Periodic Labs tavaly szeptemberben indult, és egy év alatt a mesterséges intelligenciát alkalmazó tudóslaborok közt gyorsan ismertté vált. Alapítói, Liam Fedus és Ekin Doğuş Çubuk, valamint a cég által összegyűjtött csapat eltérő területeken szerzett szakértelme — szilárdtest‑kémia, szilárdtest‑fizika, kísérleti munka, elmélet, hardvermérnökség és LLM‑fejlesztés — a Periodicot egyfajta multidiszciplináris kutatólabbá teszi, amelyet a szerzők Bell Labs‑hoz hasonlítanak.
Mi a céljuk?
Periodic fő küldetése a szervezet megfogalmazása szerint a „synthesis superintelligence”: olyan rendszerek kifejlesztése, amelyek megerősítéses tanulást (reinforcement learning, RL) és szimulációkat kombinálnak fizikailag végrehajtott, nagy áteresztőképességű kísérletekkel. A vállalat feltételezése az, hogy a következő áttörések nem pusztán több internetről származó adathalmaz betanításából jönnek, hanem abból, hogy a modellek kísérleteznek a valós világgal — azaz maguk végzik a laboratóriumi munkát, mérnek, jellemzik és iterálnak.
Hogyan különbözik ez a szoftver‑AI fejlesztéstől?
Fedus és Çubuk hangsúlyozzák, hogy a fizikai világ környezetében az RL‑feladatok forrása maga a labor: az ügynökök valós kísérleti adatokat kapnak, amelyek zajosak, részlegesek és néha megtévesztőek. Míg matematikai vagy kódolási feladatoknál magas pontossággal dolgozhatunk, a kísérleti munkában gyakori a műszeres eltérés, a nem egységes hőmérséklet egy kemencében, instrumentális vibrációk, vagy a telemetria hiányosságai. Az intelligens rendszereknek meg kell tanulniuk ezek között a bizonytalanságok között dönteni és hatékonyan felhasználni korlátozott adatot — tehát a mintahatékonyság (sample efficiency) kulcskérdés.
Az anyagfelfedezés záróköre: jósolás, szintézis, jellemzés
A Periodic megközelítése a következő lépésekből áll: 1) mit érdemes megpróbálni előállítani (stabilitás és várt tulajdonságok), 2) hogyan lehet fizikailag szintetizálni az anyagot — ez önmagában gyakran nem triviális — és 3) mit sikerült valóban előállítani, amit jellemzéssel kell meghatározni. A cég különösen nagy hangsúlyt helyezett az automatikus jellemzésre (például röntgendiffrakciós, XRD‑minták automatizált értelmezése), mert ha nagyszámú kísérletet futtatnak, gyorsan jellemzés‑szűk keresztmetszetbe ütköznek.
Fedus elmagyarázta, hogy a megerősítéses tanulásnál a jutalomfüggvények tervezése a zajos kimenetek — például vegyes fázisok XRD‑mintái — miatt nehezebb. Egy hasznos megközelítés: olyan RL‑környezetek építése, amelyek jutalmazzák a jelen lévő fázisok helyes azonosítását és büntetik a kémiai szempontból valószínűtlen találatokat.
Miért maradnak a kísérletek végső igazságnak?
Bár a fizika törvényei nagy részét ismerjük, ez nem jelenti azt, hogy tökéletes, univerzális szimulátoraink lennének a komplex, makroszkopikus anyagrendszerekre. Kihívások: erős elektronkorrelációk, mikrostruktúra hatások, kinetikai különbségek és a DFT (density functional theory) korlátai bizonyos rendszereknél. A DFT erős és gyakran használt eszköz (például a képződési entalpia becslésére), de nem minden problémára ad megbízható választ; a laboratóriumi kísérletek továbbra is szükségesek, különösen akkor, ha a makroszkopikus mikrostruktúra határozza meg a tulajdonságot.
Fázisátmenetek, XRD és multimodális jellemzés
A fázisátmenetek (például szilárd ↔ folyékony, vagy mágneses rendeződés) erős jelzéseket adhatnak a jellemzésben: ha egy kristályszerkezet jelentősen megváltozik, az XRD‑minta jellegzetesen módosul. Ugyanakkor kísérleti kampányokban gyakori a kevert fázis, amorf komponensek és váratlan szennyeződések. Ezért a multimodális mérés (XRD mellett elektromos, mágneses mérések, elektronmikroszkópia stb.) és a kémiai/thermodinamikai priorként használt ismeretek kombinálása segít a feloldásban. Az AI alkalmas arra, hogy több instrumentum jelét hosszanti (longitudinal) módon összekapcsolja és jobb döntésekhez jusson.
Telemetria és az információs korlátok
Bár fizikailag több információ létezik egy kísérletben, mint amit ember képes rögzíteni (az „Isten megfigyelése” analógia), a valós gyakorlatban a laborok igyekeznek minél több szenzort és telemetriát elhelyezni, hogy csökkentsék a rejtett változók számát. A Periodic sokféle adatot archivál: kísérleti naplók, beszélgetések, számítási futások és hardveres események mind beleszámítanak a tanulási „szálakba”.
