Discovered Materials wykorzystuje agentów AI do rozwiązywania problemów termicznych układów scalonych

W miarę jak obciążenia AI spychają centra danych do ich granic termicznych, nowy startup wykorzystuje generatywną sztuczną inteligencję przeciwko problemowi, który sama stworzyła. Discovered Materials dąży do zwiększenia wydajności chipów, wykorzystując autonomicznych agentów AI do poszukiwania nowych materiałów rozpraszających ciepło.

Skalowanie odkryć dzięki rojom AI i modelom fizycznym

Wąskim gardłem w nowoczesnej produkcji chipów nie jest projektowanie, lecz ciepło generowane przez ogromne obciążenia obliczeniowe. Discovered Materials, absolwent programu Y Combinator, zastępuje ludzkie domysły wysokowydajnymi potokami (pipelines) AI. Założyciele Advaith Sridhar i Akash Ramdas zbudowali oprogramowanie łączące inteligencję generatywną z rzeczywistością fizyczną.

Przepływ pracy polega na wprowadzaniu modeli Anthropic do dedykowanego środowiska w celu generowania potencjalnych materiałów. Następnie startup przepuszcza te wyniki przez wytrenowane przez siebie modele fizyczne, przeprowadzając rygorystyczne symulacje. Ludzki badacz może przeprowadzić około 20 prób dziennie; agenci AI generują tysiące symulacji przez całą dobę w chmurze.

Wyzwanie inżynierii materiałowej typu „Whack-a-Mole”

Znalezienie materiału-kandydata to tylko połowa sukcesu. Materiał może doskonale rozpraszać ciepło, ale zawodzić pod względem stabilności elektrycznej lub możliwości produkcji. Hemant Mohapatra, partner w Lightspeed India Partners, porównuje ten proces do gry „Whack-a-Mole” ze strukturami atomowymi – ograniczenia termiczne, elektryczne i produkcyjne muszą ze sobą współgrać.

Aby zmierzyć tę trudność, firma udostępniła „Material Discovery Bench” – narzędzie śledzące, jak zaawansowane modele AI radzą sobie z wielowymiarowymi problemami z zakresu inżynierii materiałowej. Konkurenci, tacy jak MatNex, SandboxAQ i CuspAI, działają w tej samej przestrzeni, ale Discovered Materials koncentruje się na wąskich gardłach termicznych, które ograniczają wydajność półprzewodników.

Od symulacji cyfrowej do opatentowanego sprzętu

Startup przechodzi teraz od cyfrowych odkryć do fizycznej walidacji. Zidentyfikował już kilka materiałów, których właściwości odpowiadają materiałom stosowanym przez głównych producentów chipów, i testuje je w eksperymentach laboratoryjnych (wet-lab).

Discovered Materials buduje swój biznes na własności intelektualnej. Gdy tylko dany materiał przejdzie walidację, zespół patentuje jego zastosowanie w procesorach graficznych (GPU) lub proces produkcyjny niezbędny do jego integracji w układach scalonych. Licencjonowanie tych patentów gigantom półprzewodnikowym może uczynić firmę fundamentem dla następnej generacji wysokowydajnego sprzętu AI.

Kluczowe wnioski

  • Prędkość napędzana przez AI: Modele Anthropic i symulacje oparte na fizyce zwiększają tempo odkrywania materiałów z 20 prób dziennie do tysięcy.
  • Koncentracja na optymalizacji termicznej: W przeciwieństwie do startupów zajmujących się szerszym zakresem odkrywania materiałów, firma celuje w problemy z rozpraszaniem ciepła, które dotykają nowoczesne chipy AI i centra danych.
  • Model oparty na IP: Firma planuje monetyzować odkrycia poprzez patentowanie nowych substancji i procesów, a następnie licencjonowanie ich głównym producentom chipów.

Ryzyka i kontrargumenty

(sekcja celowo pozostawiona pusta do uzupełnienia przez analityka)

Na co zwrócić uwagę w przyszłości

  • Adopcja benchmarków –
  • Przełomy eksperymentalne –
  • Partnerstwa z fabrykami półprzewodników (fabs) –
  • Wyzwania regulacyjne lub związane z IP –

Podsumowanie

Discovered Materials stawia na to, że autonomiczni agenci AI mogą wyprzedzić ludzką intuicję w wyścigu o chłodzenie coraz potężniejszych chipów AI. Poprzez połączenie generatywnych modeli językowych z symulacjami opartymi na fizyce, startup twierdzi, że przekształca powolny proces „prób i błędów” w wysokoprzepustowe poszukiwania, które przynoszą opatentowane i możliwe do wyprodukowania materiały rozpraszające ciepło. To, czy to podejście przetrwa walidację laboratoryjną i ostrożną ścieżkę adopcji w świecie półprzewodników, zdecyduje o tym, czy firma stanie się ukrytym katalizatorem dla chłodniejszego i wydajniejszego sprzętu AI, czy jedynie kolejnym ambitnym eksperymentem w dziedzinie chemii napędzanej przez AI.