Discovered Materials: KI-Schwärme auf der Jagd nach kühleren Chips

Die zentrale These des Unternehmens lautet: Die Materialforschung und -entwicklung (F&E), die normalerweise 10 Jahre oder länger von der Entdeckung im Labor bis zur kommerziellen Nutzung dauert, kann durch Automatisierung im großen Maßstab auf Monate oder sogar Tage verkürzt werden .

Wie der 'KI-Wackelwurf'-Ansatz funktioniert

Mitgründer Advaith Sridhar beschreibt die Methode des Unternehmens als „KI-Wackelwurf“ – Tausende von Materialkandidaten werden parallel generiert und dann systematisch auf die vielversprechendsten eingegrenzt . Die Pipeline kombiniert führende KI-Modelle mit benutzerdefinierten Physiksimulationen:

• Kandidatengenerierung: Modelle wie Anthropics Claude schlagen auf der Grundlage wissenschaftlicher Randbedingungen neuartige Materialzusammensetzungen vor .
• Schnelle Simulation: Vom Startup trainierte grundlegende Physikmodelle führen Simulationen durch, um die Stabilität, Wärmeleitfähigkeit und andere Eigenschaften jedes Kandidaten zu testen .
• Iterative Filterung: Das System gleicht die Ergebnisse ab, verwirft unwahrscheinliche Kandidaten und führt die vielversprechendsten Ansätze zur Verfeinerung zurück in die Generierungsschleife.

Diese Pipeline skaliert im Vergleich zur rein menschlichen Forschung enorm. Während seiner Promotion schätzt Mitgründer Akash Ramdas, dass er etwa 20 Materialkandidaten pro Tag überprüft hat . Die KI-Agenten von Discovered Materials können Tausende pro Tag bewerten und arbeiten rund um die Uhr auf Cloud-Infrastruktur .

Erste Validierung: Chemie-Giganten in 90 Tagen eingeholt

Parallel zur Bekanntgabe seiner Finanzierung im August 2026 gab Discovered Materials bekannt, dass seine KI-Agenten in nur 90 Tagen die Leistung bestehender kommerzieller TIM-Formulierungen großer Chemiekonzerne erreicht hätten . Das Startup gibt an, dies mit cloudbasierten KI-Agenten erreicht zu haben, die kontinuierlich liefen, ohne Zugriff auf die proprietären Daten der etablierten Unternehmen .

Das Unternehmen hat außerdem Hunderte von KI-entdeckten Materialien öffentlich zugänglich gemacht und eine „Material Discovery Bench“ ins Leben gerufen – einen offenen Benchmark, der es dem Fachgebiet ermöglichen soll, Ergebnisse verschiedener KI-gesteuerter Materialentdeckungsansätze zu vergleichen .

Es ist wichtig zu beachten, dass dieser 90-Tage-Validierungsanspruch bisher weder unabhängig repliziert noch in einem Peer-Review-Verfahren veröffentlicht wurde . Die Ergebnisse sind ein frühes Signal, kein bewiesener kommerzieller Durchbruch.

Das Team hinter dem Startup

Die Mitgründer bringen komplementäre Fachkenntnisse mit, die den gesamten Problemraum abdecken:

Die beiden lernten sich vor über einem Jahrzehnt als Studenten am IIT Madras kennen, einer der führenden Ingenieurhochschulen Indiens . Ihre unterschiedlichen Wege – der eine in die tiefe Materialwissenschaft nach Stanford, der andere in die Spitzen-KI-Entwicklung – konvergierten in dem Problem, die Entdeckung von Halbleitermaterialien zu beschleunigen .

Hemant Mohapatra, Partner bei Lightspeed India, beschrieb das Gründungsteam als eine „seltene Kombination aus tiefer materialwissenschaftlicher Expertise und KI-Engineering an vorderster Front“ .

Finanzierungsdetails

Die Mittel sollen verwendet werden, um die KI-Agentenplattform zu skalieren, technische Talente einzustellen und Validierungspartnerschaften mit Halbleiterunternehmen zu beschleunigen, um den Weg vom Labor in die Fabrik zu verkürzen .

Die größte Herausforderung: Die Kluft zwischen Labor und Fabrik

Ein vielversprechendes Material rechnerisch zu entdecken, ist das eine. Zu beweisen, dass es im großen Maßstab hergestellt, in Chip-Fertigungsprozesse integriert werden kann und über Jahre zuverlässig funktioniert, ist ein viel schwierigerer, kapitalintensiver Schritt. Dieses „Tal des Todes“ zwischen Entdeckung und Kommerzialisierung gilt allgemein als der schwierigste Teil der Materialwissenschaft .

Zu den weiteren Herausforderungen gehören:

• Wettbewerb und etablierte Akteure: Große Chemie- und Halbleitermaterialunternehmen verfügen über jahrzehntelange proprietäre Daten, tiefe Kundenbeziehungen und ihre eigenen KI-Bemühungen. Startups müssen beweisen, dass sie schneller und kostengünstiger arbeiten können.
• Datenknappheit: Hochwertige, gekennzeichnete Materialdaten sind rar und teuer zu generieren; die Qualität der KI-Ausgaben hängt entscheidend davon ab, mit welchen Daten die Agenten trainiert oder gesteuert werden.
• Technische Zielkonflikte: Ein Material, das Wärme reduziert, könnte zu hart, zu teuer oder zu instabil in der Herstellung sein. Die Bewältigung dieser Zielkonflikte erfordert eine enge Integration mit Fertigungsexperten .

Die breitere Landschaft der KI-gesteuerten Materialentdeckung

Discovered Materials ist Teil eines sich schnell ausweitenden Feldes, das oft als „KI für die Wissenschaft“ oder „Materialinformatik“ bezeichnet wird. Die Kernthese sowohl in der Wissenschaft als auch bei Venture-Capital-finanzierten Startups ist dieselbe: KI-Modelle können chemische und Kristallstrukturräume weitaus schneller durchsuchen als die menschliche Intuition oder zeitaufwändige Laborexperimente.

Bemerkenswerte Akteure und Projekte im weiteren Bereich sind:

• Google DeepMinds GNoME – Graph Neural Networks, die Hunderttausende stabiler Kristallstrukturen entdeckt haben.
• Microsofts MatterGen – Generative KI für das Materialdesign.
• Materials Project (LBNL) – Eine offene Datenbank, die häufig von KI-Modellen genutzt wird.
• Orbital Materials, Kebotix, Citrine Informatics – Venture-Capital-finanzierte Startups, die KI auf verschiedene Vertikalen der Materialentdeckung anwenden.

Discovered Materials differenziert sich, indem es sich eng auf ein einziges hochwertiges Halbleiterproblem – das Wärmemanagement – konzentriert, anstatt breit über alle Materialien hinweg zu arbeiten, und eine Multi-Agenten-Schwarm-Architektur anstelle eines einzelnen Modells verwendet .

Wie geht es weiter?

Die nächsten Jahre werden zeigen, ob die KI-gesteuerte Materialentdeckung von vielversprechenden Rechenergebnissen zu einer echten kommerziellen Wirkung in der Chip-Herstellung skalieren kann. Das Geschäftsmodell von Discovered Materials besteht darin, die entdeckten Materialien zu patentieren und an Chip-Hersteller zu lizenzieren . Für Rechenzentrumsbetreiber und Halbleiter-Manager, die dieses Gebiet beobachten, wird der Fortschritt des Startups – oder dessen Ausbleiben – ein nützlicher Indikator dafür sein, ob KI endlich einen der ältesten Hardware-Engpässe überwinden kann.