Discovered Materials: A startup que usa enxames de IA para resolver o superaquecimento dos chips

Os chips de IA modernos geram mais de 140 watts por centímetro quadrado de calor — um gargalo térmico que limita o desempenho e aumenta os custos de energia em data centers . Uma nova startup chamada Discovered Materials acredita que a solução está em descobrir materiais melhores mais rapidamente, usando enxames de agentes de IA que podem fazer em meses o que tradicionalmente leva uma década ou mais.

Fundada por dois ex-alunos do IIT Madras e apoiada pela Lightspeed India Partners, Y Combinator e investidores-anjo como Paul Graham, a empresa emergiu da turma da primavera de 2026 do Y Combinator com uma missão focada: encontrar novos materiais de interface térmica (TIMs) que possam conduzir o calor para longe dos chips cada vez mais potentes .

O que é a Discovered Materials?

A Discovered Materials é uma startup de deep tech sediada em São Francisco que constrói agentes de IA — sistemas de software autônomos — que trabalham em paralelo para gerar, simular e validar materiais candidatos para semicondutores. O primeiro alvo da empresa são os materiais de interface térmica, os compostos colocados entre as camadas de um chip (como entre o dado de silício e o dissipador de calor metálico) para conduzir o calor para fora .

A tese central da empresa é que a P&D de materiais, que normalmente leva 10 anos ou mais do laboratório à adoção comercial, pode ser comprimida em meses ou até dias por meio da automação em escala .

Como funciona a abordagem do 'AI Whack-a-Mole'

O cofundador Advaith Sridhar descreve o método da empresa como "AI whack-a-mole" — gerando milhares de materiais candidatos em paralelo e, em seguida, filtrando-os sistematicamente até os mais promissores . O pipeline combina modelos de IA de ponta com simulações físicas personalizadas:

• Geração de candidatos: Os modelos Claude da Anthropic, entre outros, propõem novas composições de materiais com base em restrições científicas .
• Simulação rápida: Modelos de física fundamental treinados pela startup executam simulações para testar a estabilidade, condutividade térmica e outras propriedades de cada candidato .
• Filtragem iterativa: O sistema verifica cruzadamente os resultados, descarta candidatos improváveis e realimenta os leads mais promissores no loop de geração para refinamento.

Este pipeline escala dramaticamente em comparação com a pesquisa puramente humana. Durante seu doutorado, o cofundador Akash Ramdas estima que revisava cerca de 20 candidatos a materiais por dia . Os agentes de IA da Discovered Materials podem avaliar milhares por dia, operando 24 horas por dia, 7 dias por semana, em infraestrutura em nuvem .

Validação inicial: Igualando gigantes químicos em 90 dias

Juntamente com seu anúncio de financiamento em agosto de 2026, a Discovered Materials afirmou que seus agentes de IA igualaram o desempenho de formulações TIMs comerciais existentes de grandes empresas químicas em apenas 90 dias . A startup diz que alcançou isso usando agentes de IA baseados em nuvem executados continuamente, sem acesso aos dados proprietários das concorrentes .

A empresa também lançou centenas de materiais descobertos por IA publicamente e criou o "Material Discovery Bench" — um benchmark aberto projetado para permitir que o campo compare resultados de diferentes abordagens de descoberta de materiais orientadas por IA .

É importante notar que esta afirmação de validação de 90 dias ainda não foi replicada de forma independente ou publicada em literatura revisada por pares . Os resultados são um sinal precoce, não um avanço comercial comprovado.

A equipe por trás da startup

Os cofundadores trazem expertise complementar que abrange todo o espaço do problema:

Cofundador	Formação	Detalhe-chave
Akash Ramdas	PhD em Ciência dos Materiais, Universidade de Stanford; graduação no IIT Madras	11 anos pesquisando materiais semicondutores; seu trabalho em interconexões em nanoescala foi adotado nos roadmaps da Intel e TSMC
Advaith Sridhar	Estudou IA na Carnegie Mellon; cientista aplicado fundador da Persona AI (adquirida) e engenheiro de pesquisa na Luma Labs	Construiu agentes autônomos de longo horizonte para grandes empresas de telecomunicações e criptomoedas antes de cofundar a Discovered Materials

Os dois se conheceram há mais de uma década como estudantes no IIT Madras, uma das principais instituições de engenharia da Índia . Seus caminhos divergentes — um na ciência profunda dos materiais em Stanford, o outro na engenharia de IA de ponta — convergiram para o problema de acelerar a descoberta de materiais semicondutores .

