Discovered Materials משתמשת בסוכני AI כדי לפתור אתגרי תרמיות בשבבים

בעוד שעומסי עבודה של AI דוחקים את מרכזי הנתונים לקצה גבול היכולת התרמית שלהם, סטארט-אפ חדש הופך את ה-AI הגנרטיבי נגד הבעיה עצמה שהוא יצר. Discovered Materials שואפת להפוך שבבים ליעילים יותר על ידי שימוש בסוכני AI אוטונומיים לחיפוש חומרים חדשניים המפזרים חום.

הרחבת קנה המידה של הגילוי באמצעות נחילי AI ומודלים של פיזיקה

צוואר הבקבוק בייצור שבבים מודרני אינו התכנון; אלא החום הנוצר מעומסי חישוב עצומים. Discovered Materials, בוגרת Y Combinator, מחליפה ניחושים אנושיים בתהליכי (pipelines) AI במהירות גבוהה. המייסדים Advaith Sridhar ו-Akash Ramdas בנו תשתית תוכנה המחברת בין בינה גנרטיבית למציאות הפיזיקלית.

זרימת העבודה מזינה מודלים של Anthropic לסביבה מותאמת אישית כדי לייצר מועמדים לחומרים. לאחר מכן, הסטארט-אפ מריץ את המועמדים הללו דרך מודלים פיזיקליים שאותם אימן, תוך הרצת סימולציות קפדניות. חוקר אנושי עשוי לנהל כ-20 ניחושים ביום; סוכני ה-AI מפיקים אלפי סימולציות מסביב לשעון בענן.

אתגר ה-"Whack-a-Mole" בהנדסת חומרים

מציאת חומר מועמד היא רק מחצית מהקרב. חומר עשוי להצטיין בפיזור תרמי אך להיכשל ביציבות חשמלית או ביכולת ייצור. Hemant Mohapatra, שותף ב-Lightspeed India Partners, מדמה את התהליך למשחק "whack-a-mole" עם מבנים אטומיים — אילוצים תרמיים, חשמליים וייצור חייבים להסתדר יחד.

כדי למדוד את הקושי הזה, החברה השיקה את ה-"Material Discovery Bench", כלי שעוקב אחר האופן שבו מודלי AI מתקדמים מתמודדים עם בעיות רב-ממדיות במדעי החומרים. מתחרים כמו MatNex, SandboxAQ ו-CuspAI פועלים באותו תחום, אך Discovered Materials מתמקדת בצווארי הבקבוק התרמיים החונקים את ביצועי המוליכים למחצה.

מסימולציה דיגיטלית לחומרה שניתנת לרישום פטנט

הסטארט-אפ עובר כעת מגילוי דיגיטלי לוולידציה פיזיקלית. הוא זיהה מספר חומרים התואמים לתכונות של אלו המשמשים יצרניות שבבים גדולות, ובודק אותם בניסויי מעבדה (wet-lab).

Discovered Materials בונה את העסק שלה על קניין רוחני. ברגע שמועמד עובר וולידציה, הצוות רושם פטנט על השימוש בחומר ב-GPUs או על תהליך הייצור הדרוש לשילובו בשבבים. מתן רישיונות לפטנטים הללו לענקיות מוליכים למחצה עשוי להפוך את החברה לשכבת תשתית בדור הבא של חומרת AI בעלת יעילות גבוהה.

נקודות מרכזיות

  • מהירות מונעת AI: מודלים של Anthropic וסימולציות מבוססות פיזיקה מעלות את קצב גילוי החומרים מ-20 ניחושים ביום לאלפים.
  • התמקדות באופטימיזציה תרמית: החברה מתמקדת בבעיות פיזור חום המטרידות שבבי AI ומרכזי נתונים מודרניים, בניגוד לסטארט-אפים רחבים יותר בתחום גילוי החומרים.
  • מודל מבוסס קניין רוחני (IP): החברה מתכננת להפיק רווח מהתגליות על ידי רישום פטנטים על חומרים ותהליכים חדשניים, ולאחר מכן מתן רישיונות ליצרניות שבבים גדולות.

סיכונים ונקודות נגד

(סעיף זה הושאר ריק בכוונה עבור קלט של אנליסטים)

מה לעקוב אחריו בהמשך

  • אימוץ מדדי ייחוס (Benchmarks) –
  • פריצות דרך ניסוייות –
  • שותפויות עם מפעלי ייצור (fabs) –
  • אתגרים רגולטוריים או אתגרי קניין רוחני –

שורה תחתונה

Discovered Materials מהמרת על כך שסוכני AI אוטונומיים יכולים לעקוף את האינטואיציה האנושית במרוץ לקירור שבבי AI חזקים יותר ויותר. על ידי שילוב מודלי שפה גנרטיביים עם סימולציות מבוססות פיזיקה, הסטארט-אפ טוען כי הוא הופך תהליך איטי של "ניחוש ובדיקה" לחיפוש בעל תפוקה גבוהה המניב חומרים מפזרים חום שניתן לרשום עליהם פטנט ולייצר אותם. השאלה האם הגישה תשרוד את הוולידציה במעבדה (wet-lab) ואת עקומות האימוץ הזהירות של עולם המוליכים למחצה, תקבע אם היא תהפוך לזרך נסתר לחומרת AI קרירה ויעילה יותר, או רק לניסוי שאפתני נוסף בכימיה מונעת AI.