Discovered Materials ચિપના થર્મલ પડકારોને ઉકેલવા માટે AI એજન્ટ્સનો ઉપયોગ કરે છે

જેમ જેમ AI વર્કલોડ ડેટા સેન્ટર્સને તેમની થર્મલ મર્યાદાઓ સુધી ધકેલી રહ્યા છે, તેમ એક નવું સ્ટાર્ટઅપ જનરેટિવ AI નો ઉપયોગ તે સમસ્યાને ઉકેલવા માટે કરી રહ્યું છે જે તેણે પોતે ઊભી કરી છે. Discovered Materials નો ઉદ્દેશ્ય નવીન, ગરમી દૂર કરનારા (heat-dissipating) પદાર્થોની શોધ કરવા માટે સ્વાયત્ત AI એજન્ટ્સનો ઉપયોગ કરીને ચિપ્સને વધુ કાર્યક્ષમ બનાવવાનો છે.

AI Swarms અને ફિઝિક્સ મોડલ્સ સાથે શોધનું સ્કેલિંગ

આધુનિક ચિપ ઉત્પાદનમાં અવરોધ ડિઝાઇન નથી; તે વિશાળ કમ્પ્યુટેશનલ લોડ દ્વારા પેદા થતી ગરમી છે. Y Combinator ના ભૂતપૂર્વ (alumnus) Discovered Materials, માનવીય અનુમાનને હાઇ-વેલોસિટી AI પાઇપલાઇન્સ સાથે બદલે છે. સ્થાપકો Advaith Sridhar અને Akash Ramdas એ એક સોફ્ટવેર હાર્નેસ બનાવ્યું છે જે જનરેટિવ ઇન્ટેલિજન્સને ભૌતિક વાસ્તવિકતા સાથે જોડે છે.

આ વર્કફ્લો મટીરીયલ લીડ્સ જનરેટ કરવા માટે Anthropic મોડલ્સને કસ્ટમ એન્વાયરમેન્ટમાં ફીડ કરે છે. ત્યારબાદ સ્ટાર્ટઅપ તેના દ્વારા તાલીમ પામેલા ફિઝિક્સ મોડલ્સ દ્વારા તે લીડ્સ ચલાવે છે અને સચોટ સિમ્યુલેશન કરે છે. એક માનવ સંશોધક દિવસમાં કદાચ 20 અનુમાનો કરી શકે; જ્યારે AI એજન્ટ્સ ક્લાઉડમાં દિવસ-રાત હજારો સિમ્યુલેશન કરે છે.

મટીરીયલ એન્જિનિયરિંગનો "Whack-a-Mole" પડકાર

યોગ્ય મટીરીયલ શોધવું એ માત્ર અડધી જ લડાઈ છે. કોઈ મટીરીયલ થર્મલ ડિસિપેશન (ગરમી દૂર કરવામાં) માં ઉત્કૃષ્ટ હોઈ શકે છે પરંતુ ઇલેક્ટ્રિકલ સ્ટેબિલિટી અથવા ઉત્પાદનક્ષમતામાં નિષ્ફળ જઈ શકે છે. Lightspeed India Partners ના પાર્ટનર Hemant Mohapatra આ પ્રક્રિયાને પરમાણુ સંરચનાઓ સાથે "whack-a-mole" રમવા જેવી ગણાવે છે—થર્મલ, ઇલેક્ટ્રિકલ અને ઉત્પાદન સંબંધિત મર્યાદાઓ એકસાથે સુસંગત હોવી જોઈએ.

આ મુશ્કેલીને માપવા માટે, કંપનીએ "Material Discovery Bench" બહાર પાડ્યું છે, જે એક એવું સાધન છે જે ટ્રેક કરે છે કે અદ્યતન AI મોડલ્સ બહુપરિમાણીય મટીરીયલ-સાયન્સ સમસ્યાઓનો કેવી રીતે સામનો કરે છે. MatNex, SandboxAQ અને CuspAI જેવા સ્પર્ધકો પણ આ જ ક્ષેત્રમાં કાર્યરત છે, પરંતુ Discovered Materials સેમિકન્ડક્ટરના પ્રદર્શનને અવરોધતા થર્મલ બોટલનેક્સ પર ધ્યાન કેન્દ્રિત કરે છે.

