Discovered Materials gebruikt AI-agenten om thermische uitdagingen van chips op te lossen

Terwijl AI-workloads datacenters tot hun thermische limieten drijven, zet een nieuwe startup generatieve AI in tegen het probleem dat het zelf heeft gecreëerd. Discovered Materials streeft ernaar chips efficiënter te maken door autonome AI-agenten te gebruiken om op zoek te gaan naar nieuwe, warmteafvoerende materialen.

Ontdekking opschalen met AI-zwermen en natuurkundige modellen

De flessenhals in de moderne chipfabricage is niet het ontwerp; het is de hitte die wordt gegenereerd door enorme rekenbelastingen. Discovered Materials, een alumnus van Y Combinator, vervangt menselijk giswerk door AI-pipelines met een hoge snelheid. Oprichters Advaith Sridhar en Akash Ramdas hebben een software-harness gebouwd die generatieve intelligentie koppelt aan de fysieke realiteit.

De workflow voert Anthropic-modellen in een aangepaste omgeving om materiaal-leads te genereren. Vervolgens haalt de startup deze leads door getrainde natuurkundige modellen om rigoureuze simulaties uit te voeren. Een menselijke onderzoeker kan misschien 20 gissingen per dag doen; de AI-agenten draaien dag en nacht duizenden simulaties in de cloud.

De "Whack-a-Mole"-uitdaging van materiaalkunde

Het vinden van een kandidaat-materiaal is slechts de helft van de strijd. Een materiaal kan uitstekend zijn in warmteafvoer, maar tekortschieten op het gebied van elektrische stabiliteit of produceerbaarheid. Hemant Mohapatra, partner bij Lightspeed India Partners, vergelijkt het proces met het spelen van "whack-a-mole" met atomaire structuren: thermische, elektrische en productiebeperkingen moeten op één lijn liggen.

Om deze moeilijkheidsgraad te meten, heeft het bedrijf de "Material Discovery Bench" uitgebracht, een tool die bijhoudt hoe geavanceerde AI-modellen omgaan met meerdimensionale materiaalkundige problemen. Concurrenten zoals MatNex, SandboxAQ en CuspAI opereren in dezelfde ruimte, maar Discovered Materials concentreert zich op de thermische flessenhalzen die de prestaties van halfgeleiders belemmeren.

Van digitale simulatie naar patenteerbare hardware

De startup maakt nu de overstap van digitale ontdekking naar fysieke validatie. Het heeft verschillende materialen geïdentificeerd die overeenkomen met de eigenschappen van de materialen die door grote chipfabrikanten worden gebruikt, en test deze in wet-lab-experimenten.

Discovered Materials bouwt zijn bedrijf op intellectueel eigendom. Zodra een kandidaat de validatie passeert, patenteert het team het gebruik van het materiaal in GPU's of het productieproces dat nodig is om het in chips te integreren. Het licentiëren van deze patenten aan giganten in de halfgeleiderindustrie zou het bedrijf tot een fundamentele laag kunnen maken in de volgende generatie hoogefficiënte AI-hardware.

Belangrijkste inzichten

  • AI-gestuurde snelheid: Anthropic-modellen en natuurkundige simulaties verhogen de snelheid van materiaalontdekking van 20 gissingen per dag naar duizenden.
  • Focus op thermische optimalisatie: In tegenstelling tot bredere startups in materiaalontdekking, richt het bedrijf zich op warmteafvoerproblemen die moderne AI-chips en datacenters teisteren.
  • IP-centraal model: Het plan is om bevindingen te monetariseren door nieuwe stoffen en processen te patenteren en deze vervolgens te licentiëren aan grote chipfabrikanten.

Risico's en tegenargumenten

(sectie opzettelijk leeg gelaten voor input van analisten)

Waar u op moet letten

  • Adoptie van benchmarks –
  • Experimentele doorbraken –
  • Partnerschappen met fabs –
  • Regulerings- of IP-uitdagingen –

Conclusie

Discovered Materials zet erop in dat autonome AI-agenten de menselijke intuïtie kunnen verslaan in de race om steeds krachtigere AI-chips te koelen. Door generatieve taalmodellen te koppelen aan natuurkundige simulaties, beweert de startup een traag proces van gissen en controleren om te zetten in een zoektocht met een hoge doorvoer die patenteerbare, produceerbare warmteafvoerende materialen oplevert. Of de aanpak de wet-lab-validatie en de voorzichtige adoptiecurves van de halfgeleiderwereld overleeft, zal bepalen of het een verborgen katalysator wordt voor koelere, efficiëntere AI-hardware of slechts een ander ambitieus experiment in AI-gestuurde chemie.