The Pulse
Periodic Labs porta il modello Neon da 1T parametri nei suoi laboratori di materiali
Periodic Labs afferma che il suo modello Neon da 1T parametri 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% n
AI.info Team ·
Periodic Labs afferma di aver implementato Periodic Neon, un modello da 1.000 miliardi di parametri, nei propri laboratori fisici dedicati ai materiali, dopo averlo addestrato su dati generati dagli esperimenti dell’azienda. Il modello analizza complesse misurazioni di diffrazione a raggi X, un compito che può richiedere agli scienziati di confrontare i dati degli strumenti con le condizioni di sintesi, gli esperimenti precedenti, le simulazioni e le banche dati delle strutture cristalline.
In un articolo di ricerca pubblicato il 15 settembre 2026, Periodic riferisce che Neon ha ottenuto un tasso di successo del 55,3% su FrontierXRD, il suo set di valutazione interno più difficile. L’azienda afferma che il risultato supera le prestazioni di GPT-6 Astra e Claude Fable 5.1, con un costo per analisi inferiore secondo il sistema di valutazione di Periodic. I risultati pubblicati da Periodic descrivono il benchmark e gli strumenti utilizzati per ottenerli.
Neon punta alla parte più difficile dell’analisi XRD
La diffrazione a raggi X permette ai ricercatori di dedurre la struttura e la composizione dei materiali cristallini. Una sintesi può produrre il materiale desiderato insieme a precursori non reagiti, 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.
Periodic afferma che la valutazione FrontierXRD comprende 134 campioni provenienti dai laboratori dell’azienda. I pattern sono abbastanza complessi da richiedere agli esperti umani ore per interpretarli, e le soluzioni accettate contengono in media cinque fasi. L’azienda valuta il successo con un insieme di due giudici basati su modelli linguistici, Opus 5 e GPT-5.6-Sol, calibrati sulle valutazioni degli esperti.
Questo metodo di valutazione riflette un problema che i normali software di diffrazione non sono in grado di risolvere da soli. Gli strumenti esistenti funzionano al meglio quando uno scienziato ha già ristretto l’elenco degli elementi e delle fasi plausibili. Neon è progettato per ragionare tenendo conto del contesto sperimentale più ampio, compresi i materiali di partenza, la temperatura, l’atmosfera, la storia della manipolazione e i campioni correlati.
Un miglioramento di 20 volte rispetto al modello iniziale
Periodic afferma che il modello iniziale Kimi K2.6 ha raggiunto un tasso di successo del 2,7% su FrontierXRD. Dopo l’addestramento intermedio e l’apprendimento per rinforzo sui dati di laboratorio, Neon ha raggiunto il 55,3%, con un miglioramento di 20 volte rispetto al risultato iniziale, secondo l’azienda.
L’azienda afferma che Neon è partito da un modello open-weight con 1.000 miliardi di parametri. L’addestramento ha combinato letteratura accademica, codice e dati sperimentali, per poi proseguire con l’apprendimento per rinforzo sul compito di laboratorio. Periodic riferisce inoltre che il proprio corpus scientifico proprietario raddoppia attualmente ogni mese, senza però divulgarne le dimensioni complessive.
Per l’ultima fase di addestramento, Periodic ha utilizzato 1.300 GPU H200. L’articolo di ricerca confronta questa cifra con le oltre 100.000 GPU Blackwell che sarebbero state utilizzate per Astra, avvertendo però che il confronto non misura direttamente la qualità dei modelli, poiché sistemi, metodi di addestramento e condizioni di implementazione sono diversi.
L’ambiente operativo conta quanto il modello
I risultati di Neon dipendono da un ambiente software più ampio, che Periodic chiama Scientific Harness. Il sistema fornisce il contesto di laboratorio, le banche dati interne sui materiali, risorse di simulazione e software per l’analisi XRD. Periodic afferma che, a parità di costo per analisi, l’ambiente ha ottenuto un tasso di successo 3,8 volte superiore rispetto a Claude Code abbinato a banche dati e strumenti open source standard, quando entrambi i sistemi utilizzavano lo stesso modello Claude Opus 5 sottostante.
Questo risultato rende più complicato qualsiasi semplice confronto 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 Periodic comprende infrastrutture interne che non fanno parte della configurazione di confronto basata su Claude Code.
Periodic ha inoltre testato Neon su 198 misurazioni XRD provenienti da sistemi chimici esclusi sia dall’addestramento intermedio sia dall’apprendimento per rinforzo. L’azienda afferma che Neon ha superato i modelli di frontiera in questa valutazione su dati esclusi dall’addestramento, presentando il risultato come prova del fatto che il modello ha appreso capacità analitiche trasferibili anche a sistemi chimici non rappresentati nei dati di 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. L’azienda afferma che i laboratori ora funzionano ininterrottamente e generano dati per modelli che aiutano a individuare problemi, interpretare i risultati e decidere cosa fare in seguito.
L’azienda descrive la scoperta dei materiali come un ciclo in tre fasi: prevedere quale materiale realizzare, determinare come sintetizzarlo, quindi analizzare ciò che l’esperimento ha prodotto e verificare se possiede le proprietà desiderate. I risultati della terza fase affinano l’ipotesi successiva. Neon opera attualmente nella fase di analisi di questo ciclo, mentre Periodic afferma di stare 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. Attrezzature, energia e capacità ingegneristica limitano il numero di prove simultanee; gli esperimenti possono durare giorni e i risultati possono essere ambigui. L’approccio di Periodic consiste nell’utilizzare i dati degli esperimenti completati per addestrare e migliorare i propri sistemi, mentre proseguono quelli nuovi.
Cosa ha dimostrato davvero Periodic
Le prove pubbliche a sostegno di Neon si concentrano su un unico, impegnativo compito di scienza dei materiali: interpretare dati XRD di laboratorio. Periodic non ha presentato il modello come un sistema scientifico di uso generale, e i risultati dell’azienda provengono da set di dati interni e da un processo di valutazione che si affida in parte a giudici basati su modelli linguistici.
Gli esperti umani hanno concordato tra loro sul 77,2% dei pattern etichettati nell’analisi di Periodic. Secondo l’azienda, l’insieme di giudici basati su modelli linguistici ha concordato con gli esperti umani nel 74,6% dei casi e ha coinciso 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 corrisponde a una risposta prestabilita.
Per ora, l’impiego concreto è circoscritto ma operativo: Periodic Neon analizza i risultati di diffrazione provenienti dai laboratori dell’azienda, mentre Periodic cerca superconduttori e magneti migliori. Il prossimo passo dichiarato dall’azienda è collegare queste analisi alle decisioni che determinano quale materiale realizzare e quale esperimento eseguire in seguito.