చిప్ థర్మల్ సవాళ్లను పరిష్కరించడానికి Discovered Materials AI ఏజెంట్లను ఉపయోగిస్తోంది
AI వర్క్లోడ్లు డేటా సెంటర్లను వాటి థర్మల్ పరిమితులకు నెడుతున్న తరుణంలో, ఒక కొత్త స్టార్టప్ జనరేటివ్ AIని అదే సృష్టించిన సమస్యను పరిష్కరించడానికి ఉపయోగిస్తోంది. నూతనమైన, వేడిని తగ్గించే (heat-dissipating) పదార్థాల కోసం స్వయంప్రతిపత్త AI ఏజెంట్లను ఉపయోగించి చిప్లను మరింత సమర్థవంతంగా మార్చడమే Discovered Materials లక్ష్యం.
AI స్వర్మ్స్ మరియు ఫిజిక్స్ మోడల్స్తో అన్వేషణను విస్తరించడం
ఆధునిక చిప్ తయారీలో అడ్డంకి డిజైన్ కాదు; భారీ కంప్యూటేషనల్ లోడ్ల వల్ల ఉత్పన్నమయ్యే వేడి. Y Combinator పూర్వ విద్యార్థి అయిన Discovered Materials, మానవ ఊహలను (guesswork) అధిక వేగంతో పనిచేసే AI పైప్లైన్లతో భర్తీ చేస్తోంది. వ్యవస్థాపకులు అద్వైత్ శ్రీధర్ మరియు ఆకాష్ రామ్దాస్ జనరేటివ్ ఇంటెలిజెన్స్ను భౌతిక వాస్తవంతో అనుసంధానించే ఒక సాఫ్ట్వేర్ హార్నెస్ (software harness)ను రూపొందించారు.
ఈ వర్క్ఫ్లోలో, పదార్థాల వివరాలను (material leads) రూపొందించడానికి Anthropic మోడల్స్ను ఒక కస్టమ్ ఎన్విరాన్మెంట్లో ఉపయోగిస్తారు. ఆ తర్వాత, స్టార్టప్ తాను శిక్షణ ఇచ్చిన ఫిజిక్స్ మోడల్స్ ద్వారా ఆ వివరాలను పరీక్షించి, కఠినమైన సిమ్యులేషన్లను నిర్వహిస్తుంది. ఒక మానవ పరిశోధకుడు రోజుకు 20 అంచనాలను మాత్రమే వేయగలిగితే; AI ఏజెంట్లు క్లౌడ్లో రోజుంబవళంగా వేలాది సిమ్యులేషన్లను నిర్వహిస్తాయి.
మెటీరియల్ ఇంజనీరింగ్లో "Whack-a-Mole" సవాలు
ఒక అనువైన పదార్థాన్ని కనుగొనడం అనేది సగం పోరాటం మాత్రమే. ఒక పదార్థం థర్మల్ డిసిపేషన్ (వేడిని తగ్గించడం)లో అద్భుతంగా ఉండవచ్చు, కానీ ఎలక్ట్రికల్ స్టెబిలిటీ లేదా తయారీ సామర్థ్యం (manufacturability) విషయంలో విఫలం కావచ్చు. Lightspeed India Partners భాగస్వామి హేమంత్ మహాపాత్ర ఈ ప్రక్రియను అటామిక్ స్ట్రక్చర్స్తో "whack-a-mole" ఆట ఆడటంతో పోల్చారు—అంటే థర్మల్, ఎలక్ట్రికల్ మరియు ఉత్పత్తి పరిమితులన్నీ ఒకేసారి సరిపోలాలి.
ఈ కష్టాన్ని కొలవడానికి, కంపెనీ "Material Discovery Bench"ను విడుదల చేసింది. ఇది అత్యాధునిక AI మోడల్స్ బహుమితీయ మెటీరియల్-సైన్స్ సమస్యలను ఎలా ఎదుర్కొంటాయో ట్రాక్ చేసే సాధనం. MatNex, SandboxAQ మరియు CuspAI వంటి పోటీదారులు కూడా ఇదే రంగంలో పనిచేస్తున్నారు, కానీ Discovered Materials సెమీకండక్టర్ పనితీరును దెబ్బతీసే థర్మల్ అడ్డంకులపై దృష్టి సారిస్తుంది.
