Discovered Materials ਚਿੱਪ ਦੇ ਥਰਮਲ ਚੁਣੌਤੀਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ AI Agents ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ

ਜਿਵੇਂ-ਜਿਵੇਂ AI ਵਰਕਲੋਡ ਡਾਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਥਰਮਲ ਸੀਮਾਵਾਂ ਤੱਕ ਪਹੁੰਚਾ ਰਹੇ ਹਨ, ਇੱਕ ਨਵਾਂ ਸਟਾਰਟਅੱਪ ਜਨਰੇਟਿਵ AI ਨੂੰ ਉਸੇ ਸਮੱਸਿਆ ਦੇ ਖਿਲਾਫ ਵਰਤ ਰਿਹਾ ਹੈ ਜੋ ਇਸਨੇ ਖੁਦ ਪੈਦਾ ਕੀਤੀ ਹੈ। Discovered Materials ਦਾ ਉਦੇਸ਼ ਨਵੇਂ, ਗਰਮੀ ਨੂੰ ਖਤਮ ਕਰਨ ਵਾਲੇ (heat-dissipating) ਪਦਾਰਥਾਂ ਦੀ ਭਾਲ ਕਰਨ ਲਈ ਖੁਦਮੁਖਤਿਆਰ AI agents ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਪਸ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣਾਉਣਾ ਹੈ।

AI Swarms ਅਤੇ Physics Models ਨਾਲ ਖੋਜ ਦਾ ਪਸਾਰ ਕਰਨਾ

ਆਧੁਨਿਕ ਚਿੱਪ ਨਿਰਮਾਣ ਵਿੱਚ ਰੁਕਾਵਟ ਡਿਜ਼ਾਈਨ ਨਹੀਂ ਹੈ; ਇਹ ਵਿਸ਼ਾਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋਡ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਗਈ ਗਰਮੀ ਹੈ। Y Combinator ਦਾ ਐਲੂਮਨਸ (alumnus), Discovered Materials, ਮਨੁੱਖੀ ਅੰਦਾਜ਼ੇ ਦੀ ਜਗ੍ਹਾ ਤੇਜ਼ ਰਫਤਾਰ AI pipelines ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਸੰਸਥਾਪਕ Advaith Sridhar ਅਤੇ Akash Ramdas ਨੇ ਇੱਕ ਅਜਿਹਾ ਸਾਫਟਵੇਅਰ ਹਾਰਨੈਸ (harness) ਬਣਾਇਆ ਹੈ ਜੋ ਜਨਰੇਟਿਵ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਭੌਤਿਕ ਹਕੀਕਤ ਨਾਲ ਜੋੜਦਾ ਹੈ।

ਵਰਕਫਲੋ ਪਦਾਰਥਾਂ ਦੇ ਸੰਭਾਵੀ ਨਤੀਜੇ (leads) ਪੈਦਾ ਕਰਨ ਲਈ Anthropic ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਕਸਟਮ ਵਾਤਾਵਰਣ ਵਿੱਚ ਭੇਜਦਾ ਹੈ। ਫਿਰ ਸਟਾਰਟਅੱਪ ਉਹਨਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਆਪਣੇ ਸਿਖਾਏ ਹੋਏ physics models ਰਾਹੀਂ ਲੰਘਾਉਂਦਾ ਹੈ ਅਤੇ ਸਖ਼ਤ ਸਿਮੂਲੇਸ਼ਨ ਕਰਦਾ ਹੈ। ਇੱਕ ਮਨੁੱਖੀ ਖੋਜਕਰਤਾ ਦਿਨ ਵਿੱਚ ਸ਼ਾਇਦ 20 ਅੰਦਾਜ਼ੇ ਲਗਾ ਸਕਦਾ ਹੈ; ਪਰ AI agents ਕਲਾਊਡ ਵਿੱਚ ਚੌਵੀ ਘੰਟੇ ਹਜ਼ਾਰਾਂ ਸਿਮੂਲੇਸ਼ਨ ਕਰਦੇ ਹਨ।

