IA · Agentes · Ciencia · GPT-5 · Los Alamos · UConn
MASTER organiza agentes de IA para explorar candidatos a catalizadores
El estudio de Los Alamos y UConn compara estrategias de agentes basados en GPT-5 para seleccionar materiales a partir de resultados de simulación.
Fecha de la fuente original:
Lo esencial
- El estudio de Los Alamos y UConn compara estrategias de agentes basados en GPT-5 para seleccionar materiales a partir de resultados de simulación.
- La comparación de selección utiliza energías DFT precalculadas y un conjunto pequeño de candidatos; no es una validación en un laboratorio físico autónomo.
Del lenguaje a la geometría
Los Alamos y la Universidad de Connecticut publicaron el 25 de mayo la evaluación formal de MASTER, un sistema de agentes que conecta instrucciones en lenguaje natural con tareas de simulación de materiales. El trabajo, precedido por un preprint de diciembre de 2025, combina generación y revisión de geometrías atómicas con estrategias para decidir qué candidato estudiar después.
Una evaluación controlada
La comparación de estrategias utiliza GPT-5 y un espacio acotado de 28 metales por aplicación. En ese ensayo, los agentes reciben energías ya calculadas mediante teoría del funcional de la densidad: las menores iteraciones representan ahorro potencial de consultas de simulación, no una demostración de laboratorio autónomo. La selección jerárquica resulta útil en varias configuraciones, pero su ventaja disminuye cuando un solo agente usa razonamiento más intenso. Los autores dejan para futuras pruebas espacios químicos mayores y comparaciones con otros métodos de optimización.