Discovered Materials spiller 'AI-whack-a-mole' for at finde køligere chips

Virksomhedens centrale tese er, at FoU inden for materialer, som typisk tager 10 år eller mere fra laboratorieopdagelse til kommerciel anvendelse, kan komprimeres til måneder eller endda dage gennem automatisering i stor skala .

Hvordan 'AI-whack-a-mole'-metoden fungerer

Medstifter Advaith Sridhar beskriver virksomhedens metode som "AI-whack-a-mole" – at generere tusindvis af kandidatmaterialer parallelt for derefter systematisk at filtrere dem ned til de mest lovende . Pipelinjen kombinerer frontlinje-AI-modeller med brugerdefinerede fysiksimuleringer:

• Kandidatgenerering: Anthropics Claude-modeller, blandt andre, foreslår nye materialesammensætninger baseret på videnskabelige begrænsninger .
• Hurtig simulering: Grundlæggende fysikmodeller trænet af startup'en kører simuleringer for at teste hver kandidats stabilitet, termiske ledningsevne og andre egenskaber .
• Iterativ filtrering: Systemet krydstjekker resultater, kasserer usandsynlige kandidater og fodrer de mest lovende spor tilbage i generationsløkken til forfining.

Denne pipeline skalerer dramatisk sammenlignet med rent menneskelig forskning. Under sin ph.d. vurderede medstifter Akash Ramdas ifølge egne skøn cirka 20 materialekandidater om dagen . Discovered Materials' AI-agenter kan vurdere tusindvis om dagen, 24/7 på cloud-infrastruktur .

Tidlig validering: Matchede kemigiganter på 90 dage

I forbindelse med finansieringsmeddelelsen i august 2026 hævdede Discovered Materials, at deres AI-agenter matchede ydeevnen af eksisterende kommercielle TIM-formuleringer fra store kemivirksomheder på bare 90 dage . Startup'en siger, at de opnåede dette ved hjælp af cloud-baserede AI-agenter, der kørte uafbrudt, uden adgang til konkurrenternes proprietære data .

Virksomheden frigav også hundredvis af AI-opdagede materialer offentligt og lancerede en "Material Discovery Bench" – en åben benchmark designet til at lade feltet sammenligne resultater fra forskellige AI-drevne materialeopdagelsestilgange .

Det er vigtigt at bemærke, at dette 90-dages valideringskrav endnu ikke er uafhængigt replikeret eller offentliggjort i fagfællebedømt litteratur . Resultaterne er et tidligt signal, ikke et bevist kommercielt gennembrud.

Holdet bag startup'en

Medstifterne bringer komplementær ekspertise, der dækker hele problemområdet:

De to mødtes for over et årti siden som studerende på IIT Madras, en af Indiens førende ingeniøruddannelser . Deres divergerende veje – den ene ind i dyb materialevidenskab på Stanford, den anden ind i frontlinje-AI-ingeniørarbejde – konvergerede om problemet med at accelerere opdagelsen af halvledermaterialer .

Hemant Mohapatra, partner hos Lightspeed India, beskrev grundlæggerteamet som en kombination af "en sjælden blanding af dyb materialevidenskabelig ekspertise og frontlinje-AI-ingeniørarbejde" .

Finansieringsdetaljer

Pengene skal bruges til at skalere AI-agent-platformen, ansætte tekniske talenter og accelerere lab-to-fab-valideringspartnerskaber med halvledervirksomheder .

Den største udfordring: At krydse 'lab-to-fab'-kløften

At opdage et lovende materiale via beregninger er én ting. At bevise, at det kan fremstilles i stor skala, integreres i chip-fremstillingsprocesser og fungere pålideligt i årevis, er et meget sværere, kapitalintensivt skridt. Denne "dødens dal" mellem opdagelse og kommercialisering anses bredt for at være den sværeste del af materialevidenskaben .

Yderligere udfordringer inkluderer:

• Konkurrence og etablerede spillere: Store kemikalie- og halvledermaterialevirksomheder har årtiers proprietære data, dybe kunderelationer og deres egne AI-initiativer. Startups må bevise, at de kan bevæge sig hurtigere og billigere.
• Dataknaphed: Højkvalitets, mærkede materialedata er knappe og dyre at generere; kvaliteten af AI-output afhænger kritisk af, hvilke data agenterne er trænet eller fodret med.
• Ingeniørmæssige afvejninger: Et materiale, der reducerer varme, kan være for hårdt, for dyrt eller for ustabilt at fremstille. At navigere disse afvejninger kræver tæt integration med fremstillingseksperter .

Det bredere landskab inden for AI-drevet materialeopdagelse

Discovered Materials er en del af et hurtigt voksende felt, der ofte kaldes "AI for science" eller "materiale-informatik". Den centrale tese på tværs af både akademia og venture-støttede startups er den samme: AI-modeller kan søge i kemiske og krystalstrukturrum langt hurtigere end menneskelig intuition eller brute-force-laboratorieforsøg.

Bemærkelsesværdige aktører og projekter i det bredere rum inkluderer:

• Google DeepMinds GNoME – graf-neurale netværk, der opdagede hundredtusindvis af stabile krystalstrukturer.
• Microsofts MatterGen – generativ AI til materialedesign.
• Materials Project (LBNL) – en åben database, der bruges bredt af AI-modeller.
• Orbital Materials, Kebotix, Citrine Informatics – venture-støttede startups, der anvender AI på forskellige vertikaler inden for materialeopdagelse.

Discovered Materials differentierer sig ved at fokusere snævert på ét højværdi-halvlederproblem – termisk styring – i stedet for bredt på alle materialer, og ved at bruge en multi-agent-sværm-arkitektur i stedet for en enkelt model .

Hvad kommer der nu

De næste par år vil afgøre, om AI-guidet materialeopdagelse kan skalere fra lovende beregningsresultater til ægte kommerciel effekt i chipfremstilling. Discovered Materials' forretningsmodel er at patentere de materialer, de opdager, og licensere dem til chipproducenter . For datacenteroperatører og halvlederledere, der følger med i dette område, vil startup'ens fremskridt – eller mangel på samme – være et nyttigt signal for, om AI endelig kan knække en af hardwares ældste flaskehalse.