The Pulse

Periodic Labs impiega il modello Neon da 1T di parametri nei suoi laboratori dedicati ai materiali

Il modello Neon da 1T di parametri di Periodic Labs analizza ora risultati complessi di diffrazione a raggi X provenienti dai laboratori fisici dell’azienda. Secondo l’azienda, il modello raggiunge un tasso di successo del 55,3% nel benchma

AI.info Team · Scritto con l’IA · verificato · 2026-09-16

Periodic Labs ha messo in uso Periodic Neon, un modello da 1000 miliardi di parametri, nei propri laboratori fisici di materiali, dopo aver addestrato il sistema sui dati generati dagli esperimenti dell’azienda. Il modello analizza misurazioni complesse di diffrazione a raggi X, un compito che può richiedere agli scienziati di confrontare i dati degli strumenti con le condizioni di sintesi, esperimenti precedenti, simulazioni e database di strutture cristalline.

In un articolo di ricerca pubblicato il 15 settembre 2026, Periodic riferisce che Neon ha raggiunto un tasso di successo del 55,3% su FrontierXRD, il suo insieme di valutazione interno più difficile. Secondo l’azienda, questo risultato supera le prestazioni di GPT-6 Astra e Claude Fable 5.1, con un costo per analisi inferiore nelle condizioni di valutazione adottate da Periodic. I risultati pubblicati da Periodic descrivono il benchmark e gli strumenti utilizzati per ottenerli.

Neon affronta la parte più difficile dell’analisi XRD

La diffrazione a raggi X offre ai ricercatori un modo per dedurre la struttura e la composizione dei materiali cristallini. Un processo di sintesi può produrre il materiale desiderato insieme a precursori che non hanno reagito, sottoprodotti o diverse fasi concorrenti. I loro pattern di diffrazione si sovrappongono, costringendo gli scienziati a decidere non solo quale adattamento matematico appaia plausibile, ma anche quale spiegazione abbia senso dal punto di vista chimico.

La valutazione FrontierXRD comprende 134 campioni provenienti dai laboratori dell’azienda. I pattern sono abbastanza complessi da richiedere agli esperti umani ore di lavoro per risolverli, e le soluzioni accettate contengono in media cinque fasi. L’azienda valuta il successo con un insieme di due modelli linguistici usati come giudici, Opus 5 e GPT-5.6-Sol, calibrati sulle valutazioni degli esperti.

Questo metodo di valutazione riflette un problema che i software standard per la diffrazione non risolvono da soli. Gli strumenti esistenti funzionano meglio quando uno scienziato ha già ristretto l’elenco degli elementi e delle fasi plausibili. Neon è progettato per ragionare sull’intero contesto sperimentale, inclusi i materiali di partenza, la temperatura, l’atmosfera, la storia delle manipolazioni e i campioni correlati.

Un miglioramento di 20 volte rispetto al modello di partenza

Il modello iniziale Kimi K2.6 ha raggiunto un tasso di successo del 2,7% su FrontierXRD, secondo Periodic. Dopo il midtraining e l’apprendimento per rinforzo sui dati di laboratorio, Neon ha raggiunto il 55,3%, un miglioramento che l’azienda descrive come 20 volte superiore al risultato di partenza.

Neon è partito da un modello a pesi aperti con 1000 miliardi di parametri. Il suo addestramento ha combinato letteratura accademica, codice e dati sperimentali, seguito dall’apprendimento per rinforzo sul compito di laboratorio. Il corpus scientifico proprietario di Periodic, riferisce l’azienda, attualmente raddoppia ogni mese, anche se la società non ne rivela le dimensioni complessive.

Per l’ultima sessione di addestramento, Periodic ha utilizzato 1300 GPU H200. L’articolo di ricerca confronta questa cifra con le oltre 100.000 GPU Blackwell che sarebbero state utilizzate per Astra, precisando però che il confronto non è una misura diretta della qualità dei modelli, perché i sistemi, i metodi di addestramento e le condizioni di impiego sono diversi.

