চিপের তাপীয় সমস্যা সমাধানে Discovered Materials ব্যবহার করছে AI এজেন্টদের

যেহেতু AI-এর কাজের চাপ ডেটা সেন্টারগুলোকে তাদের তাপীয় সীমার কাছাকাছি পৌঁছে দিচ্ছে, একটি নতুন স্টার্টআপ জেনারেটিভ AI-কে সেই সমস্যার বিরুদ্ধেই ব্যবহার করছে যা এটি নিজেই তৈরি করেছে। Discovered Materials-এর লক্ষ্য হলো স্বায়ত্তশাসিত (autonomous) AI এজেন্ট ব্যবহার করে নতুন এবং তাপ-নিঃসরণকারী (heat-dissipating) পদার্থ খুঁজে বের করা এবং চিপগুলোকে আরও দক্ষ করে তোলা।

AI Swarms এবং Physics Models-এর মাধ্যমে আবিষ্কারের পরিধি বাড়ানো

আধুনিক চিপ তৈরির ক্ষেত্রে প্রধান বাধা ডিজাইন নয়; বরং বিশাল কম্পিউটেশনাল লোডের কারণে উৎপন্ন তাপ। Y Combinator-এর প্রাক্তন প্রতিষ্ঠান Discovered Materials মানুষের অনুমানের পরিবর্তে উচ্চ-গতির AI পাইপলাইন ব্যবহার করছে। প্রতিষ্ঠাতা Advaith Sridhar এবং Akash Ramdas এমন একটি সফটওয়্যার হারনেস তৈরি করেছেন যা জেনারেটিভ ইন্টেলিজেন্সকে বাস্তব ভৌত জগতের (physical reality) সাথে যুক্ত করে।

এই কাজের পদ্ধতিতে Anthropic মডেলগুলোকে একটি কাস্টম এনভায়রনমেন্টে ব্যবহার করে নতুন উপাদানের সম্ভাবনা (material leads) তৈরি করা হয়। এরপর স্টার্টআপটি সেই সম্ভাবনাগুলোকে তাদের প্রশিক্ষণপ্রাপ্ত ফিজিক্স মডেলের মাধ্যমে কঠোর সিমুলেশনের মধ্য দিয়ে চালনা করে। একজন মানব গবেষক দিনে হয়তো মাত্র ২০টি অনুমান করতে পারেন; কিন্তু AI এজেন্টগুলো ক্লাউডে দিনরাত হাজার হাজার সিমুলেশন সম্পন্ন করতে পারে।

ম্যাটেরিয়াল ইঞ্জিনিয়ারিংয়ের "Whack-a-Mole" চ্যালেঞ্জ

একটি উপযুক্ত উপাদান খুঁজে পাওয়া যুদ্ধের অর্ধেক মাত্র। একটি উপাদান তাপ নিঃসরণে চমৎকার হতে পারে, কিন্তু বৈদ্যুতিক স্থিতিশীলতা বা উৎপাদনযোগ্যতার ক্ষেত্রে ব্যর্থ হতে পারে। Lightspeed India Partners-এর পার্টনার Hemant Mohapatra এই প্রক্রিয়াটিকে পারমাণবিক কাঠামোর সাথে "whack-a-mole" খেলার সাথে তুলনা করেছেন—যেখানে তাপীয়, বৈদ্যুতিক এবং উৎপাদন সংক্রান্ত সীমাবদ্ধতাগুলোকে একই সাথে সামঞ্জস্যপূর্ণ হতে হয়।

এই জটিলতা পরিমাপ করার জন্য কোম্পানিটি "Material Discovery Bench" প্রকাশ করেছে, যা একটি টুল হিসেবে কাজ করে এবং ট্র্যাক করে যে কীভাবে অত্যাধুনিক AI মডেলগুলো বহুমাত্রিক ম্যাটেরিয়াল-সায়েন্সের সমস্যাগুলো সমাধান করে। MatNex, SandboxAQ এবং CuspAI-এর মতো প্রতিযোগীরা একই ক্ষেত্রে কাজ করলেও, Discovered Materials মূলত সেই তাপীয় বাধাগুলোর (thermal bottlenecks) ওপর মনোযোগ দিচ্ছে যা সেমিকন্ডাক্টর পারফরম্যান্সকে বাধাগ্রস্ত করে।

ডিজিটাল সিমুলেশন থেকে পেটেন্টযোগ্য হার্ডওয়্যার

স্টার্টআপটি এখন ডিজিটাল আবিষ্কার থেকে ভৌত যাচাইকরণের (physical validation) দিকে এগোচ্ছে। তারা এমন বেশ কিছু উপাদান শনাক্ত করেছে যা বড় চিপ নির্মাতাদের ব্যবহৃত উপাদানের বৈশিষ্ট্যের সাথে মিলে যায় এবং বর্তমানে সেগুলো 'ওয়েট-ল্যাব' (wet-lab) পরীক্ষায় পরীক্ষা করছে।

Discovered Materials তাদের ব্যবসা গড়ে তুলেছে ইন্টেলেকচুয়াল প্রপার্টি বা মেধাস্বত্বের ওপর ভিত্তি করে। একবার কোনো উপাদান যাচাইকরণে উত্তীর্ণ হলে, দলটি GPU-তে সেই উপাদানের ব্যবহার অথবা চিপে এটি অন্তর্ভুক্ত করার জন্য প্রয়োজনীয় উৎপাদন প্রক্রিয়ার পেটেন্ট করে নেয়। সেমিকন্ডাক্টর জায়ান্টদের কাছে এই পেটেন্টগুলোর লাইসেন্স প্রদান করা কোম্পানিটিকে পরবর্তী প্রজন্মের উচ্চ-দক্ষতা সম্পন্ন AI হার্ডওয়্যারের একটি মৌলিক স্তরে পরিণত করতে পারে।

মূল বিষয়সমূহ

  • AI-চালিত গতি: Anthropic মডেল এবং ফিজিক্স-ভিত্তিক সিমুলেশন উপাদানের আবিষ্কারের ক্ষমতা দিনে ২০টি অনুমান থেকে বাড়িয়ে হাজার হাজার পর্যন্ত নিয়ে গেছে।
  • তাপীয় অপ্টিমাইজেশনে মনোযোগ: অন্যান্য সাধারণ ম্যাটেরিয়াল-ডিসকভারি স্টার্টআপের বিপরীতে, এই প্রতিষ্ঠানটি মূলত আধুনিক AI চিপ এবং ডেটা সেন্টারের তাপ নিঃসরণ সংক্রান্ত সমস্যাগুলোকে লক্ষ্য করে কাজ করে।
  • IP-কেন্দ্রিক মডেল: তারা নতুন পদার্থ এবং প্রক্রিয়াগুলোর পেটেন্ট করার মাধ্যমে এবং পরে বড় চিপ নির্মাতাদের কাছে লাইসেন্স দেওয়ার মাধ্যমে তাদের উদ্ভাবন থেকে অর্থ উপার্জনের পরিকল্পনা করছে।

ঝুঁকি এবং পাল্টা যুক্তি

(বিশ্লেষকদের ইনপুটের জন্য এই বিভাগটি ইচ্ছাকৃতভাবে খালি রাখা হয়েছে)

পরবর্তীতে যা লক্ষ্য রাখতে হবে

  • বেঞ্চমার্ক গ্রহণ –
  • পরীক্ষামূলক সাফল্য –
  • ফ্যাব (fabs)-এর সাথে অংশীদারিত্ব –
  • নিয়ন্ত্রক বা IP সংক্রান্ত চ্যালেঞ্জ –

সারকথা

Discovered Materials বাজি ধরেছে যে, ক্রমবর্ধমান শক্তিশালী AI চিপগুলোকে ঠান্ডা করার প্রতিযোগিতায় স্বায়ত্তশাসিত AI এজেন্টরা মানুষের সহজাত বুদ্ধিকে ছাড়িয়ে যেতে পারে। জেনারেটিভ ল্যাঙ্গুয়েজ মডেলের সাথে ফিজিক্স-ভিত্তিক সিমুলেশনকে যুক্ত করার মাধ্যমে, স্টার্টআপটি দাবি করছে যে তারা একটি ধীরগতির 'অনুমান ও যাচাই' (guess-and-check) প্রক্রিয়াকে একটি উচ্চ-ক্ষমতাসম্পন্ন অনুসন্ধানে রূপান্তরিত করতে পারে, যা পেটেন্টযোগ্য এবং উৎপাদনযোগ্য তাপ-নিঃসরণকারী উপাদান প্রদান করবে। এই পদ্ধতিটি 'ওয়েট-ল্যাব' যাচাইকরণ এবং সেমিকন্ডাক্টর জগতের সতর্ক গ্রহণের ধাপগুলো পার করতে পারে কি না, তার ওপর ভিত্তি করেই নির্ধারিত হবে যে এটি আরও শীতল ও দক্ষ AI হার্ডওয়্যারের একটি গোপন অনুঘটক (catalyst) হয়ে উঠবে নাকি AI-চালিত রসায়নের আরেকটি উচ্চাভিলাষী পরীক্ষা হিসেবেই থেকে যাবে।