Discovered Materials चिपमधील उष्णतेच्या आव्हानांवर मात करण्यासाठी AI एजंट्सचा वापर करत आहे

जसजसे AI वर्कलोड्स डेटा सेंटर्सना त्यांच्या थर्मल मर्यादेपर्यंत ढकलत आहेत, तसतसे एक नवीन स्टार्टअप जनरेटिव्ह AI चा वापर करून त्याच समस्येवर उपाय शोधत आहे जी त्याने स्वतः निर्माण केली आहे. Discovered Materials चे उद्दिष्ट स्वायत्त (autonomous) AI एजंट्सचा वापर करून नवीन, उष्णता शोषून घेणाऱ्या (heat-dissipating) पदार्थांचा शोध घेणे आणि चिप्स अधिक कार्यक्षम बनवणे हे आहे.

AI Swarms आणि Physics Models द्वारे शोध प्रक्रियेचा विस्तार

आधुनिक चिप निर्मितीमधील अडथळा डिझाइन नसून, प्रचंड संगणकीय लोडमुळे निर्माण होणारी उष्णता आहे. Y Combinator चा माजी विद्यार्थी असलेला Discovered Materials, मानवी अंदाज वर्तवण्याच्या पद्धतीला हाय-व्हेलॉसिटी AI पाइपलाइन्सने बदलत आहे. संस्थापक अद्वैत श्रीधर आणि आकाश रामदास यांनी एक सॉफ्टवेअर हार्नेस तयार केला आहे जो जनरेटिव्ह इंटेलिजन्सला भौतिक वास्तवाशी जोडतो.

ही कार्यप्रणाली (workflow) मटेरियल लीड्स तयार करण्यासाठी Anthropic मॉडेल्सना एका कस्टम एन्व्हायरमेंटमध्ये फीड करते. त्यानंतर, स्टार्टअपने प्रशिक्षित केलेल्या फिजिक्स मॉडेल्सद्वारे त्या लीड्सवर कडक सिम्युलेशन्स (simulations) चालवले जातात. एक मानवी संशोधक दिवसाला केवळ २० अंदाज लावू शकतो; मात्र AI एजंट्स क्लाउडमध्ये चोवीस तास हजारो सिम्युलेशन्स पूर्ण करतात.

मटेरियल इंजिनीअरिंगमधील "Whack-a-Mole" आव्हान

योग्य पदार्थाचा शोध घेणे हा केवळ अर्धा लढा आहे. एखादा पदार्थ उष्णता शोषण्यात उत्कृष्ट असू शकतो, परंतु विद्युत स्थिरता (electrical stability) किंवा उत्पादनक्षमतेच्या (manufacturability) बाबतीत तो अपयशी ठरू शकतो. Lightspeed India Partners चे पार्टनर हेमंत महापात्रा या प्रक्रियेची तुलना अणू संरचनांसोबत खेळल्या जाणाऱ्या "whack-a-mole" खेळाशी करतात—येथे थर्मल, इलेक्ट्रिकल आणि उत्पादन संबंधी मर्यादा एकाच वेळी जुळणे आवश्यक असते.

ही अडचण मोजण्यासाठी, कंपनीने "Material Discovery Bench" नावाचे साधन (tool) प्रसिद्ध केले आहे, जे प्रगत AI मॉडेल्स बहुआयामी मटेरियल-सायन्स समस्या कशा प्रकारे हाताळतात यावर लक्ष ठेवते. MatNex, SandboxAQ आणि CuspAI सारखे स्पर्धक याच क्षेत्रात कार्यरत आहेत, परंतु Discovered Materials प्रामुख्याने सेमीकंडक्टरच्या कामगिरीवर परिणाम करणाऱ्या थर्मल अडथळ्यांवर लक्ष केंद्रित करते.

