Neon apprend la science dans les laboratoires qui produisent ses données

Periodic a spécialisé un modèle de mille milliards de paramètres avec ses propres expériences de diffraction. Neon atteint 55,3 % sur un test interne, contre 2,7 % pour son modèle de départ.

Un diffractomètre envoie des rayons X sur un matériau réduit en poudre. Le résultat prend la forme d’une succession de pics dont la position et l’intensité renseignent sur les structures cristallines présentes. Lorsqu’un échantillon contient plusieurs phases superposées, comprendre ce qui a réellement été fabriqué peut demander plusieurs heures à une personne expérimentée.

Periodic veut confier une partie de ce travail à Neon, un modèle de mille milliards de paramètres spécialisé dans l’analyse des expériences menées dans ses propres laboratoires. L’entreprise affirme qu’il dépasse GPT-6 Astra et Claude Fable 5.1 sur FrontierXRD, une évaluation interne consacrée aux mesures de diffraction des rayons X.

L’annonce ne décrit pas un modèle fondamental entraîné depuis le départ. Periodic est parti de Kimi K2.6, un modèle à poids ouverts comptant lui aussi mille milliards de paramètres. Ses équipes l’ont ensuite soumis à une phase d’entraînement intermédiaire, puis à un apprentissage par renforcement fondé sur des données scientifiques et expérimentales.

Neon reste une version interne. Periodic ne publie ni ses poids, ni son corpus, ni une API permettant de le tester indépendamment. Le modèle de départ est ouvert, mais la version spécialisée, ses données de laboratoire, son environnement scientifique et FrontierXRD ne sont pas proposés au téléchargement.

Le projet s’inscrit dans une stratégie plus large. Depuis son lancement en 2025, Periodic construit à Menlo Park des laboratoires à haut débit fonctionnant en continu. Leur objectif porte notamment sur les supraconducteurs, les matériaux magnétiques et ceux utilisés dans les semi-conducteurs.

Ces installations ne servent pas seulement à chercher de nouveaux composés. Elles doivent aussi produire les données nécessaires aux modèles de l’entreprise. Chaque série d’expériences ajoute des mesures positives, des échecs, des anomalies et des conditions de synthèse rarement disponibles dans les publications scientifiques.

Periodic organise la découverte de matériaux autour de trois questions. La première consiste à choisir ce qu’il serait utile de fabriquer à partir de propriétés prédites. La deuxième cherche comment synthétiser le matériau envisagé. La troisième détermine ce qui a effectivement été obtenu et si ses propriétés correspondent à l’objectif.

Neon intervient d’abord sur cette dernière étape. Il analyse les résultats de diffraction pour identifier les phases présentes dans un échantillon et estimer si l’expérience a produit le matériau attendu. Ces conclusions peuvent ensuite modifier l’hypothèse ou la procédure de synthèse utilisée lors du cycle suivant.

Cette boucle distingue le projet d’un assistant scientifique alimenté uniquement par des articles, des bases publiques et des simulations. Le laboratoire produit de nouvelles observations, le modèle les interprète, puis ses résultats peuvent aider les équipes à sélectionner les prochains essais.

Ce fonctionnement reste plus lent que l’apprentissage dans un environnement entièrement numérique. Une expérience physique mobilise des appareils, des produits, de l’énergie et du personnel. Elle peut durer plusieurs heures ou plusieurs jours, et son résultat n’est pas toujours suffisamment clair pour fournir automatiquement une récompense au modèle.

Periodic tente donc de dissocier le rythme des laboratoires de celui du calcul. Pendant que de nouvelles synthèses sont en cours, les ressources informatiques peuvent continuer à analyser les mesures existantes, produire des hypothèses et améliorer les procédures. Les expériences terminées alimentent ensuite les cycles suivants.

Le premier résultat mis en avant concerne FrontierXRD. L’évaluation comprend 134 échantillons issus des laboratoires de Periodic et sélectionnés pour leur difficulté. Les solutions retenues contiennent en moyenne cinq phases, dont les signatures peuvent se chevaucher dans les mesures.

Dans ce type de cas, une correspondance mathématique ne suffit pas. Une phase peut sembler convenir à la forme des pics tout en étant incohérente avec les éléments utilisés, la température, l’atmosphère ou l’historique de l’échantillon. L’analyse doit combiner les mesures avec les conditions de synthèse, les expériences voisines, la littérature, les simulations et les bases de structures cristallines.

Kimi K2.6 obtenait initialement un taux de réussite de 2,7 % sur FrontierXRD. Après l’entraînement intermédiaire et l’apprentissage par renforcement, Periodic attribue à Neon un résultat de 55,3 %. Le taux est ainsi multiplié par un peu plus de vingt.

L’entreprise affirme que Neon dépasse également GPT-6 Astra et Claude Fable 5.1 tout en abaissant le coût de chaque analyse. Cette conclusion demeure limitée à FrontierXRD et à l’environnement construit par Periodic. Elle ne signifie pas que Neon possède de meilleures capacités générales en science, en programmation ou en raisonnement.

Tous les modèles comparés utilisent le Periodic Harness. Cet environnement leur donne accès au contexte des expériences, aux bases de données internes, aux simulations et aux outils scientifiques de l’entreprise. Il organise également les longues séquences de raisonnement et les appels nécessaires pour examiner un échantillon.

Ce choix permet d’offrir aux modèles les mêmes ressources lors de la comparaison, mais il empêche d’attribuer tout le résultat à Neon. Periodic reconnaît elle-même que son environnement multiplie par 3,8 le taux de réussite d’Opus 5 par rapport à une configuration reposant sur Claude Code, des bases ouvertes et des logiciels de diffraction courants, pour un coût similaire.

Le classement mesure donc un système composé du modèle, de son contexte, de ses outils et de son orchestration. Une entreprise ne disposant pas des bases internes ou des mêmes informations de laboratoire ne doit pas s’attendre à reproduire les performances annoncées avec Neon seul.

La réussite n’est pas non plus déterminée par une solution automatiquement vérifiable. Periodic utilise un ensemble