Discovered Materials: Startup AI yang Gunakan 'Kawanan Agen' untuk Mengatasi Chip AI yang Kepanasan

Chip AI modern menghasilkan panas lebih dari 140 watt per sentimeter persegi — sebuah hambatan termal yang membatasi performa dan mendongkrak biaya energi di pusat data . Sebuah startup baru bernama Discovered Materials percaya solusinya terletak pada penemuan material yang lebih baik dan lebih cepat, menggunakan kawanan agen AI yang bisa menyelesaikan dalam waktu berbulan-bulan apa yang secara tradisional memakan waktu satu dekade atau lebih.

Didirikan oleh dua alumni IIT Madras dan didukung oleh Lightspeed India Partners, Y Combinator, serta investor malaikat termasuk Paul Graham, perusahaan ini muncul dari kelompok Y Combinator Spring 2026 dengan misi yang terfokus: menemukan material antarmuka termal (TIM) baru yang dapat menghantarkan panas dari chip yang semakin bertenaga .

Apa Itu Discovered Materials?

Discovered Materials adalah sebuah startup deep-tech yang berbasis di San Francisco yang membangun agen AI — sistem perangkat lunak otonom — yang bekerja secara paralel untuk menghasilkan, mensimulasikan, dan memvalidasi kandidat material semikonduktor. Target pertama perusahaan adalah material antarmuka termal, yaitu senyawa yang ditempatkan di antara lapisan chip (misalnya, antara die silikon dan penyebar panas logam) untuk mengalirkan panas ke luar .

Tesis utama perusahaan ini adalah bahwa riset dan pengembangan material, yang biasanya memakan waktu 10 tahun atau lebih dari penemuan di laboratorium hingga adopsi komersial, dapat dipersingkat menjadi hitungan bulan atau bahkan hari melalui otomatisasi dalam skala besar .

Bagaimana Cara Kerja Pendekatan 'AI Whack-a-Mole'

Rekan pendiri Advaith Sridhar menggambarkan metode perusahaan sebagai "AI whack-a-mole" — menghasilkan ribuan kandidat material secara paralel, kemudian menyaringnya secara sistematis untuk mendapatkan yang paling menjanjikan . Pipeline ini menggabungkan model AI mutakhir dengan simulasi fisika khusus:

• Pembuatan kandidat: Model Claude milik Anthropic, antara lain, mengusulkan komposisi material baru berdasarkan batasan ilmiah .
• Simulasi cepat: Model fisika fundamental yang dilatih oleh startup menjalankan simulasi untuk menguji stabilitas, konduktivitas termal, dan sifat-sifat lainnya dari setiap kandidat .
• Penyaringan berulang: Sistem memeriksa silang hasil, membuang kandidat yang tidak menjanjikan, dan memasukkan kembali prospek terbaik ke dalam putaran pembuatan untuk penyempurnaan.

Pipeline ini jauh lebih cepat dibandingkan penelitian yang hanya dilakukan manusia. Selama PhD-nya, rekan pendiri Akash Ramdas memperkirakan ia meninjau sekitar 20 kandidat material per hari . Agen AI Discovered Materials dapat mengevaluasi ribuan per hari, beroperasi 24/7 di infrastruktur cloud .

Validasi Awal: Menyamai Perusahaan Kimia Raksasa dalam 90 Hari

Bersamaan dengan pengumuman pendanaannya pada Agustus 2026, Discovered Materials mengklaim bahwa agen AI-nya berhasil menyamai kinerja formulasi TIM komersial yang ada dari perusahaan-perusahaan kimia besar hanya dalam waktu 90 hari . Startup ini mengatakan bahwa hal itu dicapai dengan menggunakan agen AI berbasis cloud yang berjalan terus menerus, tanpa akses ke data kepemilikan perusahaan-perusahaan tersebut .

Perusahaan juga merilis ratusan material yang ditemukan AI ke publik dan meluncurkan "Material Discovery Bench" — sebuah tolok ukur terbuka yang dirancang untuk memungkinkan bidang ini membandingkan hasil dari berbagai pendekatan penemuan material yang digerakkan AI .

Penting untuk dicatat bahwa klaim validasi 90 hari ini belum direplikasi secara independen atau dipublikasikan dalam literatur yang ditinjau sejawat . Hasil ini masih merupakan sinyal awal, bukan terobosan komersial yang terbukti.

