Discovered Materials、AIエージェントを活用してチップの熱課題を解決
AIのワークロードがデータセンターを熱的な限界まで追い込む中、ある新しいスタートアップが、生成AIを用いて自らが引き起こした問題そのものに対処しようとしている。Discovered Materialsは、自律型AIエージェントを使用して、新たな放熱材料を探索することで、チップの効率化を目指している。
AIスウォームと物理モデルによる探索のスケールアップ
現代のチップ製造におけるボトルネックは設計ではなく、膨大な計算負荷によって発生する熱である。Y Combinatorの卒業生であるDiscovered Materialsは、人間の推測を高速なAIパイプラインに置き換える。創設者のAdvaith SridharとAkash Ramdasは、生成AIの知能を物理的な現実に結びつけるソフトウェア・ハーネスを構築した。
そのワークフローでは、Anthropicのモデルをカスタム環境に投入して材料の候補を生成する。次に、同社がトレーニングした物理モデルを用いて、それらの候補に対して厳密なシミュレーションを実行する。人間の研究者が1日に管理できる推測は20回程度かもしれないが、AIエージェントはクラウド上で24時間体制で数千ものシミュレーションを叩き出す。
材料工学における「モグラ叩き」のような課題
候補となる材料を見つけることは、戦いの半分に過ぎない。ある材料が放熱性に優れていても、電気的安定性や製造性において失敗することもある。Lightspeed India PartnersのパートナーであるHemant Mohapatraは、このプロセスを原子構造を用いた「モグラ叩き」に例えている。熱、電気、そして生産の制約をすべて一致させなければならないからだ。
この難易度を測定するために、同社は「Material Discovery Bench」をリリースした。これは、最先端のAIモデルが多次元的な材料科学の問題にどのように取り組むかを追跡するツールである。MatNex、SandboxAQ、CuspAIといった競合他社も同じ領域で活動しているが、Discovered Materialsは半導体の性能を阻害する熱的なボトルネックに集中している。
デジタルシミュレーションから特許可能なハードウェアへ
同スタートアップは現在、デジタルでの発見から物理的な検証へと移行している。主要なチップメーカーが使用している材料の特性に一致する材料をいくつか特定しており、ウェットラボ（実実験）でのテストを行っている。
Discovered Materialsは知的財産（IP）を基盤にビジネスを展開している。候補が検証を通過すると、チームはその材料のGPUへの使用、あるいはチップへの統合に必要な製造プロセスについて特許を取得する。これらの特許を半導体大手へライセンス供与することで、同社は次世代の高効率AIハードウェアにおける基盤レイヤーとなる可能性がある。
主なポイント
- AI主導のスピード: Anthropicのモデルと物理ベースのシミュレーションにより、材料探索は1日20回の推測から数千回へと飛躍的に向上する。
- 熱最適化への注力: 広範な材料探索を行うスタートアップとは異なり、同社は現代のAIチップやデータセンターを悩ませている放熱問題に特化している。
- IP中心のモデル: 新しい物質やプロセスを特許化し、それを主要なチップメーカーにライセンス供与することで、研究成果を収益化する計画である。
リスクと反論
(アナリストの入力のために意図的に空白のままにされています)
今後の注目点
- ベンチマークの採用状況 –
- 実験における画期的な進展 –
- ファブ（製造工場）との提携 –
- 規制または知的財産に関する課題 –
結論
Discovered Materialsは、ますます強力になるAIチップを冷却するための競争において、自律型AIエージェントが人間の直感を上回ることができると賭けている。生成言語モデルと物理ベースのシミュレーションを組み合わせることで、同社は、従来の遅い「試行錯誤」のプロセスを、特許取得可能で製造可能な放熱材料を生み出す高スループットな探索へと変貌させると主張している。このアプローチがウェットラボでの検証や、半導体業界の慎重な採用サイクルを乗り越えられるかどうかが、同社がより涼しく効率的なAIハードウェアを実現するための隠れた触媒となるか、あるいはAI主導の化学における単なる野心的な実験に終わるかを決定づけるだろう。