Periodic Labs, egy mesterséges intelligenciára épülő startup, amelynek célja AI rendszerek bevonása tudományos kísérletek végrehajtásába, bemutatta Periodic Neon nevű modelljét. A cég szerint a Neon részben megerősítéses tanulással (reinforcement learning, RL) lett továbbképzett, és a finomhangolás során valós laboratóriumi berendezésekből származó adatokat használtak.
Mit teszteltek — XRD-analízis
A korai vizsgálatok során a csapat az röntgendiffrakciós (XRD) mérések elemzésének javítását célozta, amit a Periodic Labs „kritikus képességnek” nevez a felfedezési munkához. A belső értékelő készletükön („FrontierXRD”) Periodic Neon 55,3%-os sikerességi arányt ért el. Ez a Kimi 2.6 modell 2,7%-os sikerességéhez viszonyítva körülbelül 20-szoros javulást jelent.
Ezen felül a csapat általánosító képességet is vizsgált: megnézték, hogy a modell mennyire jól képes értelmezni XRD-méréseket olyan kémiai rendszerekből, amelyeket középtanítás (midtraining) és a megerősítéses tanulás során visszatartottak. Itt a Neon jól teljesített, és meghaladta olyan „frontier” modellek, például a GPT‑6 Astra és a Claude Fable 5.1 eredményeit a cég mérési metrikái szerint.
Mi az a Periodic Neon?
A Periodic Neon egy 1 billió (1 trillion) paraméteres modell, amely a cég állítása szerint „viszonylag kevés számítási erő felhasználásával felülmúlja a GPT‑6 Astra teljesítményét egy fontos tudományos elemzési feladatban”. A Neont a Kimi 2.6 modellre építették: először középtanítással (midtraining) továbbfejlesztették, majd a laboratóriumból származó adatokon megerősítéses tanulást alkalmaztak — ez a laboradat-alapú RL a Periodic megközelítés kulcsa.
A cég megjegyezte, hogy a finomhangoláshoz 1 300 H200 GPU-t használtak, ami jóval kevesebb chipeket jelent, mint amennyit tipikusan a nagy előképzéshez (10–100 ezer GPU) alkalmaznak.
A kutatási ciklus és a stratégia
Periodic Labs leírása szerint anyagfelfedezési megközelítésüket három fázisra bontják, amely ciklikusan ismétlődik: 1) feltételezésalkotás arról, hogy milyen célt (targetet) érdemes létrehozni a stabilitás és tulajdonságok előrejelzése alapján; 2) a célok szintetizálásának megtervezése; 3) a létrehozott anyagok megértése és annak megállapítása, hogy rendelkeznek‑e a kívánt tulajdonságokkal. Az eredmények alapján a hipotézis finomodik, és a kör ismétlődik.
Miért fontos ez?
A Periodic Labs megközelítése illeszkedik ahhoz az új hullámhoz, amelyben startupok megpróbálják az AI-t a tudományos munka automatizálására fordítani: ez kiterjed a anyagtudományra (Periodic Labs), az AI‑kutatás automatizálására (például Recursive, Mirendil, Discovery Loop), valamint más területekre, mint a lapka- és chipek tervezése (Ricursive). A vállalat szerint az olyan rendszerek, amelyek valós laborokból tanulnak és önálló kísérleteket hajtanak végre, felgyorsíthatják a tudományos felfedezések ütemét.
Források és további olvasnivaló
A cég saját anyagai között részletes leírás található a laboratóriumok által szolgáltatott tanulási környezetekről és a „Building Labs that Learn” illetve „Nature Is Our Learning Environment” című ismertetőkben foglalt megközelítésekről.
