Discovered Materials, AI 에이전트 떼로 반도체 방열 소재 개발 시간을 10년에서 90일로 단축

회사의 핵심 논리는, 보통 실험실 발견부터 상용화까지 10년 이상 걸리는 소재 연구개발(R&D)이 대규모 자동화를 통해 몇 달, 심지어 며칠로 압축될 수 있다는 것입니다 .

'AI 두더지 잡기' 방식의 작동 원리

공동 창업자인 아드바이트 스리다르(Advaith Sridhar)는 이 방식을 'AI 두더지 잡기(AI whack-a-mole)'라고 표현합니다. 수천 개의 소재 후보를 동시에 생성한 뒤 체계적으로 걸러내 가장 유망한 후보를 찾는 방식입니다 . 이 과정은 최첨단 AI 모델과 맞춤형 물리 시뮬레이션을 결합한 파이프라인을 통해 이루어집니다.

• 후보 생성: 앤트로픽의 클로드(Claude) 모델 등이 과학적 제약 조건을 바탕으로 새로운 소재 구성을 제안합니다 .
• 신속한 시뮬레이션: 스타트업이 자체 훈련한 기초 물리 모델이 각 후보의 안정성, 열 전도성 등의 특성을 테스트하기 위해 시뮬레이션을 실행합니다 .
• 반복적 필터링: 시스템이 결과를 교차 검증하고, 가능성이 낮은 후보는 폐기하며, 가장 유망한 결과물은 다시 생성 루프로 보내 정밀하게 다듬습니다.

이 파이프라인은 인간만으로 연구할 때와 비교해 엄청난 규모의 효율을 자랑합니다. 공동 창업자 아카시 람다스(Akash Ramdas)는 박사 과정 동안 하루에 약 20개의 소재 후보를 검토했다고 추정합니다 . 반면, 디스커버드 머티리얼즈의 AI 에이전트는 클라우드 인프라에서 연중무휴 24시간 운영되며 하루에 수천 개를 평가할 수 있습니다 .

초기 검증: 90일 만에 글로벌 화학 기업 성능 따라잡다

2026년 8월 투자 발표와 함께, 디스커버드 머티리얼즈는 자사의 AI 에이전트가 단 90일 만에 대형 화학 회사들의 기존 상용 TIM 제제와 동등한 성능을 달성했다고 밝혔습니다 . 스타트업은 이를 기존 업체들의 독점 데이터에 접근하지 않고, 클라우드 기반 AI 에이전트를 연속적으로 가동하는 방식으로만 달성했다고 설명합니다 .

또한 회사는 AI가 발견한 수백 가지의 소재를 공개했으며, 다양한 AI 기반 소재 발견 접근법의 결과를 비교할 수 있는 개방형 벤치마크인 '소재 발견 벤치(Material Discovery Bench)'를 출시했습니다 .

하지만 중요한 점은 이 90일 검증 주장이 아직까지 독립적으로 재현되거나 동료 검토(peer-reviewed) 학술지에 발표되지 않았다는 것입니다 . 이는 입증된 상업적 돌파구라기보다는 초기 신호에 가깝습니다.

창업팀의 구성

두 공동 창업자는 문제의 전 영역을 아우르는 상호 보완적인 전문성을 갖추고 있습니다.

두 사람은 약 10년 전 인도의 최고 공과대학 중 하나인 IIT 마드라스에서 학생으로 만났습니다 . 스탠포드에서 심층 재료 과학으로, 다른 한 명은 첨단 AI 엔지니어링으로 각자의 길을 걸어왔지만, 반도체 소재 발견의 가속화라는 문제 앞에서 다시 만나게 되었습니다 .

라이트스피드 인디아의 파트너 헤만트 모하파트라(Hemant Mohapatra)는 창업팀이 "깊은 재료 과학 전문성과 최첨단 AI 엔지니어링의 드문 조합"을 갖추고 있다고 평가했습니다 .

투자 세부 사항

이 자금은 AI 에이전트 플랫폼 확장, 기술 인재 채용, 반도체 기업과의 '연구소-공장(lab-to-fab)' 검증 파트너십 가속화에 사용될 예정입니다 .

가장 큰 도전: '연구소-공장(Lab-to-Fab)' 간극 극복

컴퓨터로 유망한 소재를 발견하는 것과, 그것이 대량 생산 가능하고 칩 제조 공정에 통합될 수 있으며 수년간 안정적으로 작동한다는 것을 증명하는 것은 훨씬 더 어렵고 막대한 자본이 필요한 단계입니다. 발견과 상용화 사이의 이 '죽음의 계곡'은 재료 과학 분야에서 가장 어려운 부분으로 널리 알려져 있습니다 .

추가적인 과제는 다음과 같습니다.

• 경쟁 및 기존 업체의 벽: 대형 화학 및 반도체 소재 기업들은 수십 년간의 독점 데이터, 깊은 고객 관계, 그리고 자체 AI 역량을 보유하고 있습니다. 스타트업은 더 빠르고 저렴하게 움직일 수 있음을 증명해야 합니다.
• 데이터 부족: 고품질의 레이블이 지정된 재료 데이터는 드물고 생성 비용이 많이 듭니다. AI 출력의 품질은 에이전트가 훈련되거나 프롬프트되는 데이터의 질에 크게 좌우됩니다.
• 엔지니어링 트레이드오프: 열을 효과적으로 낮추는 소재가 너무 단단하거나, 너무 비싸거나, 제조가 불안정할 수 있습니다. 이러한 트레이드오프를 해결하려면 제조 전문가와의 긴밀한 협력이 필수적입니다 .

AI 기반 소재 발견의 더 넓은 지형

디스커버드 머티리얼즈는 흔히 'AI 포 사이언스(AI for science)' 또는 '머티리얼즈 인포매틱스(Materials informatics)'라고 불리는 급성장 분야의 일원입니다. 학계와 벤처 투자 스타트업 모두에서 핵심 논리는 동일합니다: AI 모델은 인간의 직관이나 단순 반복적인 실험보다 훨씬 빠르게 화학적 및 결정 구조 공간을 탐색할 수 있다는 것입니다.

이 분야의 주목할 만한 기업 및 프로젝트는 다음과 같습니다.

• 구글 딥마인드의 GNoME — 수십만 개의 안정적인 결정 구조를 발견한 그래프 신경망.
• 마이크로소프트의 MatterGen — 소재 설계를 위한 생성형 AI.
• Materials Project (LBNL) — AI 모델이 널리 사용하는 오픈 데이터베이스.
• Orbital Materials, Kebotix, Citrine Informatics — 다양한 소재 발견 분야에 AI를 적용하는 벤처 투자 스타트업.

디스커버드 머티리얼즈는 모든 소재를 광범위하게 다루기보다는 열 관리라는 하나의 고부가가치 반도체 문제에 집중하고, 단일 모델 대신 다중 에이전트 군집 아키텍처를 사용한다는 점에서 차별화됩니다 .

앞으로의 과제

향후 몇 년은 AI 기반 소재 발견이 유망한 계산 결과에서 칩 제조 분야의 진정한 상업적 영향력으로 이어질 수 있을지를 결정지을 것입니다. 디스커버드 머티리얼즈의 비즈니스 모델은 발견한 소재를 특허로 등록하고 칩 제조사에 라이선스를 제공하는 것입니다 . 이 분야를 주시하는 데이터센터 운영자와 반도체 경영진에게 있어 이 스타트업의 성공 여부는 AI가 마침내 하드웨어의 가장 오래된 병목 현상 중 하나를 해결할 수 있을지에 대한 중요한 신호가 될 것입니다.