Material Engineering ਦੀ "Whack-a-Mole" ਚੁਣੌਤੀ

ਇੱਕ ਉਮੀਦਵਾਰ ਪਦਾਰਥ ਲੱਭਣਾ ਅੱਧੀ ਜੰਗ ਹੈ। ਇੱਕ ਪਦਾਰਥ ਥਰਮਲ ਡਿਸਿਪੇਸ਼ਨ (thermal dissipation) ਵਿੱਚ ਵਧੀਆ ਹੋ ਸਕਦਾ ਹੈ ਪਰ ਬਿਜਲੀ ਦੀ ਸਥਿਰਤਾ ਜਾਂ ਨਿਰਮਾਣਯੋਗਤਾ (manufacturability) ਵਿੱਚ ਫੇਲ ਹੋ ਸਕਦਾ ਹੈ। Lightspeed India Partners ਦੇ ਭਾਈਵਾਲ Hemant Mohapatra ਇਸ ਪ੍ਰਕਿਰਿਆ ਦੀ ਤੁਲਨਾ ਐਟੋਮਿਕ ਬਣਤਰਾਂ ਨਾਲ "whack-a-mole" ਖੇਡਣ ਨਾਲ ਕਰਦੇ ਹਨ—ਥਰਮਲ, ਬਿਜਲੀ, ਅਤੇ ਉਤਪਾਦਨ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਇੱਕ ਸਾਥ ਹੋਣਾ ਜ਼ਰੂਰੀ ਹੈ।

ਇਸ ਮੁਸ਼ਕਲ ਨੂੰ ਮਾਪਣ ਲਈ, ਕੰਪਨੀ ਨੇ "Material Discovery Bench" released ਕੀਤਾ ਹੈ, ਜੋ ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਹੈ ਜੋ ਇਹ ਟ੍ਰੈਕ ਕਰਦਾ ਹੈ ਕਿ ਅਗਾਂਹਵਧੂ AI ਮਾਡਲ ਬਹੁ-ਆਯਾਮੀ ਮਟੀਰੀਅਲ-ਸਾਇੰਸ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕਰਦੇ ਹਨ। MatNex, SandboxAQ, ਅਤੇ CuspAI ਵਰਗੇ ਮੁਕਾਬਲੇਬਾਜ਼ ਵੀ ਇਸੇ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ, ਪਰ Discovered Materials ਉਹਨਾਂ ਥਰਮਲ ਰੁਕਾਵਟਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ ਜੋ ਸੈਮੀਕੰਡਕਟਰ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ।

ਡਿਜੀਟਲ ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ ਲੈ ਕੇ ਪੇਟੈਂਟਯੋਗ ਹਾਰਡਵੇਅਰ ਤੱਕ

ਸਟਾਰਟਅੱਪ ਹੁਣ ਡਿਜੀਟਲ ਖੋਜ ਤੋਂ ਭੌਤਿਕ ਪ੍ਰਮਾਣਿਕਤਾ (physical validation) ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ। ਇਸਨੇ ਕਈ ਅਜਿਹੇ ਪਦਾਰਥਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਹੈ ਜੋ ਪ੍ਰਮੁੱਖ ਚਿੱਪ ਨਿਰਮਾਤਾਵਾਂ ਦੁਆਰਾ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਪਦਾਰਥਾਂ ਦੇ ਗੁਣਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਦਾ wet-lab ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਟੈਸਟ ਕਰ ਰਿਹਾ ਹੈ।

Discovered Materials ਆਪਣਾ ਕਾਰੋਬਾਰ ਬੌਧਿਕ ਸੰਪੱਤੀ (intellectual property) 'ਤੇ ਬਣਾਉਂਦਾ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਕੋਈ ਉਮੀਦਵਾਰ ਪਦਾਰਥ ਪ੍ਰਮਾਣਿਕਤਾ ਪਾਸ ਕਰ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਟੀਮ GPUs ਵਿੱਚ ਉਸ ਪਦਾਰਥ ਦੀ ਵਰਤੋਂ ਜਾਂ ਚਿੱਪਾਂ ਵਿੱਚ ਇਸਨੂੰ ਜੋੜਨ ਲਈ ਲੋੜੀਂਦੀ ਨਿਰਮਾਣ ਪ੍ਰਕਿਰਿਆ ਦਾ ਪੇਟੈਂਟ ਲੈ ਲੈਂਦੀ ਹੈ। ਉਹਨਾਂ ਪੇਟੈਂਟਾਂ ਨੂੰ ਸੈਮੀਕੰਡਕਟਰ ਦਿੱਗਜਾਂ ਨੂੰ ਲਾਇਸੈਂਸ ਦੇਣਾ ਕੰਪਨੀ ਨੂੰ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਉੱਚ-ਕੁਸ਼ਲਤਾ ਵਾਲੇ AI ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਪੱਧਰ ਬਣਾ ਸਕਦਾ ਹੈ।

