม่เป็นสากลในการประกาศเกี่ยวกับ AI สำหรับวิทยาศาสตร์ และทำให้การกล่าวอ้างนั้นง่ายต่อการตรวจสอบ ทำซ้ำ หรือหักล้าง

การคาดการณ์ยังไม่พิสูจน์

ข้อแม้ที่สำคัญคือสิ่งเหล่านี้เป็นการคาดการณ์ทางคอมพิวเตอร์ คุณสมบัติของผู้สมัครมาจากการคำนวณทางทฤษฎี ไม่ใช่จากคริสตัลที่ปลูกในห้องปฏิบัติการ AI ของ Vals โพสต์ตัวเองวางกรอบผลลัพธ์เป็นการคาดการณ์และเผยแพร่รายการคำเตือนอย่างแม่นยำ เนื่องจากการจำลองสามารถแตกต่างจากความเป็นจริง โดยเฉพาะอย่างยิ่งสำหรับวัสดุแม่เหล็กที่ปฏิสัมพันธ์การแลกเปลี่ยนที่ละเอียดอ่อนมีความอ่อนไหวต่อรายละเอียดโครงสร้างอย่างฉาวโฉ่

ช่องว่างระหว่างการคาดการณ์และการยืนยันคือจุดที่การค้นพบวัสดุทางคอมพิวเตอร์ส่วนใหญ่หยุดชะงัก การเปลี่ยนผู้สมัครรายใดรายหนึ่งให้กลายเป็นเซมิคอนดักเตอร์ต้านเฟอโรแมกเนติกที่อุณหภูมิห้องที่ผ่านการตรวจสอบแล้ว จำเป็นต้องมีการสังเคราะห์ ลักษณะเฉพาะของโครงสร้าง และการวัดทางแม่เหล็ก ซึ่งเป็นงานที่ทีมตัวแทนไม่สามารถทำได้ หากกลุ่มทดลองทำซ้ำการคาดการณ์ ผลลัพธ์ที่ได้จะจัดอันดับเป็นหนึ่งในตัวอย่างที่เป็นรูปธรรมที่สุดของตัวแทน AI ที่มีส่วนร่วมในการค้นพบวัสดุ หากล้มเหลว รายการคำเตือนจะอธิบายได้มากมาย

สัญญาณที่บ่งบอกว่าการวิจัย AI กำลังมุ่งหน้าไปทางใด

ในตอนนี้ได้เพิ่มบันทึกที่เพิ่มมากขึ้นของแบบจำลองชายแดนที่เอื้อต่องานทางวิทยาศาสตร์อย่างแท้จริง ตั้งแต่การทำนายโครงสร้างโปรตีนไปจนถึงการค้นพบอัลกอริทึม สิ่งที่ทำให้ผลลัพธ์นี้แตกต่างออกไปคือการวางกรอบเอเจนต์: แทนที่จะเป็นโมเดลที่ตอบคำถามเดียว ทีมตัวแทนที่ได้รับการประสานงานใช้เวิร์กโฟลว์การค้นหาซ้ำ ออกแบบ คัดกรอง และประเมินสารประกอบในเซสชันที่ขยายออกไป

สำหรับห้องปฏิบัติการที่สงสัยว่า AI แบบตัวแทนสามารถลดต้นทุนในการตั้งค่าการวิจัยได้หรือไม่ เศรษฐศาสตร์ในที่นี้เป็นเพียงข้อบ่งชี้เท่านั้น การคัดกรองวัสดุที่ครั้งหนึ่งเคยต้องใช้เวลาของพนักงานโดยเฉพาะทำให้เกิดผู้สมัครที่สามารถทดสอบได้สองคน หนึ่งในนั้นซ่อนตัวอยู่ในที่โล่งตั้งแต่ปี 1999 ขั้นตอนต่อไปเป็นของผู้ทดลองที่เป็นมนุษย์ และผลลัพธ์ของการวัดจะแสดงให้เห็นว่าตัวแทนของ Claude Opus 5.5 พบวัสดุจริงสองรายการหรือการคำนวณที่น่าสนใจสองรายการ

ก้าวนำหน้า AI

ตั้งแต่การค้นพบวัสดุไปจนถึงการเปิดตัวโมเดล ขอบเขตที่ก้าวไปอย่างรวดเร็ว รับการพัฒนา AI ล่าสุดบน AI Buzz Wire อัปเดตตลอดเวลา

อ่านข่าว AI เพิ่มเติมได้ที่นี่