Discovered Materials: Syarikat AI yang Guna ‘Agent Swarms’ untuk Atasi Masalah Cip AI Terlalu Panas

Tesis utama syarikat ini ialah R&D bahan, yang biasanya mengambil masa 10 tahun atau lebih dari penemuan makmal hingga penerimaan komersial, boleh dimampatkan menjadi beberapa bulan atau bahkan hari melalui automasi berskala besar .

Bagaimana Pendekatan ‘AI Whack-a-Mole’ Berfungsi

Pengasas bersama Advaith Sridhar menggambarkan kaedah syarikat sebagai "AI whack-a-mole" — menjana ribuan calon bahan secara selari, kemudian menapis secara sistematik untuk mendapatkan yang paling menjanjikan . Saluran paip ini menggabungkan model AI frontier dengan simulasi fizik tersuai:

• Penjanaan calon: Model Claude dari Anthropic, antara lain, mencadangkan komposisi bahan baharu berdasarkan kekangan saintifik .
• Simulasi pantas: Model fizik asas yang dilatih oleh startup menjalankan simulasi untuk menguji kestabilan, kekonduksian terma dan sifat-sifat lain setiap calon .
• Penapisan berulang: Sistem menyemak silang keputusan, membuang calon yang tidak mungkin dan memasukkan semula petunjuk paling menjanjikan ke dalam gelung penjanaan untuk penghalusan.

Saluran paip ini berskala secara dramatik berbanding penyelidikan manusia sahaja. Semasa PhD beliau, pengasas bersama Akash Ramdas menganggarkan beliau menyemak kira-kira 20 calon bahan setiap hari . Ejen AI Discovered Materials boleh menilai beribu-ribu sehari, beroperasi 24/7 di atas infrastruktur awan .

Pengesahan Awal: Menyamai Gergasi Kimia dalam 90 Hari

Seiring dengan pengumuman pembiayaan pada Ogos 2026, Discovered Materials mendakwa ejen AI mereka berjaya menyamai prestasi formulasi TIM komersial sedia ada daripada syarikat kimia besar hanya dalam masa 90 hari . Startup itu berkata ia mencapai ini menggunakan ejen AI berasaskan awan yang berjalan secara berterusan, tanpa akses kepada data proprietari pesaing .

Syarikat itu juga mengeluarkan ratusan bahan yang ditemui AI secara awam dan melancarkan "Material Discovery Bench" — satu penanda aras terbuka yang direka untuk membolehkan bidang ini membandingkan hasil daripada pendekatan penemuan bahan dipacu AI yang berbeza .

Penting untuk diperhatikan bahawa dakwaan pengesahan 90 hari ini belum lagi direplikasi secara bebas atau diterbitkan dalam литература yang disemak rakan sebaya . Keputusan ini adalah isyarat awal, bukan kejayaan komersial yang terbukti.

Pasukan Di Sebalik Startup

Pengasas bersama membawa kepakaran saling melengkapi yang merangkumi keseluruhan ruang masalah:

Mereka berdua bertemu lebih sedekad lalu sebagai pelajar di IIT Madras, salah satu institusi kejuruteraan terkemuka di India . Laluan berbeza mereka — satu mendalami sains bahan di Stanford, satu lagi dalam kejuruteraan AI termaju — akhirnya bertumpu pada masalah mempercepatkan penemuan bahan semikonduktor .

Hemant Mohapatra, Rakan Kongsi di Lightspeed India, menggambarkan pasukan pengasas sebagai menghimpunkan "gabungan jarang kepakaran sains bahan mendalam dan kejuruteraan AI frontier" .

Butiran Pembiayaan

Dana ini akan digunakan untuk menskalakan platform ejen AI, mengambil bakat teknikal, dan mempercepatkan perkongsian pengesahan makmal-ke-fabrikasi dengan syarikat semikonduktor .

Cabaran Terbesar: Melepasi Jurang ‘Lab-to-Fab’

Menemui bahan yang menjanjikan secara pengiraan adalah satu perkara. Membuktikan ia boleh dikeluarkan pada skala besar, diintegrasikan ke dalam proses fabrikasi cip, dan berprestasi boleh dipercayai selama bertahun-tahun adalah langkah yang jauh lebih sukar dan intensif modal. "Lembah kematian" antara penemuan dan pengkomersialan ini secara meluas dianggap sebagai bahagian paling sukar dalam sains bahan .

Cabaran tambahan termasuk:

• Persaingan dan kedudukan sedia ada: Syarikat bahan kimia dan semikonduktor besar mempunyai dekad data proprietari, hubungan pelanggan yang mendalam, dan usaha AI mereka sendiri. Startup mesti membuktikan mereka boleh bergerak lebih pantas dan lebih murah.
• Kekurangan data: Data bahan berlabel berkualiti tinggi adalah sukar diperoleh dan mahal untuk dihasilkan; kualiti output AI bergantung secara kritikal pada data yang digunakan untuk melatih atau memberi arahan kepada ejen.
• Keseimbangan kejuruteraan: Bahan yang mengurangkan haba mungkin terlalu keras, terlalu mahal, atau terlalu tidak stabil untuk dikeluarkan. Menavigasi keseimbangan ini memerlukan integrasi rapat dengan pakar fabrikasi .

Landskap Lebih Luas Penemuan Bahan Dipacu AI

Discovered Materials adalah sebahagian daripada bidang yang berkembang pesat sering dipanggil "AI untuk sains" atau "informatik bahan." Tesis teras merentasi kedua-dua akademik dan startup yang disokong modal teroka adalah sama: model AI boleh mencari ruang kimia dan struktur kristal jauh lebih pantas daripada intuisi manusia atau eksperimen makmal secara kekerasan.

Pemain dan projek terkenal dalam ruang yang lebih luas termasuk:

• GNoME Google DeepMind — rangkaian neural graf yang menemui ratusan ribu struktur kristal yang stabil.
• MatterGen Microsoft — AI generatif untuk reka bentuk bahan.
• Materials Project (LBNL) — pangkalan data terbuka yang digunakan secara meluas oleh model AI.
• Orbital Materials, Kebotix, Citrine Informatics — startup sokongan modal teroka yang menggunakan AI untuk pelbagai menegak penemuan bahan.

Discovered Materials membezakan dirinya dengan memberi tumpuan sempit pada satu masalah semikonduktor bernilai tinggi — pengurusan terma — dan bukannya secara meluas merentasi semua bahan, dan dengan menggunakan seni bina kumpulan ejen berbilang dan bukannya model tunggal .

Apa Yang Akan Datang

Beberapa tahun akan datang akan menentukan sama ada penemuan bahan berpandukan AI boleh berkembang daripada hasil pengiraan yang menjanjikan kepada impak komersial sebenar dalam pembuatan cip. Model perniagaan Discovered Materials adalah untuk mempatenkan bahan yang ditemui dan melesenkannya kepada pengeluar cip . Bagi pengendali pusat data dan eksekutif semikonduktor yang memerhati ruang ini, kemajuan startup ini — atau kekurangannya — akan menjadi isyarat berguna sama ada AI akhirnya boleh memecahkan salah satu kesesakan tertua perkakasan.