ડિજિટલ સિમ્યુલેશનથી પેટન્ટ કરી શકાય તેવા હાર્ડવેર સુધી

સ્ટાર્ટઅપ હવે ડિજિટલ શોધથી ભૌતિક પ્રમાણિતતા (physical validation) તરફ આગળ વધી રહ્યું છે. તેણે એવા કેટલાક મટીરીયલ્સ ઓળખી કાઢ્યા છે જે મુખ્ય ચિપમેકર્સ દ્વારા ઉપયોગમાં લેવાતા મટીરીયલ્સના ગુણધર્મો સાથે મેળ ખાય છે અને તે અત્યારે વેટ-લેબ (wet-lab) પ્રયોગોમાં તેનું પરીક્ષણ કરી રહ્યું છે.

Discovered Materials તેનો વ્યવસાય બૌદ્ધિક સંપત્તિ (intellectual property) પર આધારિત બનાવે છે. એકવાર કોઈ મટીરીયલ પ્રમાણિત થઈ જાય પછી, ટીમ GPUs માં તે મટીરીયલના ઉપયોગ અથવા તેને ચિપ્સમાં સંકલિત કરવા માટે જરૂરી ઉત્પાદન પ્રક્રિયા માટે પેટન્ટ મેળવે છે. આ પેટન્ટ્સ સેમિકન્ડક્ટર જાયન્ટ્સને લાયસન્સ આપવાથી કંપની આગામી પેઢીના ઉચ્ચ-કાર્યક્ષમતા ધરાવતા AI હાર્ડવેરમાં એક પાયાનું સ્તર બની શકે છે.

મુખ્ય મુદ્દાઓ

  • AI-સંચાલિત ઝડપ: Anthropic મોડલ્સ અને ફિઝિક્સ-આધારિત સિમ્યુલેશન મટીરીયલ શોધની ક્ષમતાને દિવસના 20 અનુમાનોથી વધારીને હજારો સુધી લઈ જાય છે.
  • થર્મલ ઓપ્ટિમાઇઝેશન પર ધ્યાન: અન્ય વ્યાપક મટીરીયલ-ડિસ્કવરી સ્ટાર્ટઅપ્સથી વિપરીત, આ કંપની ગરમી દૂર કરવાની સમસ્યાઓ પર ધ્યાન કેન્દ્રિત કરે છે જે આધુનિક AI ચિપ્સ અને ડેટા સેન્ટર્સને અસર કરે છે.
  • IP-કેન્દ્રિત મોડલ: તે નવીન પદાર્થો અને પ્રક્રિયાઓ માટે પેટન્ટ મેળવીને અને પછી તેને મુખ્ય ચિપમેકર્સને લાયસન્સ આપીને તેના તારણોમાંથી આવક મેળવવાની યોજના ધરાવે છે.

જોખમો અને વિરોધ પક્ષના મુદ્દાઓ

(વિશ્લેષક ઇનપુટ માટે આ વિભાગ જાણીજોઈને ખાલી રાખવામાં આવ્યો છે)

આગળ શું જોવું

  • બેન્ચમાર્ક અપનાવવો –
  • પ્રાયોગિક સફળતાઓ –
  • ફેબ્સ (fabs) સાથે ભાગીદારી –
  • નિયમનકારી અથવા IP પડકારો –

નિષ્કર્ષ

Discovered Materials નો દાવો છે કે વધુ શક્તિશાળી બનતી AI ચિપ્સને ઠંડી રાખવાની સ્પર્ધામાં સ્વાયત્ત AI એજન્ટ્સ માનવીય અંતર્જ્ઞાન કરતા વધુ ઝડપથી કામ કરી શકે છે. જનરેટિવ લેંગ્વેજ મોડલ્સને ફિઝિક્સ-આધારિત સિમ્યુલેશન સાથે જોડીને, સ્ટાર્ટઅપનો દાવો છે કે તે ધીમી, અનુમાન અને ચકાસણીની પ્રક્રિયાને ઉચ્ચ-થ્રુપુટ સર્ચમાં બદલી શકે છે, જે પેટન્ટ કરી શકાય તેવા અને ઉત્પાદન કરી શકાય તેવા ગરમી દૂર કરનારા મટીરીયલ્સ આપે છે. આ અભિગમ વેટ-લેબ પ્રમાણિતતા અને સેમિકન્ડક્ટર જગતના સાવચેત અપનાવવાની પ્રક્રિયામાં ટકી રહેશે કે નહીં, તેના પરથી નક્કી થશે કે તે વધુ ઠંડા અને કાર્યક્ષમ AI હાર્ડવેર માટે એક છુપો ઉદ્દીપક બનશે કે માત્ર AI-સંચાલિત કેમિસ્ટ્રીમાં અન્ય એક મહત્વાકાંક્ષી પ્રયોગ બનીને રહેશે.