Discovered Materials использует ИИ-агентов для решения проблем теплоотвода чипов

По мере того как рабочие нагрузки ИИ доводят дата-центры до их тепловых пределов, новый стартап направляет генеративный ИИ на решение именно той проблемы, которую он сам и создал. Discovered Materials стремится повысить эффективность чипов, используя автономных ИИ-агентов для поиска новых теплоотводящих материалов.

Масштабирование открытий с помощью ИИ-роев и физических моделей

Узким местом в современном производстве чипов является не проектирование, а тепло, выделяемое при огромных вычислительных нагрузках. Discovered Materials, выпускник Y Combinator, заменяет человеческие догадки высокоскоростными ИИ-конвейерами. Основатели Адвайт Шридхар (Advaith Sridhar) и Акаш Рамдас (Akash Ramdas) создали программную среду, которая связывает генеративный интеллект с физической реальностью.

Рабочий процесс направляет модели Anthropic в специализированную среду для генерации перспективных вариантов материалов. Затем стартап пропускает эти варианты через обученные им физические модели, проводя строгие симуляции. Человеческий исследователь может проверить около 20 гипотез в день; ИИ-агенты же круглосуточно проводят тысячи симуляций в облаке.

Проблема «бей крота» в материаловедении

Поиск подходящего материала — это только половина дела. Материал может отлично отводить тепло, но провалиться по показателям электрической стабильности или технологичности производства. Хемант Мохапатра (Hemant Mohapatra), партнер Lightspeed India Partners, сравнивает этот процесс с игрой «бей крота» с атомными структурами: тепловые, электрические и производственные ограничения должны совпасть.

Чтобы измерить сложность этой задачи, компания выпустила «Material Discovery Bench» — инструмент, который отслеживает, как передовые модели ИИ справляются с многомерными задачами материаловедения. Конкуренты, такие как MatNex, SandboxAQ и CuspAI, работают в той же области, но Discovered Materials концентрируется на тепловых проблемах, которые сдерживают производительность полупроводников.

От цифрового моделирования к патентуемому оборудованию

Теперь стартап переходит от цифровых открытий к физической проверке. Он уже выявил несколько материалов, характеристики которых соответствуют материалам, используемым крупнейшими производителями чипов, и тестирует их в лабораторных условиях (wet-lab).

Бизнес Discovered Materials строится на интеллектуальной собственности. Как только кандидат проходит проверку, команда патентует использование материала в GPU или процесс производства, необходимый для его интеграции в чипы. Лицензирование этих патентов гигантам полупроводниковой отрасли может сделать компанию фундаментальным звеном в следующем поколении высокоэффективного ИИ-оборудования.

Основные выводы

  • Скорость благодаря ИИ: Модели Anthropic и физические симуляции увеличивают скорость поиска материалов с 20 гипотез в день до тысяч.
  • Фокус на тепловой оптимизации: В отличие от стартапов широкого профиля по поиску материалов, компания нацелена на проблемы теплоотвода, которые мешают работе современных ИИ-чипов и дата-центров.
  • Модель, ориентированная на ИС: Компания планирует монетизировать результаты, патентуя новые вещества и процессы, а затем лицензируя их крупнейшим производителям чипов.

Риски и контраргументы

(раздел намеренно оставлен пустым для аналитических данных)

На что обратить внимание

  • Внедрение бенчмарка –
  • Экспериментальные прорывы –
  • Партнерства с заводами (fabs) –
  • Регуляторные проблемы или вопросы ИС –

Итог

Discovered Materials делает ставку на то, что автономные ИИ-агенты смогут обойти человеческую интуицию в гонке за охлаждением все более мощных ИИ-чипов. Сочетая генеративные языковые модели с физическими симуляциями, стартап заявляет, что превращает медленный процесс проб и ошибок в высокопроизводительный поиск, результатом которого становятся патентуемые и пригодные для производства теплоотводящие материалы. Выдержит ли этот подход проверку в лабораториях и осторожные циклы внедрения в полупроводниковом мире, определит, станет ли он скрытым катализатором создания более холодных и эффективных ИИ-устройств или останется лишь очередным амбициозным экспериментом в области ИИ-химии.