Tim di Balik Startup

Para rekan pendiri menghadirkan keahlian saling melengkapi yang mencakup seluruh ruang masalah:

Rekan Pendiri	Latar Belakang	Detail Kunci
Akash Ramdas	PhD Ilmu Material, Universitas Stanford; S1 dari IIT Madras	11 tahun meneliti material semikonduktor; karyanya pada interkoneksi skala nano telah diadopsi ke dalam peta jalan Intel dan TSMC
Advaith Sridhar	Belajar AI di Carnegie Mellon; ilmuwan terapan pendiri di Persona AI (diakuisisi) dan insinyur riset di Luma Labs	Membangun agen otonom jangka panjang untuk perusahaan telekomunikasi dan kripto besar sebelum mendirikan Discovered Materials

Keduanya bertemu lebih dari satu dekade lalu sebagai mahasiswa di IIT Madras, salah satu institusi teknik terkemuka di India . Jalur karir mereka yang berbeda — satu mendalami ilmu material di Stanford, yang lain mendalami rekayasa AI mutakhir — bertemu pada masalah percepatan penemuan material semikonduktor .

Hemant Mohapatra, Partner di Lightspeed India, menggambarkan tim pendiri sebagai perpaduan "langka antara keahlian ilmu material yang mendalam dan rekayasa AI mutakhir" .

Detail Pendanaan

Item	Detail
Total terkumpul	$9 juta (sekitar Rp135 miliar) putaran seed
Investor utama	Lightspeed India Partners
Investor institusi lainnya	Y Combinator, Peak XV Partners
Investor malaikat	Paul Graham (pendiri YC), Gokul Rajaram (Dewan DoorDash), Thariq Shihipar (Anthropic)
Diumumkan	10–11 Agustus 2026

Dana tersebut akan digunakan untuk memperluas platform agen AI, merekrut talenta teknis, dan mempercepat kemitraan validasi lab-ke-fab dengan perusahaan semikonduktor .

Tantangan Terbesar: Menyeberangi 'Jurang Lab-ke-Fab'

Menemukan material yang menjanjikan secara komputasi adalah satu hal. Membuktikan bahwa material itu dapat diproduksi dalam skala besar, diintegrasikan ke dalam proses fabrikasi chip, dan berkinerja andal selama bertahun-tahun adalah langkah yang jauh lebih sulit dan padat modal. "Lembah kematian" antara penemuan dan komersialisasi ini secara luas dianggap sebagai bagian tersulit dari ilmu material .

Tantangan tambahan meliputi:

• Persaingan dan inkumben: Perusahaan kimia dan material semikonduktor besar memiliki data kepemilikan selama puluhan tahun, hubungan pelanggan yang mendalam, dan upaya AI mereka sendiri. Startup harus membuktikan bahwa mereka bisa bergerak lebih cepat dan lebih murah.
• Kelangkaan data: Data material berlabel berkualitas tinggi langka dan mahal untuk dihasilkan; kualitas keluaran AI sangat bergantung pada data apa yang digunakan untuk melatih atau meminta agen.
• Kompromi rekayasa: Material yang mengurangi panas mungkin terlalu keras, terlalu mahal, atau terlalu tidak stabil untuk diproduksi. Menavigasi kompromi ini membutuhkan integrasi yang erat dengan para ahli fabrikasi .

Lanskap yang Lebih Luas dari Penemuan Material Berbasis AI

Discovered Materials adalah bagian dari bidang yang berkembang pesat yang sering disebut "AI untuk sains" atau "informatika material." Tesis inti di seluruh dunia akademis dan startup yang didukung ventura adalah sama: model AI dapat mencari ruang kimia dan struktur kristal jauh lebih cepat daripada intuisi manusia atau eksperimen laboratorium manual.

Pemain dan proyek terkenal di ruang yang lebih luas meliputi:

• GNoME dari Google DeepMind — jaringan saraf graf yang menemukan ratusan ribu struktur kristal stabil.
• MatterGen dari Microsoft — AI generatif untuk desain material.
• Materials Project (LBNL) — database terbuka yang banyak digunakan oleh model AI.
• Orbital Materials, Kebotix, Citrine Informatics — startup yang didukung ventura yang menerapkan AI ke berbagai vertikal penemuan material.

Discovered Materials membedakan dirinya dengan berfokus secara sempit pada satu masalah semikonduktor bernilai tinggi — manajemen termal — daripada secara luas di semua material, dan dengan menggunakan arsitektur multi-agen (swarms) alih-alih model tunggal .

Apa yang Akan Terjadi Selanjutnya

Beberapa tahun ke depan akan menentukan apakah penemuan material yang dipandu AI dapat berkembang dari hasil komputasi yang menjanjikan menjadi dampak komersial yang nyata dalam manufaktur chip. Model bisnis Discovered Materials adalah mematenkan material yang ditemukannya dan melisensikannya ke pembuat chip . Bagi operator pusat data dan eksekutif semikonduktor yang mengamati ruang ini, kemajuan startup — atau ketiadaannya — akan menjadi sinyal yang berguna untuk mengetahui apakah AI akhirnya dapat memecahkan salah satu hambatan tertua di perangkat keras.