Zum Hauptinhalt Zur Navigation

Von der Theorie in die Praxis: Top-KI-Forscher wechseln zu Start-up Periodic Labs

Bei Periodic Labs können KI -Forscher die Hypothesen ihrer Modelle in realen Experimenten überprüfen.
/ Mike Faust
Kommentare News folgen (öffnet im neuen Fenster)
Bei Periodic Labs werden KI-Hypothesen im Labor getestet. (Bild: Pixabay / jarmoluk)
Bei Periodic Labs werden KI-Hypothesen im Labor getestet. Bild: Pixabay / jarmoluk

Mehrere erfolgreiche KI-Forscher wechseln zum Start-up Periodic Labs, berichtet die Frankfurter Allgemeine Zeitung (FAZ, Paywall)(öffnet im neuen Fenster) und schreibt, dass die Wechsel von einer Stagnation bei der Generierung neuer Trainingsdaten für große Sprachmodelle getrieben sind.

Aus dem Internet ließen sich kaum noch neue hochwertige Trainingsdaten für KI-Modelle gewinnen, heißt es weiter. Für weitere Entwicklungssprünge seien daher Daten aus der physischen Welt nötig, die sich nur durch Experimente gewinnen lassen.

Für diese Experimente wurde Periodic Labs von Ekin Dogus Cubuk und Liam Fedus gegründet. Mit einem Startkapital von 300 Millionen US-Dollar verfolgen sie das Ziel, automatisierte Materialforschung durchzuführen. Cubuk leitete zuvor das Material- und Chemieteam bei Deepmind, Fedus war zuvor Vizepräsident für Forschung bei OpenAI.

Fabrik für Hypothesen

Dem Start-up haben sich laut der FAZ bereits mehr als 20 Top-Forscher angeschlossen, darunter Rishabh Agarwal, der zuvor von Mark Zuckerberg persönlich zu Metas KI-Team geholt wurde , diese Stelle jedoch bereits nach wenigen Monaten wieder aufgab.

Weitere Neuzugänge bei Periodic Labs sind der KI-Forscher Dzmitry Bahdanau, der Physiker Joe Checkelsky und der Chemiker Eric Toberer, deren Forschungen sich unter anderem mit Quantenmaterialien beschäftigten.

Periodic Labs bezeichnet sich selbst als eine Fabrik für Hypothesen. Dabei wird ein geschlossener Kreislauf verwendet, in dem eine KI Versuche vorschlägt, Roboter die Synthese der Materialien übernehmen und Messgeräte die Ergebnisse erfassen, die wiederum von der KI analysiert werden.

In die verwendeten Modelle sollen ausdrücklich nicht nur positive Resultate einfließen, sondern auch Fehlschläge, da diese für den Fortschritt des maschinellen Lernens entscheidend seien.


Relevante Themen