ಚಿಪ್ನ ಉಷ್ಣತೆಯ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸಲು Discovered Materials AI ಏಜೆಂಟ್ಗಳನ್ನು ಬಳಸುತ್ತಿದೆ
AI ಕೆಲಸದ ಹೊರೆಯು (workloads) ಡೇಟಾ ಸೆಂಟರ್ಗಳನ್ನು ಅವುಗಳ ಉಷ್ಣತೆಯ ಮಿತಿಯವರೆಗೆ ತಳ್ಳುತ್ತಿರುವಾಗ, ಒಂದು ಹೊಸ ಸ್ಟಾರ್ಟ್ಅಪ್ ತಾನೇ ಸೃಷ್ಟಿಸಿದ ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸಲು generative AI ಅನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತಿದೆ. ಹೊಸದಾದ, ಶಾಖವನ್ನು ಹೊರಹಾಕುವ (heat-dissipating) ವಸ್ತುಗಳನ್ನು ಹುಡುಕಲು ಸ್ವಾಯತ್ತ AI ಏಜೆಂಟ್ಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ ಚಿಪ್ಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿಸುವ ಗುರಿಯನ್ನು Discovered Materials ಹೊಂದಿದೆ.
AI Swarms ಮತ್ತು Physics Models ಮೂಲಕ ಸಂಶೋಧನೆಯನ್ನು ವಿಸ್ತರಿಸುವುದು
ಆಧುನಿಕ ಚಿಪ್ ತಯಾರಿಕೆಯಲ್ಲಿನ ಅಡಚಣೆಯು ವಿನ್ಯಾಸವಲ್ಲ; ಬದಲಾಗಿ ಬೃಹತ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಲೋಡ್ಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಶಾಖವಾಗಿದೆ. Y Combinator ಹಳೆಯ ವಿದ್ಯಾರ್ಥಿಯಾಗಿರುವ Discovered Materials, ಮಾನವನ ಊಹೆಗಳ ಬದಲಿಗೆ ವೇಗವಾಗಿ ಕೆಲಸ ಮಾಡುವ AI ಪೈಪ್ಲೈನ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಸಂಸ್ಥಾಪಕರಾದ Advaith Sridhar ಮತ್ತು Akash Ramdas generative intelligence ಅನ್ನು ಭೌತಿಕ ವಾಸ್ತವದೊಂದಿಗೆ ಜೋಡಿಸುವ ಸಾಫ್ಟ್ವೇರ್ ಹಾರ್ನೆಸ್ ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದಾರೆ.
ಈ ಕಾರ್ಯವಿಧಾನವು (workflow) ಮೆಟೀರಿಯಲ್ ಲೀಡ್ಗಳನ್ನು (material leads) ಸೃಷ್ಟಿಸಲು Anthropic ಮಾಡೆಲ್ಗಳನ್ನು ಕಸ್ಟಮ್ ಎನ್ವಿರಾನ್ಮೆಂಟ್ಗೆ ಒದಗಿಸುತ್ತದೆ. ನಂತರ ಸ್ಟಾರ್ಟ್ಅಪ್ ತಾನು ತರಬೇತಿ ನೀಡಿದ physics ಮಾಡೆಲ್ಗಳ ಮೂಲಕ ಆ ಲೀಡ್ಗಳನ್ನು ರನ್ ಮಾಡಿ, ಕಠಿಣ ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ನಡೆಸುತ್ತದೆ. ಒಬ್ಬ ಮಾನವ ಸಂಶೋಧಕನು ದಿನಕ್ಕೆ ಕೇವಲ 20 ಊಹೆಗಳನ್ನು ಮಾಡಬಹುದು; ಆದರೆ AI ಏಜೆಂಟ್ಗಳು ಕ್ಲೌಡ್ನಲ್ಲಿ ದಿನದ 24 ಗಂಟೆಯೂ ಸಾವಿರಾರು ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ನಡೆಸುತ್ತವೆ.
ಮೆಟೀರಿಯಲ್ ಎಂಜಿನಿಯರಿಂಗ್ನ "Whack-a-Mole" ಸವಾಲು
ಸೂಕ್ತವಾದ ಮೆಟೀರಿಯಲ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಕೇವಲ ಅರ್ಧದಷ್ಟು ಹೋರಾಟವಷ್ಟೇ. ಒಂದು ಮೆಟೀರಿಯಲ್ ಶಾಖವನ್ನು ಹೊರಹಾಕುವಲ್ಲಿ (thermal dissipation) ಅತ್ಯುತ್ತಮವಾಗಿರಬಹುದು, ಆದರೆ ವಿದ್ಯುತ್ ಸ್ಥಿರತೆ (electrical stability) ಅಥವಾ ತಯಾರಿಕಾ ಸಾಮರ್ಥ್ಯದಲ್ಲಿ (manufacturability) ವಿಫಲವಾಗಬಹುದು. Lightspeed India Partners ನ ಪಾಲುದಾರ Hemant Mohapatra ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅಣು ರಚನೆಗಳೊಂದಿಗೆ "whack-a-mole" ಆಟವಾಡುವುದಕ್ಕೆ ಹೋಲಿಸುತ್ತಾರೆ—ಅಂದರೆ ಉಷ್ಣತೆ, ವಿದ್ಯುತ್ ಮತ್ತು ಉತ್ಪಾದನಾ ನಿರ್ಬಂಧಗಳು ಒಂದೇ ಸಮನಾಗಿ ಹೊಂದಿಕೆಯಾಗಬೇಕು.