L’ambiente di supporto conta quanto il modello

I risultati di Neon provengono da un ambiente software più ampio che Periodic chiama Scientific Harness. Il sistema fornisce il contesto di laboratorio, database interni di materiali, risorse di simulazione e software per l’analisi XRD. Secondo Periodic, a parità di modello Claude Opus 5 sottostante e con un costo per analisi simile, l’ambiente di supporto ha prodotto un tasso di successo 3,8 volte superiore a quello di Claude Code abbinato a database e strumenti open source standard.

Questo risultato rende più complicato un confronto diretto tra i nomi dei modelli. Nella valutazione di Periodic, ogni sistema ha accesso a un ambiente di strumenti, ma gli ambienti non sono identici. L’ambiente di supporto dell’azienda comprende infrastrutture interne che non sono presenti nella configurazione usata per il confronto con Claude Code.

Periodic ha inoltre testato Neon su 198 misurazioni XRD relative a sistemi chimici esclusi sia dal midtraining sia dall’apprendimento per rinforzo. Secondo l’azienda, Neon ha superato i modelli di frontiera in questa valutazione su dati esclusi dall’addestramento, un risultato che presenta come prova del fatto che il modello ha appreso capacità di analisi trasferibili oltre i sistemi chimici rappresentati nell’addestramento.

Trasformare gli esperimenti fisici in dati di addestramento

La strategia più ampia di Periodic collega lo sviluppo dei modelli ai laboratori ad alta produttività di Menlo Park. Secondo l’azienda, questi laboratori ora operano senza interruzioni e generano dati per i modelli che aiutano a identificare i problemi, interpretare i risultati e decidere cosa fare in seguito.

L’azienda descrive la scoperta di materiali come un ciclo in tre fasi: prevedere quale materiale realizzare, stabilire come sintetizzarlo, poi analizzare cosa ha prodotto l’esperimento e se possiede le proprietà desiderate. I risultati della terza fase permettono di perfezionare l’ipotesi successiva. Neon opera attualmente nella fase di analisi di questo ciclo, mentre Periodic sta estendendo i propri sistemi alla pianificazione delle campagne, alle procedure di sintesi e alla selezione degli esperimenti.

Gli esperimenti fisici impongono limiti che non si applicano all’apprendimento per rinforzo basato solo sul software. Le apparecchiature, l’energia e le capacità ingegneristiche limitano il numero di processi eseguibili contemporaneamente, gli esperimenti possono richiedere giorni e i risultati possono essere ambigui. L’approccio di Periodic consiste nell’usare i dati degli esperimenti completati per addestrare e migliorare i propri sistemi mentre proseguono nuovi esperimenti.

Che cosa ha effettivamente dimostrato Periodic

Le evidenze pubbliche relative a Neon si concentrano su un compito impegnativo della scienza dei materiali: interpretare i dati XRD di laboratorio. Periodic non ha presentato il modello come un sistema scientifico generalista e i risultati dell’azienda provengono da dataset interni e da un processo di valutazione che si affida in parte a modelli linguistici usati come giudici.

Nell’analisi di Periodic, gli esperti umani hanno concordato tra loro sul 77,2% dei pattern etichettati. Secondo l’azienda, l’insieme di LLM usati come giudici ha concordato con gli esperti umani nel 74,6% dei casi e con il consenso degli esperti nell’84% dei casi. Queste cifre mostrano perché valutare il ragionamento scientifico sia più difficile che verificare se un numero previsto corrisponda a una risposta prestabilita.

Per ora, l’impiego concreto è circoscritto ma operativo: Periodic Neon analizza i risultati di diffrazione dei laboratori dell’azienda, mentre Periodic cerca superconduttori e magneti migliori. Il prossimo passo dichiarato dall’azienda è collegare questa analisi alle decisioni che determinano quale materiale produrre e quale esperimento eseguire successivamente.