Szimulációk és DFT a gyakorlatban
A Periodic olyan helyzeteket használ, ahol számításban egyszerűbb vagy pontosabb megoldás érhető el, másutt pedig a kísérlet az egyetlen megbízható forrás. DFT a legtöbbször használt eszköz a képződési entalpia és stabilitás becslésére; ugyanakkor DFT‑t is kell kalibrálni kísérleti adatokkal bizonyos rendszerekben. A szimulációk és kísérletek kombinálásával jobb „szűrőt” lehet létrehozni, amelyből csak a legígéretesebb jelöltek kerülnek fizikailag megvalósításra.
„140 IQ” minden berendezésre — automatizáció és intelligens adatgyűjtés
A Periodic célja, hogy a laboratóriumi eszközök szoftveres és MI‑rétegekkel rendelkezzenek: az intelligens adatgyűjtés a mérés pillanatában csökkenti a jövőbeli rejtett zajt és növeli az adatok hasznosságát a modellek számára. Gyakorlati megfontolások: késleltetés (latency) — ha a felhőhívás lassú a gépi kontroll számára — valamint költség és számítási intenzitás. Nem minden feladatot érdemes teljesen humanoid robotokkal megoldani; a Periodic pragmatikusan választja ki, mely ismétlődő, rutinszerű lépéseket érdemes automatizálni a leghatékonyabb zajcsökkentés érdekében.
Negatív eredmények és a tudományi folyamat tanítása
A cég nagy hangsúlyt fektet a negatív eredmények gyűjtésére, mert ML‑klasszifikátorokhoz és RL‑feladatokhoz szükséges a pozitív és negatív minták egyaránt. A szakirodalom jellemzően pozitív eredményeket publikál, ezért a belső, teljes kísérleti sorozatok (beleértve a kudarcokat is) különösen értékesek. Fontos érvelésük: nem csak a végső eredményre kell tanítani a modelleket, hanem a teljes, időben kiterjedt folyamatra — a kampányokra, a megszületett döntések láncolatára és a közbeeső kísérleti lépésekre.
Milyen „álomanyagok” érdeklik őket?
A Periodic említette a szobahőmérsékletű szupravezetőket, jobb mágneseket (kevesebb ritkaföldfém‑igénnyel), jobb akkumulátoranyagokat (például kevesebb kobalt‑igény), és a számítástechnikai energiahatékonyság javítását (a Landauer‑limit közelébe kerülés). Ugyanakkor a csapat óvatos a kvantumszámítógéppel szemben mint „mindenre gyógyír” — a kvantumszámítógépek is obey termodinamikai és gyakorlati korlátokat, és a szintetikus, mikrostruktúra‑függő problémákat önmagukban nem feltétlenül oldják meg.
Skálázás: több labor, egyre több automatizáció és saját hardver
Periodic jelenleg Menlo Parkból működik, de a jövőben hálózatosan tervezik a laborok kiterjesztését: más földrajzi egységek szakértelme és engedélyezési szempontok alapján. A skálázás része a saját hardver fejlesztése is: az off‑the‑shelf eszközök helyett egyre több komponensnél saját mérnöki megoldásra térnek át, hogy sebességet és adatminőséget javítsanak. Ezen felül ipari együttműködésekre, „forward‑deployed engineering” munkára is számítanak: ügyfeleiknél helyben telepített csapatok integrálják a Periodic rendszereit a gyártási vagy fejlesztési folyamatokba.
A csapat és nyílt források
A Periodic hangsúlyozza a gyakorlati, kézben végzett munkát: vezetők és elméleti szakemberek is aktívan részt vesznek a laboratóriumi munkában. A szervezet nyílt forráskódú hozzájárulásokat is tesz (például PyTorch‑hoz, anyagszimulációs eszközökhöz), támogat akadémiai kutatásokat és kutatói ösztöndíjakat.
Záró gondolat: növelni a „szerencse felületét”
A Periodic filozófiája szerint a sikeres anyagfelfedezéshez nem elég az elmélet vagy a számítás — szükség van arra, hogy a modellek kísérletezzenek a valós világgal és az automatizált laborokkal nagyobb mennyiségű, magas minőségű és multimodális adatot állítsanak elő. Ha az automatizált infrastruktúrát és a tanulási környezetet skálázzák, akkor az ismétlések száma megnő, és ez gyakorlatilag megnöveli a „surface area for luck” — vagyis a véletlen szerencsés felfedezések lehetőségét.
Timestamps felvételről (a cikk anyagából kiemelve): 00:00:00 bemutatkozás; 00:02:49 AI és RL a fizikai világban; 00:09:17 end‑to‑end anyagfelfedezési kör; 00:13:28 miért nincs „kész” a fizika; 00:19:04 a matter compiler és AI‑jellemzés; 00:30:22 DFT és kísérleti ground truth; 00:42:27 álomanyagok és kvantumszámítás; 00:45:57 a "140 IQ" az eszközökön; 00:50:02 labor automatizálása; 00:53:16 adat, modellek és negatív eredmények; 00:58:13 a tudomány folyamatára való tanítás; 01:00:20 miért kell a frontier modelleknek kísérletezni; 01:06:06 laborok skálázása; 01:10:45 csapatépítés és ipari telepítés; 01:20:57 szupravezetők keresésének automatizálása.
(Kiemelt személyek az interjúból: Liam Fedus, Ekin Doğuş Çubuk; a beszélgetőpartnerek: swyx és Brandon.)
