Что такое Discovered Materials?

Discovered Materials — это глубокотехнологичный стартап из Сан-Франциско, создающий AI-агентов — автономные программные системы, которые работают параллельно, генерируя, моделируя и проверяя кандидатов в полупроводниковые материалы. Первая цель компании — термоинтерфейсные материалы, компаунды, размещаемые между слоями чипа (например, между кремниевой пластиной и металлическим теплораспределителем) для отвода тепла наружу .

Ключевой тезис компании: R&D в материаловедении, который обычно занимает 10 лет и более от лабораторного открытия до коммерческого внедрения, может быть сжат до месяцев или даже дней за счет автоматизации в масштабе .

Как работает подход «AI-удар крота»

Сооснователь Адваит Шридхар описывает метод компании как «AI whack-a-mole» (рус. «AI-удар крота») — генерация тысяч кандидатов параллельно с последующей систематической фильтрацией до самых перспективных . Конвейер сочетает передовые AI-модели с кастомными физическими симуляциями:

• Генерация кандидатов: Модели Anthropic Claude, среди прочих, предлагают новые составы материалов на основе научных ограничений .
• Быстрое моделирование: Собственные фундаментальные физические модели стартапа запускают симуляции для проверки стабильности, теплопроводности и других свойств каждого кандидата .
• Итеративная фильтрация: Система перекрестно проверяет результаты, отбрасывает маловероятные варианты и возвращает наиболее многообещающие в цикл генерации для уточнения.

Этот конвейер радикально масштабируется по сравнению с чисто человеческим исследованием. Во время своей PhD сооснователь Акаш Рамдас, по его оценке, просматривал около 20 кандидатов в день . AI-агенты Discovered Materials могут оценивать тысячи в день, работая 24/7 на облачной инфраструктуре .

Первые результаты: сравнение с химическими гигантами за 90 дней

Одновременно с объявлением о финансировании в августе 2026 года Discovered Materials заявил, что его AI-агенты за 90 дней достигли характеристик существующих коммерческих TIM-составов от крупных химических компаний . Стартап утверждает, что добился этого, используя облачных AI-агентов, работающих непрерывно, без доступа к проприетарным данным конкурентов .

Компания также опубликовала сотни открытых AI-материалов и запустила «Material Discovery Bench» — открытый бенчмарк для сравнения результатов разных подходов к AI-открытию материалов .

Важно отметить, что это заявление о 90-дневном достижении еще не было независимо воспроизведено или опубликовано в рецензируемой литературе . Результаты — это ранний сигнал, а не подтвержденный коммерческий прорыв.

Команда стартапа

Сооснователи объединяют взаимодополняющий опыт, охватывающий всю проблемную область:

Они познакомились более десяти лет назад как студенты IIT Madras, одного из ведущих инженерных институтов Индии . Их пути разошлись — один углубился в материаловедение в Стэнфорде, другой — в передовой AI-инжиниринг — чтобы сойтись на проблеме ускорения открытия полупроводниковых материалов .

Хемант Мохапатра, партнер Lightspeed India, назвал команду основателей объединяющей «редкое сочетание глубокой экспертизы в материаловедении и передового AI-инжиниринга» .

Детали финансирования

Средства будут направлены на масштабирование платформы AI-агентов, найм технических специалистов и ускорение партнерств по валидации «из лаборатории в производство» с полупроводниковыми компаниями .

Главный вызов: преодоление разрыва «из лаборатории в производство»

Обнаружить перспективный материал вычислительным путем — это одно. Доказать, что его можно производить в масштабе, интегрировать в процессы изготовления чипов и обеспечить надежную работу в течение многих лет — гораздо более сложный и капиталоемкий шаг. Эта «долина смерти» между открытием и коммерциализацией широко признана самой сложной частью материаловедения .

Дополнительные трудности включают:

• Конкуренция и устоявшиеся игроки: Крупные химические и полупроводниковые компании имеют десятилетия проприетарных данных, глубокие отношения с клиентами и собственные AI-разработки. Стартапам нужно доказать, что они могут двигаться быстрее и дешевле.
• Нехватка данных: Качественные размеченные данные по материалам редки и дороги; качество AI-выводов критически зависит от того, на каких данных обучаются или подсказываются агенты.
• Инженерные компромиссы: Материал, который эффективно отводит тепло, может быть слишком твердым, дорогим или нестабильным для производства. Навигация по этим компромиссам требует тесной интеграции с экспертами по производству .