ਮੁੱਖ ਗੱਲਾਂ

  • AI-ਅਧਾਰਿਤ ਰਫਤਾਰ: Anthropic ਮਾਡਲ ਅਤੇ physics-ਅਧਾਰਿਤ ਸਿਮੂਲੇਸ਼ਨ ਪਦਾਰਥ ਦੀ ਖੋਜ ਨੂੰ ਦਿਨ ਵਿੱਚ 20 ਅੰਦਾਜ਼ਿਆਂ ਤੋਂ ਵਧਾ ਕੇ ਹਜ਼ਾਰਾਂ ਤੱਕ ਲੈ ਜਾਂਦੇ ਹਨ।
  • ਥਰਮਲ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ 'ਤੇ ਧਿਆਨ: ਹੋਰ ਵਿਆਪਕ ਮਟੀਰੀਅਲ-ਡਿਸਕਵਰੀ ਸਟਾਰਟਅੱਪਾਂ ਦੇ ਉਲਟ, ਇਹ ਫਰਮ ਗਰਮੀ ਨੂੰ ਖਤਮ ਕਰਨ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦੀ ਹੈ ਜੋ ਆਧੁਨਿਕ AI ਚਿੱਪਸ ਅਤੇ ਡਾਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ।
  • IP-ਕੇਂਦ੍ਰਿਤ ਮਾਡਲ: ਇਹ ਨਵੇਂ ਪਦਾਰਥਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਾ ਪੇਟੈਂਟ ਲੈ ਕੇ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਮੁੱਖ ਚਿੱਪ ਨਿਰਮਾਤਾਵਾਂ ਨੂੰ ਲਾਇਸੈਂਸ ਦੇ ਕੇ ਆਪਣੀਆਂ ਖੋਜਾਂ ਤੋਂ ਮੁਨਾਫਾ ਕਮਾਉਣ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦਾ ਹੈ।

ਜੋਖਮ ਅਤੇ ਵਿਰੋਧੀ ਨੁਕਤੇ

(ਵਿਸ਼ਲੇਸ਼ਕ ਦੇ ਇਨਪੁਟ ਲਈ ਜਾਣਬੁੱਝ ਕੇ ਖਾਲੀ ਛੱਡਿਆ ਗਿਆ ਹੈ)

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

  • ਬੈਂਚਮਾਰਕ ਅਪਣਾਉਣਾ –
  • ਪ੍ਰਯੋਗਿਕ ਉਪਲਬਧੀਆਂ –
  • ਫੈਬਸ (fabs) ਨਾਲ ਭਾਈਵਾਲੀ –
  • ਨਿਯਮਤ ਜਾਂ IP ਚੁਣੌਤੀਆਂ –

ਨਿਚੋੜ

Discovered Materials ਦਾ ਦਾਅਵਾ ਹੈ ਕਿ ਵਧਦੇ ਜਾ ਰਹੇ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਚਿੱਪਸ ਨੂੰ ਠੰਡਾ ਕਰਨ ਦੀ ਦੌੜ ਵਿੱਚ ਖੁਦਮੁਖਤਿਆਰ AI agents ਮਨੁੱਖੀ ਅੰਤਰਾਤਮਾ (intuition) ਤੋਂ ਅੱਗੇ ਨਿਕਲ ਸਕਦੇ ਹਨ। ਜਨਰੇਟਿਵ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ physics-ਅਧਾਰਿਤ ਸਿਮੂਲੇਸ਼ਨਾਂ ਨਾਲ ਜੋੜ ਕੇ, ਸਟਾਰਟਅੱਪ ਦਾ ਦਾਅਵਾ ਹੈ ਕਿ ਉਹ ਇੱਕ ਹੌਲੀ, ਅੰਦਾਜ਼ਾ-ਅਤੇ-ਚੈੱਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਇੱਕ ਤੇਜ਼ ਰਫਤਾਰ ਖੋਜ ਵਿੱਚ ਬਦਲ ਰਿਹਾ ਹੈ ਜੋ ਪੇਟੈਂਟਯੋਗ ਅਤੇ ਨਿਰਮਾਣਯੋਗ ਗਰਮੀ-ਖਤਮ ਕਰਨ ਵਾਲੇ ਪਦਾਰਥ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਕੀ ਇਹ ਪਹੁੰਚ wet-lab ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸੈਮੀਕੰਡਕਟਰ ਦੁਨੀਆ ਦੇ ਸਾਵਧਾਨੀਪੂਰਵਕ ਅਪਣਾਉਣ ਦੇ ਸਥਿਤੀਆਂ ਨੂੰ ਸਹਿਣ ਕਰ ਪਾਵੇਗੀ, ਇਹ ਤੈਅ ਕਰੇਗਾ ਕਿ ਇਹ ਵਧੇਰੇ ਠੰਡੇ ਅਤੇ ਕੁਸ਼ਲ AI ਹਾਰਡਵੇਅਰ ਲਈ ਇੱਕ ਗੁਪਤ ਉਤਪ੍ਰੇਰਕ ਬਣੇਗਾ ਜਾਂ AI-ਅਧਾਰਿਤ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਹੋਰ ਅਭਿਲਾਸ਼ੀ ਪ੍ਰਯੋਗ।