ಈ ಕಷ್ಟವನ್ನು ಅಳೆಯಲು, ಕಂಪನಿಯು "Material Discovery Bench" ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ. ಇದು ಅತ್ಯಾಧುನಿಕ AI ಮಾಡೆಲ್ಗಳು ಬಹು ಆಯಾಮದ ಮೆಟೀರಿಯಲ್-ಸೈನ್ಸ್ ಸಮಸ್ಯೆಗಳನ್ನು ಹೇಗೆ ಎದುರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಸಾಧನವಾಗಿದೆ. MatNex, SandboxAQ ಮತ್ತು CuspAI ನಂತಹ ಸ್ಪರ್ಧಿಗಳು ಇದೇ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದ್ದಾರೆ, ಆದರೆ Discovered Materials ಸೆಮಿಕಂಡಕ್ಟರ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕುಂಠಿತಗೊಳಿಸುವ ಉಷ್ಣತೆಯ ಅಡಚಣೆಗಳ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.
ಡಿಜಿಟಲ್ ಸಿಮ್ಯುಲೇಶನ್ನಿಂದ ಪೇಟೆಂಟ್ ಪಡೆಯಬಹುದಾದ ಹಾರ್ಡ್ವೇರ್ವರೆಗೆ
ಸ್ಟಾರ್ಟ್ಅಪ್ ಈಗ ಡಿಜಿಟಲ್ ಸಂಶೋಧನೆಯಿಂದ ಭೌತಿಕ ದೃಢೀಕರಣದ (physical validation) ಕಡೆಗೆ ಸಾಗುತ್ತಿದೆ. ಪ್ರಮುಖ ಚಿಪ್ ತಯಾರಕರು ಬಳಸುವ ಗುಣಲಕ್ಷಣಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಹಲವಾರು ಮೆಟೀರಿಯಲ್ಗಳನ್ನು ಇದು ಗುರುತಿಸಿದೆ ಮತ್ತು ಅವುಗಳನ್ನು wet-lab ಪ್ರಯೋಗಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸುತ್ತಿದೆ.
Discovered Materials ತನ್ನ ವ್ಯವಹಾರವನ್ನು ಬೌದ್ಧಿಕ ಆಸ್ತಿಯ (intellectual property) ಮೇಲೆ ನಿರ್ಮಿಸುತ್ತದೆ. ಒಂದು ಮೆಟೀರಿಯಲ್ ದೃಢೀಕರಣವನ್ನು ಪಾಸಾದ ನಂತರ, ತಂಡವು GPUಗಳಲ್ಲಿ ಆ ಮೆಟೀರಿಯಲ್ನ ಬಳಕೆ ಅಥವಾ ಅದನ್ನು ಚಿಪ್ಗಳಿಗೆ ಸಂಯೋಜಿಸಲು ಅಗತ್ಯವಿರುವ ತಯಾರಿಕಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪೇಟೆಂಟ್ ಮಾಡುತ್ತದೆ. ಈ ಪೇಟೆಂಟ್ಗಳನ್ನು ಸೆಮಿಕಂಡಕ್ಟರ್ ದೈತ್ಯ ಕಂಪನಿಗಳಿಗೆ ಲೈಸೆನ್ಸ್ ಮಾಡಿಕೊಡುವುದು, ಮುಂದಿನ ಪೀಳಿಗೆಯ ಹೆಚ್ಚಿನ ದಕ್ಷತೆಯ AI ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಈ ಕಂಪನಿಯನ್ನು ಒಂದು ಮೂಲಭೂತ ಪದರವಾಗಿಸಬಹುದು.
ಪ್ರಮುಖ ಅಂಶಗಳು
- AI-ಚಾಲಿತ ವೇಗ: Anthropic ಮಾಡೆಲ್ಗಳು ಮತ್ತು physics-ಆಧಾರಿತ ಸಿಮ್ಯುಲೇಶನ್ಗಳು ಮೆಟೀರಿಯಲ್ ಸಂಶೋಧನೆಯನ್ನು ದಿನಕ್ಕೆ 20 ಊಹೆಗಳಿಂದ ಸಾವಿರಾರುಗಳಿಗೆ ಏರಿಸುತ್ತವೆ.
