Materialeforskning bygger på akkumuleret erfaring – scripts der virker, protokoller der er betroet, advarsler om fejlslagne beregninger og dømmekraft, der forbinder nye spørgsmål med gamle resultater. Men denne erfaring er typisk fragmenteret på tværs af notesbøger, repositories og individuel hukommelse, og den er sjældent bærbar mellem AI-agenter. Et nyt forskningspapir fra arXiv argumenterer for, at en livslang AI-partner for materialeforskning kan designes omkring vedvarende hukommelse snarere end en bestemt agent-implementering.
Forskerne introducerer en selv-evolverende hukommelsesramme, der gemmer videnskabelig erfaring som inspekterbare fakta og eksekverbare færdigheder, så observationer, fejlgrænser, protokoller og valideringskontroller kan hentes, revideres og migreres på tværs af modeller. I 49 virkelige materiale-værktøjsspørgsmål med 138 eksekverbare delopgaver næsten fordobler hukommelsen GPT-5.2's opgavesucces uden modelparameteropdateringer. I elementære faststof-tilstandsberegninger konverterer hukommelsen en bølgefunktionsinitialiseringsfejl til en forudgående sikkerhedsforanstaltning, hvilket forbedrer resultaterne fra 22/1/4 til 25/2/0 (Korrekt/Partiel/Fejl) og undgår 92% af gentagne fejl. I 13 praktiske materialesimulerings-workflows halverer huskede færdigheder og fejlfakta den samlede trace-belastning (tokens) og reducerer værktøjskald med over en faktor to i tredje runde, mens fysisk meningsfulde output bevares i båndgab-, fonon-, vakanse- og arbejdsfunktionsanalyser.
For beslutningstagere betyder dette, at AI-systemer kan blive ved med at lære og forbedre sig over tid uden at skulle genoptrænes eller opdateres. Det gør AI-investeringer mere holdbare og mindre afhængige af specifikke modelversioner. Hvis hukommelsen kan overføres mellem modeller, kan organisationer skifte fundamentale modeller uden at miste den akkumulerede videnskabelige viden. Dette er en strategisk fordel for virksomheder og forskningsinstitutioner, der ønsker at bygge langsigtede AI-partnerskaber.