डिजिटल सिम्युलेशनपासून पेटंट करण्यायोग्य हार्डवेअरपर्यंत

हे स्टार्टअप आता डिजिटल शोधामधून भौतिक पडताळणीकडे (physical validation) वळत आहे. त्यांनी प्रमुख चिपमेकर्सद्वारे वापरल्या जाणाऱ्या पदार्थांच्या गुणधर्मांशी जुळणारे अनेक पदार्थ शोधले आहेत आणि ते 'वेट-लॅब' (wet-lab) प्रयोगांमध्ये तपासले जात आहेत.

Discovered Materials आपला व्यवसाय बौद्धिक संपदेवर (intellectual property) आधारित उभा करत आहे. एकदा का एखादा पदार्थ पडताळणीत यशस्वी झाला की, टीम त्या पदार्थाचा GPUs मध्ये वापर किंवा चिप्समध्ये त्याचा समावेश करण्यासाठी आवश्यक असलेल्या उत्पादन प्रक्रियेचे पेटंट घेते. हे पेटंट सेमीकंडक्टर क्षेत्रातील दिग्गज कंपन्यांना परवाना (licensing) दिल्यास, ही कंपनी पुढील पिढीच्या उच्च-कार्यक्षम AI हार्डवेअरमध्ये एक पायाभूत स्तर बनू शकते.

मुख्य निष्कर्ष

  • AI-आधारित वेग: Anthropic मॉडेल्स आणि फिजिक्स-आधारित सिम्युलेशन्समुळे मटेरियल शोधण्याची प्रक्रिया दिवसाला २० अंदाजांवरून हजारो सिम्युलेशन्सपर्यंत पोहोचली आहे.
  • थर्मल ऑप्टिमायझेशनवर लक्ष: इतर व्यापक मटेरियल-डिस्कव्हरी स्टार्टअप्सच्या उलट, ही कंपनी आधुनिक AI चिप्स आणि डेटा सेंटर्सना भेडसावणाऱ्या उष्णता-शोषणाच्या (heat-dissipation) समस्यांवर लक्ष केंद्रित करते.
  • IP-केंद्रित मॉडेल: नवीन पदार्थ आणि प्रक्रियांचे पेटंट घेऊन आणि नंतर ते प्रमुख चिपमेकर्सना परवाना देऊन संशोधनाचे व्यापारीकरण करण्याचा कंपनीचा प्लॅन आहे.

जोखीम आणि प्रतिवाद

(विश्लेषकांच्या इनपुटसाठी हा विभाग जाणीवपूर्वक रिकामा ठेवला आहे)

पुढे काय पाहावे

  • बेंचमार्क स्वीकारणे –
  • प्रायोगिक क्षेत्रातील महत्त्वपूर्ण प्रगती –
  • फॅब्ससोबत भागीदारी –
  • नियामक किंवा IP आव्हाने –

सारांश

अधिक शक्तिशाली होत जाणाऱ्या AI चिप्स थंड करण्याच्या शर्यतीत स्वायत्त AI एजंट्स मानवी अंतर्ज्ञानापेक्षा वेगाने काम करू शकतात, असा विश्वास Discovered Materials ने व्यक्त केला आहे. जनरेटिव्ह लँग्वेज मॉडेल्सना फिजिक्स-आधारित सिम्युलेशन्सशी जोडून, हे स्टार्टअप संथ आणि 'अंदाज-आणि-तपासणी' (guess-and-check) प्रक्रियेचे रूपांतर उच्च-उत्पादक शोधामध्ये करत असल्याचा दावा करते, ज्यामुळे पेटंट करण्यायोग्य आणि उत्पादनक्षम उष्णता-शोषक पदार्थ मिळतील. ही पद्धत 'वेट-लॅब' पडताळणी आणि सेमीकंडक्टर जगातील सावध स्वीकारण्याच्या प्रक्रियेत टिकते की नाही, यावर हे अवलंबून असेल की ही कंपनी अधिक थंड आणि कार्यक्षम AI हार्डवेअरसाठी एक गुप्त उत्प्रेरक (catalyst) बनेल की केवळ AI-चालित रसायनशास्त्रातील आणखी एक महत्त्वाकांक्षी प्रयोग ठरेल.