- ಉಷ್ಣತೆಯ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮೇಲೆ ಗಮನ: ಇತರ ವಿಶಾಲವಾದ ಮೆಟೀರಿಯಲ್-ಸಂಶೋಧನಾ ಸ್ಟಾರ್ಟ್ಅಪ್ಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಈ ಸಂಸ್ಥೆಯು ಆಧುನಿಕ AI ಚಿಪ್ಗಳು ಮತ್ತು ಡೇಟಾ ಸೆಂಟರ್ಗಳನ್ನು ಕಾಡುತ್ತಿರುವ ಶಾಖ-ಹೊರಹಾಕುವ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡಿದೆ.
- IP-ಕೇಂದ್ರಿತ ಮಾದರಿ: ಇದು ಹೊಸ ಪದಾರ್ಥಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಪೇಟೆಂಟ್ ಮಾಡುವ ಮೂಲಕ ಮತ್ತು ನಂತರ ಅವುಗಳನ್ನು ಪ್ರಮುಖ ಚಿಪ್ ತಯಾರಕರಿಗೆ ಲೈಸೆನ್ಸ್ ಮಾಡುವ ಮೂಲಕ ಸಂಶೋಧನೆಗಳಿಂದ ಹಣ ಗಳಿಸಲು ಯೋಜಿಸಿದೆ.
ಅಪಾಯಗಳು ಮತ್ತು ವಿರೋಧಾತ್ಮಕ ಅಂಶಗಳು
(ವಿಶ್ಲೇಷಕರ ಇನ್ಪುಟ್ಗಾಗಿ ಈ ವಿಭಾಗವನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಖಾಲಿ ಬಿಡಲಾಗಿದೆ)
ಮುಂದೆ ಗಮನಿಸಬೇಕಾದವುಗಳು
- ಬೆಂಚ್ಮಾರ್ಕ್ ಅಳವಡಿಕೆ –
- ಪ್ರಾಯೋಗಿಕ ಮುಖ್ಯಾಂಶಗಳು –
- fabs ನೊಂದಿಗೆ ಪಾಲುದಾರಿಕೆಗಳು –
- ನಿಯಂತ್ರಕ ಅಥವಾ IP ಸವಾಲುಗಳು –
ಸಾರಾಂಶ
ಹೆಚ್ಚು ಶಕ್ತಿಶಾಲಿ AI ಚಿಪ್ಗಳನ್ನು ತಂಪಾಗಿಸುವ ಸ್ಪರ್ಧೆಯಲ್ಲಿ ಸ್ವಾಯತ್ತ AI ಏಜೆಂಟ್ಗಳು ಮಾನವನ ಅಂತಃಪ್ರಜ್ಞೆಗಿಂತ ವೇಗವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಲ್ಲವು ಎಂದು Discovered Materials ನಂಬಿದೆ. Generative language ಮಾಡೆಲ್ಗಳನ್ನು physics-ಆಧಾರಿತ ಸಿಮ್ಯುಲೇಶನ್ಗಳೊಂದಿಗೆ ಜೋಡಿಸುವ ಮೂಲಕ, ಈ ಸ್ಟಾರ್ಟ್ಅಪ್ ನಿಧಾನಗತಿಯ, ಊಹೆ ಮತ್ತು ಪರೀಕ್ಷೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪೇಟೆಂಟ್ ಪಡೆಯಬಹುದಾದ ಮತ್ತು ತಯಾರಿಸಬಹುದಾದ ಶಾಖ-ಹೊರಹಾಕುವ ಮೆಟೀರಿಯಲ್ಗಳನ್ನು ನೀಡುವ ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯದ ಹುಡುಕಾಟವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಈ ವಿಧಾನವು wet-lab ದೃಢೀಕರಣ ಮತ್ತು ಸೆಮಿಕಂಡಕ್ಟರ್ ಪ್ರಪಂಚದ ಎಚ್ಚರಿಕೆಯ ಅಳವಡಿಕೆಯ ಹಂತಗಳನ್ನು ಎದುರಿಸುತ್ತದೆಯೇ ಎಂಬುದು, ಇದು ತಂಪಾದ, ಹೆಚ್ಚು ದಕ್ಷತೆಯ AI ಹಾರ್ಡ್ವೇರ್ಗಾಗಿ ಒಂದು ಗುಪ್ತ ವೇಗವರ್ಧಕವಾಗುತ್ತದೆಯೇ ಅಥವಾ AI-ಚಾಲಿತ ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಮತ್ತೊಂದು ಮಹತ್ವಾಕಾಂಕ್ಷೆಯ ಪ್ರಯೋಗವಾಗುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.