Hra na ‚AI prskavku‘: Jak startup Discovered Materials pomocí rojů umělé inteligence hledá chladnější čipy

Ústřední tezí startupu je, že výzkum a vývoj nových materiálů, který obvykle trvá 10 a více let od laboratorního objevu po komerční nasazení, lze díky automatizaci ve velkém měřítku stlačit na měsíce nebo dokonce dny .

Jak funguje přístup ‚AI prskavka‘

Spoluzakladatel Advaith Sridhar popisuje metodu firmy jako „AI prskavku“ (v originále „AI whack-a-mole“). Jde o paralelní generování tisíců kandidátních materiálů, které se pak systematicky filtrují, až zbývají jen ty nejslibnější . Celý proces kombinuje nejmodernější AI modely s vlastními fyzikálními simulacemi:

• Generování kandidátů: Modely od společnosti Anthropic (včetně Claude) a další navrhují nové složení materiálů na základě vědeckých omezení .
• Rychlá simulace: Startup vytrénoval vlastní fyzikální modely, které rychle testují stabilitu, tepelnou vodivost a další vlastnosti každého kandidáta .
• Iterativní filtrování: Systém vzájemně kontroluje výsledky, vyřazuje neperspektivní kandidáty a ty nejslibnější vrací zpět do generační smyčky k dalšímu vylepšování.

Tento postup je ve srovnání s čistě lidským výzkumem radikálně rychlejší. Během svého doktorského studia odhaduje spoluzakladatel Akash Ramdas, že denně posoudil zhruba 20 kandidátních materiálů . AI agenti Discovered Materials jich dokáží vyhodnotit tisíce denně, a to nepřetržitě 24 hodin denně, 7 dní v týdnu na cloudové infrastruktuře .

První výsledky: Srovnání s chemickými giganty za 90 dní

Společně s oznámením financování v srpnu 2026 Discovered Materials uvedla, že její AI agenti za pouhých 90 dní dosáhli srovnatelného výkonu jako stávající komerční TIM formulace od velkých chemických společností . Startup tvrdí, že toho dosáhl pomocí cloudových AI agentů běžících nepřetržitě, a to bez přístupu k proprietárním datům těchto zavedených firem .

Firma zároveň zveřejnila stovky AI-objevených materiálů a spustila „Material Discovery Bench“ – otevřený benchmark, který má umožnit srovnání výsledků různých přístupů k AI-driven objevování materiálů .

Je důležité zdůraznit, že toto tvrzení o 90denní validaci dosud nebylo nezávisle replikováno ani publikováno v recenzované literatuře . Výsledky jsou spíše raným signálem než prokázaným komerčním průlomem.

Tým stojící za startupem

Spoluzakladatelé přinášejí doplňkové odborné znalosti, které pokrývají celý problém:

Oba se seznámili před více než deseti lety jako studenti na IIT Madras, jedné z nejprestižnějších indických technických univerzit . Jejich rozdílné cesty – jeden do hluboké materiálové vědy na Stanford, druhý do špičkového AI inženýrství – se spojily právě při řešení problému urychlení objevování polovodičových materiálů .

Hemant Mohapatra, partner ve fondu Lightspeed India, popsal zakladatelský tým jako spojení „vzácné kombinace hlubokých znalostí materiálových věd a špičkového AI inženýrství“ .

Detaily financování

Získané prostředky budou použity na rozšíření platformy AI agentů, nábor technických talentů a urychlení validačních partnerství s polovodičovými firmami na cestě z laboratoře do výroby .

Největší výzva: Překonat propast mezi laboratoří a výrobou

Počítačově objevit slibný materiál je jedna věc. Prokázat, že ho lze vyrábět ve velkém, integrovat do procesu výroby čipů a že bude spolehlivě fungovat po léta, je mnohem těžší a kapitálově náročnější krok. Tato „údolí smrti“ mezi objevem a komercializací je všeobecně považováno za nejtěžší část materiálových věd .

Mezi další výzvy patří:

• Konkurence a zavedené firmy: Velké chemické a polovodičové společnosti mají desítky let proprietárních dat, hluboké vztahy se zákazníky a vlastní AI iniciativy. Startupy musí dokázat, že dokáží být rychlejší a levnější.
• Nedostatek dat: Kvalitní označená data o materiálech jsou vzácná a drahá na vytvoření; kvalita výstupů AI kriticky závisí na tom, na jakých datech jsou agenti trénováni nebo s jakými daty pracují.
• Inženýrské kompromisy: Materiál, který snižuje teplo, může být příliš tvrdý, příliš drahý nebo příliš nestabilní na výrobu. Zvládnutí těchto kompromisů vyžaduje úzkou spolupráci s odborníky na výrobu .

Širší kontext: AI v objevování materiálů

Discovered Materials je součástí rychle rostoucího oboru často nazývaného „AI pro vědu“ nebo „materiálová informatika“. Základní teze v akademické sféře i mezi venture fondy je stejná: AI modely dokáží prohledávat prostor chemických sloučenin a krystalových struktur mnohem rychleji než lidská intuice nebo tradiční laboratorní experimenty.

Mezi významné hráče a projekty v této oblasti patří:

• Google DeepMind GNoME – grafové neuronové sítě, které objevily statisíce stabilních krystalových struktur.
• Microsoft MatterGen – generativní AI pro návrh materiálů.
• Materials Project (LBNL) – otevřená databáze hojně využívaná AI modely.
• Orbital Materials, Kebotix, Citrine Informatics – venture fondy podporované startupy aplikující AI na různé vertikály objevování materiálů.

Discovered Materials se odlišuje úzkým zaměřením na jeden vysoce hodnotný polovodičový problém – tepelný management – a používáním architektury multi-agentních rojů namísto jediného modelu .

Co bude dál

Následující roky ukážou, zda se AI-řízené objevování materiálů dokáže posunout od slibných počítačových výsledků ke skutečnému komerčnímu dopadu ve výrobě čipů. Obchodní model Discovered Materials spočívá v patentování objevených materiálů a jejich licencování výrobcům čipů . Pro provozovatele datových center a vedoucí pracovníky v polovodičovém průmyslu bude pokrok tohoto startupu – nebo jeho absence – užitečným signálem toho, zda AI konečně dokáže prorazit jedno z nejstarších úzkých hrdel hardwaru.