تصور کنید یک تیم دو نفره با ارتشی از عامل‌های هوش مصنوعی، در حال شکار موادی است که بتواند تراشه‌های کامپیوتری را خنک نگه دارد. این استارتاپ با شناسایی موادی برای مدارات مجتمع که می‌توانند گرما را بسیار کارآمدتر از نیمه‌هادی‌های فعلی دفع کنند، قصد دارد بحران انرژی ناشی از رشد هوش مصنوعی را حل کند.
در حال حاضر، مراکز داده (Data Center) مقادیر عظیمی برق را صرف سیستم‌های خنک‌کننده می‌کنند تا گرمای شدید ناشی از پردازش‌های سنگین AI را مهار کنند. تراشه‌هایی که این حجم از پردازش را انجام می‌دهند بیش از حد داغ می‌شوند و این امر یک گلوگاه حرارتی ایجاد کرده است. این مشکل باعث می‌شود تراشه‌ها را نتوان با تراکم بیشتر در کنار هم قرار داد و سرعت اجرای آن‌ها را نیز محدود می‌کند.
برای مقابله با این مشکل، ادوایت سریدار و آکاش رامداس از همان فناوری‌ای استفاده می‌کنند که باعث ایجاد این گرما شده است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی سخت‌افزاری مدل‌های زبانی اشاره کردیم، تلاقی علم مواد و AI اکنون به یک ضرورت تبدیل شده است. این تیم، تجربه سریدار در توسعه عامل (Agent) در شرکت‌های Persona AI و Luma Labs — شبیه به دستیاران هوشمندی که می‌توانند به‌طور مستقل برنامه‌ریزی کنند و کارها را پیش ببرند — را با تخصص رامداس به عنوان دارنده مدرک دکترا در علم مواد از دانشگاه استنفورد ترکیب کرده است. این رویکرد در راستای موج جدیدی از اتوماسیون در صنعت نیمه‌هادی است که استارتاپ ChipAgents نیز با هدف خودکارسازی طراحی تراشه‌ها در حال پیشبرد آن است.
طبق اعلام رسمی شرکت در ۱۰ اوت ۲۰۲۶، این استارتاپ موفق به جذب ۹ میلیون دلار سرمایه در دور Seed شد. این دور توسط Lightspeed India Partners رهبری شد و شرکت‌هایی مثل Peak XV Partners و سرمایه‌گذاران فرشته‌ای چون پل گراهام، گوکول راجارام و ثارق شیهیپار در آن مشارکت داشتند. این تیم که از شتاب‌دهنده Y Combinator بیرون آمده، تمرکز ویژه‌ای بر خواص حرارتی مواد نیمه‌هادی دارد.
این شرکت برای تسریع پژوهش‌ها از یک خط لوله نرم‌افزاری چندمرحله‌ای استفاده می‌کند:
- تولید کاندیدها (Lead Generation): استفاده از چارچوب‌های سفارشی با مدل‌های Anthropic برای پیشنهاد مواد احتمالی.
- تأیید اولیه (Verification): اجرای شبیه‌سازی‌ها توسط مدل‌های فیزیک بنیادی که توسط خود تیم آموزش دیده‌اند تا بررسی شود که آیا این کاندیدها از نظر علمی قابل اجرا هستند یا خیر.
- اعتبارسنجی نهایی (Validation): استفاده از یک آزمایشگاه فیزیکی برای سنتز سریع و آزمایش واقعی امیدوارکننده‌ترین کاندیدها.
به نقل از سریدار، در حالی که رامداس در دوران دکترا در استنفورد شاید روزی ۲۰ حدس می‌زد، اکنون عامل‌های هوش مصنوعی آن‌ها به‌صورت ۲۴ ساعته در فضای ابری فعال‌اند و روزانه هزاران احتمال را بررسی می‌کنند. این یعنی پیمایش در مسیرهای پژوهشی که توسط رامداس ارائه شده، با مقیاسی صورت می‌گیرد که برای یک پژوهشگر انسانی غیرممکن است.