Hemant Mohapatra, sócio da Lightspeed India, descreveu a equipe fundadora como tendo "uma combinação rara de profundo conhecimento em ciência dos materiais e engenharia de IA de ponta" .

Detalhes do financiamento

Item	Detalhe
Total captado	US$ 9 milhões (aproximadamente R$ 50 milhões) em rodada seed
Investidor líder	Lightspeed India Partners
Outros investidores institucionais	Y Combinator, Peak XV Partners
Investidores-anjo	Paul Graham (cofundador do YC), Gokul Rajaram (conselho do DoorDash), Thariq Shihipar (Anthropic)
Anunciado	10–11 de agosto de 2026

Os fundos serão usados para escalar a plataforma de agentes de IA, contratar talentos técnicos e acelerar parcerias de validação laboratório-fábrica com empresas de semicondutores .

O maior desafio: Atravessar o 'vale da morte' do laboratório para a fábrica

Descobrir um material promissor computacionalmente é uma coisa. Provar que ele pode ser fabricado em escala, integrado aos processos de fabricação de chips e ter um desempenho confiável por anos é uma etapa muito mais difícil e intensiva em capital. Este "vale da morte" entre a descoberta e a comercialização é amplamente considerado a parte mais difícil da ciência dos materiais .

Desafios adicionais incluem:

• Concorrência e incumbência: Grandes empresas de produtos químicos e materiais semicondutores têm décadas de dados proprietários, relacionamentos profundos com clientes e seus próprios esforços de IA. As startups precisam provar que podem ser mais rápidas e baratas.
• Escassez de dados: Dados de materiais rotulados de alta qualidade são escassos e caros para gerar; a qualidade dos resultados de IA depende criticamente dos dados com os quais os agentes são treinados ou instruídos.
• Trade-offs de engenharia: Um material que reduz o calor pode ser muito duro, muito caro ou muito instável para ser fabricado. Navegar por esses trade-offs requer uma integração estreita com especialistas em fabricação .

O panorama mais amplo da descoberta de materiais impulsionada por IA

A Discovered Materials faz parte de um campo em rápida expansão frequentemente chamado de "IA para a ciência" ou "informática de materiais". A tese central, tanto na academia quanto em startups apoiadas por capital de risco, é a mesma: os modelos de IA podem pesquisar espaços químicos e de estruturas cristalinas muito mais rápido do que a intuição humana ou a experimentação laboratorial por tentativa e erro.

Atores e projetos notáveis no espaço mais amplo incluem:

• GNoME do Google DeepMind — redes neurais de grafos que descobriram centenas de milhares de estruturas cristalinas estáveis.
• MatterGen da Microsoft — IA generativa para design de materiais.
• Materials Project (LBNL) — um banco de dados aberto amplamente utilizado por modelos de IA.
• Orbital Materials, Kebotix, Citrine Informatics — startups apoiadas por capital de risco que aplicam IA a vários verticais de descoberta de materiais.

A Discovered Materials se diferencia ao focar estritamente em um problema de semicondutores de alto valor — o gerenciamento térmico — em vez de amplamente em todos os materiais, e ao usar uma arquitetura de enxame multiagente em vez de um modelo único .

O que vem a seguir

Os próximos anos determinarão se a descoberta de materiais guiada por IA pode escalar de resultados computacionais promissores para um impacto comercial genuíno na fabricação de chips. O modelo de negócios da Discovered Materials é patentear os materiais que descobre e licenciá-los para fabricantes de chips . Para operadores de data centers e executivos de semicondutores que acompanham este espaço, o progresso da startup — ou a falta dele — será um sinal útil para saber se a IA pode finalmente resolver um dos gargalos mais antigos do hardware.