డిజిటల్ సిమ్యులేషన్ నుండి పేటెంట్ చేయదగిన హార్డ్వేర్ వరకు
ఈ స్టార్టప్ ఇప్పుడు డిజిటల్ అన్వేషణ నుండి భౌతిక ధృవీకరణ (physical validation) వైపు అడుగులు వేస్తోంది. ప్రముఖ చిప్మేకర్లు ఉపయోగించే పదార్థాల లక్షణాలతో సరిపోలే పలు పదార్థాలను ఇది గుర్తించింది మరియు వాటిని వెట్-ల్యాబ్ (wet-lab) ప్రయోగాలలో పరీక్షిస్తోంది.
Discovered Materials తన వ్యాపారాన్ని మేధో సంపత్తి (intellectual property) ఆధారంగా నిర్మించుకుంటుంది. ఒక పదార్థం ధృవీకరణను దాటిన తర్వాత, ఆ పదార్థాన్ని GPUలలో ఉపయోగించడం లేదా చిప్లలో దానిని అనుసంధానించడానికి అవసరమైన తయారీ ప్రక్రియను టీమ్ పేటెంట్ చేస్తుంది. ఆ పేటెంట్లను సెమీకండక్టర్ దిగ్గజాలకు లైసెన్స్ ఇవ్వడం ద్వారా, ఈ కంపెనీ తదుపరి తరం అధిక సామర్థ్యం కలిగిన AI హార్డ్వేర్లో ఒక కీలకమైన పునాదిగా మారవచ్చు.
ముఖ్య అంశాలు
- AI-ఆధారిత వేగం: Anthropic మోడల్స్ మరియు ఫిజిక్స్ ఆధారిత సిమ్యులేషన్లు మెటీరియల్ అన్వేషణను రోజుకు 20 అంచనాల నుండి వేలాదికి పెంచుతాయి.
- థర్మల్ ఆప్టిమైజేషన్ పై దృష్టి: ఇతర మెటీరియల్-డిస్కవరీ స్టార్టప్ల వలె కాకుండా, ఈ సంస్థ ఆధునిక AI చిప్లు మరియు డేటా సెంటర్లను ఇబ్బంది పెట్టే వేడిని తగ్గించే (heat-dissipation) సమస్యలపై దృష్టి సారిస్తుంది.
- IP-కేంద్రీకృత నమూనా: నూతన పదార్థాలు మరియు ప్రక్రియలను పేటెంట్ చేయడం ద్వారా, ఆ తర్వాత వాటిని ప్రధాన చిప్మేకర్లకు లైసెన్స్ ఇవ్వడం ద్వారా ఈ సంస్థ తన పరిశోధనల నుండి ఆదాయాన్ని పొందుతుంది.
రిస్క్లు మరియు ప్రతిపాదనలు
(విశ్లేషకుల ఇన్పుట్ కోసం ఈ విభాగం ఉద్దేశపూర్వకంగా ఖాళీగా వదిలివేయబడింది)
తదుపరి గమనించాల్సిన అంశాలు
- బెంచ్మార్క్ అడాప్షన్ –
- ప్రయోగాత్మక విజయాలు –
- ఫ్యాబ్స్తో భాగస్వామ్యాలు –
- రెగ్యులేటరీ లేదా IP సవాళ్లు –
ముగింపు
మరింత శక్తివంతమైన AI చిప్లను చల్లబరిచే పోటీలో, స్వయంప్రతిపత్త AI ఏజెంట్లు మానవ అంతర్ దృష్టిని (human intuition) మించిపోగలవని Discovered Materials నమ్ముతోంది. జనరేటివ్ లాంగ్వేజ్ మోడల్స్ను ఫిజిక్స్ ఆధారిత సిమ్యులేషన్లతో అనుసంధానించడం ద్వారా, నెమ్మదైన, అంచనా వేసే ప్రక్రియను పేటెంట్ చేయదగిన, తయారు చేయదగిన వేడిని తగ్గించే పదార్థాలను అందించే అధిక సామర్థ్యం కలిగిన అన్వేషణగా మార్చగలదని ఈ స్టార్టప్ పేర్కొంది. ఈ విధానం వెట్-ల్యాబ్ ధృవీకరణను మరియు సెమీకండక్టర్ ప్రపంచంలోని జాగ్రత్తగా ఉండే అడాప్షన్ విధానాలను తట్టుకోగలదా లేదా అనేది, ఇది చల్లని, మరింత సమర్థవంతమైన AI హార్డ్వేర్కు ఒక రహస్య ఉత్ప్రేరకంగా మారుతుందా లేదా కేవలం AI-ఆధారిత కెమిస్ట్రీలో మరొక ప్రతిష్టాత్మక ప్రయోగంగా మిగిలిపోతుందా అనేది నిర్ణయిస్తుంది.