همچنین این شرکت «بنچمارک کشف مواد» (Material Discovery Bench) خود را منتشر کرد تا نحوه عملکرد مدل‌های پیشرو در مواجهه با این چالش‌های علمی را ردیابی کند و در کنار آن، نمونه‌هایی از صدها ماده جدید را به نمایش گذاشت.
اما یافتن ماده تنها نیمی از مسیر است. همانت موهپاترا از Lightspeed این فرآیند را به «بازی ضربه به موش» با ساختارهای اتمی تشبیه می‌کند. ماده‌ای که گرما را کم می‌کند، ممکن است تولیدش غیرممکن باشد یا خواص الکتریکی تراشه را تخریب کند.
موفقیت در این مسیر نیازمند تلاقی سه عامل است: بازده حرارتی، قابلیت تولید صنعتی و عملکرد الکتریکی. موهپاترا تأکید می‌کند که یک ماده تنها زمانی در دنیای واقعی کاربرد دارد که هر سه عامل به‌طور هم‌زمان محقق شوند، و همین موضوع است که یک مسئله جستجوی پیچیده ایجاد می‌کند.
اگرچه استارتاپ ادعا می‌کند موادی با خواص مشابه محصولات غول‌های تراشه‌سازی یافته است، اما هنوز ترکیب شیمیایی دقیق آن‌ها را افشا نکرده است. آن‌ها در حال حاضر با رقبایی چون MatNex، SandboxAQ و CuspAI در رقابت هستند.
بر اساس استراتژی تجاری شرکت، Discovered Materials قصد دارد استفاده از این مواد در GPUها یا فرآیندهای تولید خاص مورد نیاز برای خلق آن‌ها را ثبت اختراع کند. هدف آن‌ها این است که این پتنت‌ها را به سازندگان بزرگ تراشه بفروشند و قصد دارند ظرف سال آینده به مواد قابل ثبت اختراع دست یابند.
با این حال، تاریخ صنعت نشان داده که تجاری‌سازی این مواد کند است. برای مثال، شرکت Insilico Medicine توانست اولین داروی کشف‌شده با هوش مصنوعی زاینده (Generative AI) — مثل هنرمندی که با یادگیری الگوهای قبلی، آثار کاملاً جدیدی خلق می‌کند — یعنی داروی Renterosib را به فاز دوم آزمایشات برساند. همچنین شرکت MatNex آهنرباهای دائمی بدون عناصر نادر خاکی را یافت، اما تعداد کمی از مواد کشف‌شده توسط AI به تولید انبوه رسیده‌اند. کارهای امیدوارکننده دیگری توسط پاناسونیک و Citrine Informatics انجام شده است، اما این موارد هنوز در مقیاس صنعتی مستقر نشده‌اند.
موهپاترا معتقد است گلوگاه اصلی دیگر یافتن کاندیدها نیست، بلکه فیلتر کردن و سنتز درست آن‌هاست. سریدار نیز پذیرفته است که کارهای «آزمایشگاه تر» (Wet Lab) یا همان ساخت فیزیکی مواد را نمی‌توان با نرم‌افزار سرعت بخشید.
این رویکرد، تمرکز را از علم مواد کلی به مدیریت حرارتی تغییر می‌دهد؛ با این شرط که نیاز فوری بازار به تراشه‌های خنک‌تر، مسیری سریع‌تر برای ورود به بازار ایجاد کند تا کشفیات علمی گسترده‌تر.
گام بعدی شما
- اگر در حوزه سخت‌افزار فعالیت می‌کنید، بنچمارک کشف مواد این شرکت را برای درک توانایی مدل‌های LLM در علوم پایه بررسی کنید.
- تحولات مربوط به مواد جایگزین گالیم و سیلیکون را دنبال کنید تا متوجه شوید چه زمانی این مواد وارد خط تولید می‌شوند.
- روی ابزارهای شبیه‌سازی فیزیک مبتنی بر AI تمرکز کنید، زیرا آینده طراحی سخت‌افزار در تلاقی این دو حوزه است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو