Discovered Materials از عاملهای هوش مصنوعی برای حل چالشهای حرارتی تراشه استفاده میکند
در حالی که حجم کاری هوش مصنوعی، مراکز داده را به مرزهای حرارتی خود میرساند، یک استارتاپ جدید در حال استفاده از هوش مصنوعی مولد برای مقابله با همان مشکلی است که خود ایجاد کرده است. هدف Discovered Materials این است که با استفاده از عاملهای خودگردان هوش مصنوعی برای یافتن مواد نوین با قابلیت دفع حرارت، تراشهها را کارآمدتر کند.
مقیاسپذیری اکتشاف با استفاده از انبوهههای هوش مصنوعی و مدلهای فیزیکی
گلوگاه در تولید تراشههای مدرن، طراحی نیست؛ بلکه گرمای تولید شده توسط بارهای محاسباتی عظیم است. Discovered Materials، از فارغالتحصیلان Y Combinator، حدس و گمانهای انسانی را با خط لولههای هوش مصنوعی با سرعت بالا جایگزین میکند. بنیانگذاران، Advaith Sridhar و Akash Ramdas، یک چارچوب نرمافزاری ساختهاند که هوش مولد را به واقعیت فیزیکی پیوند میدهد.
در این گردش کار، مدلهای Anthropic در یک محیط سفارشی تغذیه میشوند تا گزینههای اولیه مواد را تولید کنند. سپس استارتاپ، آن گزینهها را از طریق مدلهای فیزیکی که آموزش داده است، با اجرای شبیهسازیهای دقیق، بررسی میکند. یک پژوهشگر انسانی ممکن است روزانه ۲۰ حدس را مدیریت کند؛ اما عاملهای هوش مصنوعی هزاران شبیهسازی را بهصورت شبانهروزی در فضای ابری انجام میدهند.
چالش «زدن موش» (Whack-a-Mole) در مهندسی مواد
یافتن یک ماده کاندید تنها نیمی از نبرد است. یک ماده ممکن است در دفع حرارت عالی عمل کند، اما در پایداری الکتریکی یا قابلیت ساخت شکست بخورد. Hemant Mohapatra، شریک Lightspeed India Partners، این فرآیند را به بازی «زدن موش» با ساختارهای اتمی تشبیه میکند؛ محدودیتهای حرارتی، الکتریکی و تولیدی باید همراستا باشند.
برای سنجش این دشواری، این شرکت «Material Discovery Bench» را منتشر کرده است؛ ابزاری که ردیابی میکند مدلهای پیشرو هوش مصنوعی چگونه با مسائل چندبعدی علم مواد مقابله میکنند. رقبایی مانند MatNex، SandboxAQ و CuspAI در همین فضا فعالیت میکنند، اما Discovered Materials بر گلوگاههای حرارتی که عملکرد نیمهرساناها را مختل میکنند، تمرکز دارد.
از شبیهسازی دیجیتال تا سختافزار قابل ثبت اختراع
این استارتاپ اکنون از اکتشاف دیجیتال به سمت اعتبارسنجی فیزیکی حرکت میکند. این شرکت چندین ماده را شناسایی کرده است که با ویژگیهای مواد مورد استفاده توسط سازندگان بزرگ تراشه مطابقت دارند و در حال آزمایش آنها در آزمایشگاههای مرطوب (wet-lab) است.
Discovered Materials کسبوکار خود را بر پایه مالکیت معنوی بنا میکند. هنگامی که یک ماده کاندید از مرحله اعتبارسنجی عبور کرد، تیم مربوطه استفاده از آن ماده در GPUها یا فرآیند تولید مورد نیاز برای ادغام آن در تراشهها را ثبت (patent) میکند. صدور مجوز این پتنتها به غولهای نیمهرسانا میتواند این شرکت را به یک لایه زیربنایی در نسل بعدی سختافزارهای هوش مصنوعی با کارایی بالا تبدیل کند.
نکات کلیدی
- سرعت مبتنی بر هوش مصنوعی: مدلهای Anthropic و شبیهسازیهای مبتنی بر فیزیک، فرآیند اکتشاف مواد را از ۲۰ حدس در روز به هزاران مورد افزایش میدهند.
- تمرکز بر بهینهسازی حرارتی: برخلاف استارتاپهای گستردهتر در حوزه اکتشاف مواد، این شرکت مشکلات دفع حرارت را هدف قرار میدهد که گریبانگیر تراشههای هوش مصنوعی مدرن و مراکز داده است.
- مدل مبتنی بر مالکیت معنوی (IP): این شرکت قصد دارد با ثبت اختراع مواد و فرآیندهای نوین و سپس اعطای مجوز آنها به سازندگان بزرگ تراشه، از یافتههای خود درآمدزایی کند.
ریسکها و نکات متقابل
(این بخش برای ورودی تحلیلگران عمداً خالی گذاشته شده است)
آنچه باید در آینده زیر نظر داشت
- پذیرش بنچمارک –
- پیشرفتهای تجربی –
- مشارکت با کارخانههای تولید تراشه (fabs) –
- چالشهای نظارتی یا مالکیت معنوی –
خلاصه کلام
Discovered Materials شرط میبندد که عاملهای خودگردان هوش مصنوعی میتوانند در مسابقه برای خنکسازی تراشههای هوش مصنوعیِ قدرتمندتر، از شهود انسانی پیشی بگیرند. این استارتاپ با جفت کردن مدلهای زبانی مولد با شبیهسازیهای مبتنی بر فیزیک، ادعا میکند که یک فرآیند کندِ «حدس و بررسی» را به یک جستجوی با بازدهی بالا تبدیل میکند که منجر به تولید مواد دفع حرارتِ قابل ثبت اختراع و قابل تولید میشود. اینکه آیا این رویکرد در اعتبارسنجیهای آزمایشگاهی و منحنیهای پذیرش محتاطانه در دنیای نیمهرساناها دوام میآورد یا خیر، تعیین خواهد کرد که آیا این شرکت به یک کاتالیزور پنهان برای سختافزارهای هوش مصنوعی خنکتر و کارآمدتر تبدیل میشود یا صرفاً یک آزمایش بلندپروازانه دیگر در شیمیِ مبتنی بر هوش مصنوعی خواهد بود.