Более широкая картина: AI в поиске материалов

Discovered Materials — часть быстрорастущей области, которую часто называют «AI для науки» или «материаловедческая информатика». Ключевой тезис как в академии, так и среди венчурных стартапов одинаков: AI-модели могут искать химические пространства и пространства кристаллических структур гораздо быстрее, чем человеческая интуиция или лабораторные эксперименты.

Известные игроки и проекты в этой сфере:

• Google DeepMind GNoME — графовые нейросети, которые обнаружили сотни тысяч стабильных кристаллических структур.
• Microsoft MatterGen — генеративный AI для дизайна материалов.
• Materials Project (LBNL) — открытая база данных, широко используемая AI-моделями.
• Orbital Materials, Kebotix, Citrine Informatics — венчурные стартапы, применяющие AI к различным вертикалям материаловедения.

Discovered Materials отличается узкой фокусировкой на одной высокоценной полупроводниковой проблеме — терморегулировании — вместо широкого охвата всех материалов, а также использованием многомодульной архитектуры роя вместо одной модели .

Что дальше

Ближайшие годы покажут, сможет ли AI-управляемое открытие материалов масштабироваться от многообещающих вычислительных результатов до реального коммерческого воздействия в производстве чипов. Бизнес-модель Discovered Materials — патентовать найденные материалы и лицензировать их производителям чипов . Для операторов дата-центров и руководителей полупроводниковой отрасли, следящих за этой областью, прогресс — или его отсутствие — этого стартапа станет полезным сигналом того, сможет ли AI наконец решить одно из самых старых аппаратных узких мест.

Что такое Discovered Materials?

Discovered Materials — это глубокотехнологичный стартап из Сан-Франциско, создающий AI-агентов — автономные программные системы, которые работают параллельно, генерируя, моделируя и проверяя кандидатов в полупроводниковые материалы. Первая цель компании — термоинтерфейсные материалы, компаунды, размещаемые между слоями чипа (например, между кремниевой пластиной и металлическим теплораспределителем) для отвода тепла наружу .

Ключевой тезис компании: R&D в материаловедении, который обычно занимает 10 лет и более от лабораторного открытия до коммерческого внедрения, может быть сжат до месяцев или даже дней за счет автоматизации в масштабе .

Как работает подход «AI-удар крота»

Сооснователь Адваит Шридхар описывает метод компании как «AI whack-a-mole» (рус. «AI-удар крота») — генерация тысяч кандидатов параллельно с последующей систематической фильтрацией до самых перспективных . Конвейер сочетает передовые AI-модели с кастомными физическими симуляциями:

• Генерация кандидатов: Модели Anthropic Claude, среди прочих, предлагают новые составы материалов на основе научных ограничений .
• Быстрое моделирование: Собственные фундаментальные физические модели стартапа запускают симуляции для проверки стабильности, теплопроводности и других свойств каждого кандидата .
• Итеративная фильтрация: Система перекрестно проверяет результаты, отбрасывает маловероятные варианты и возвращает наиболее многообещающие в цикл генерации для уточнения.

Этот конвейер радикально масштабируется по сравнению с чисто человеческим исследованием. Во время своей PhD сооснователь Акаш Рамдас, по его оценке, просматривал около 20 кандидатов в день . AI-агенты Discovered Materials могут оценивать тысячи в день, работая 24/7 на облачной инфраструктуре .

Первые результаты: сравнение с химическими гигантами за 90 дней

Одновременно с объявлением о финансировании в августе 2026 года Discovered Materials заявил, что его AI-агенты за 90 дней достигли характеристик существующих коммерческих TIM-составов от крупных химических компаний . Стартап утверждает, что добился этого, используя облачных AI-агентов, работающих непрерывно, без доступа к проприетарным данным конкурентов .

Компания также опубликовала сотни открытых AI-материалов и запустила «Material Discovery Bench» — открытый бенчмарк для сравнения результатов разных подходов к AI-открытию материалов .

Важно отметить, что это заявление о 90-дневном достижении еще не было независимо воспроизведено или опубликовано в рецензируемой литературе . Результаты — это ранний сигнал, а не подтвержденный коммерческий прорыв.

Команда стартапа

Сооснователи объединяют взаимодополняющий опыт, охватывающий всю проблемную область:

Они познакомились более десяти лет назад как студенты IIT Madras, одного из ведущих инженерных институтов Индии . Их пути разошлись — один углубился в материаловедение в Стэнфорде, другой — в передовой AI-инжиниринг — чтобы сойтись на проблеме ускорения открытия полупроводниковых материалов .

Хемант Мохапатра, партнер Lightspeed India, назвал команду основателей объединяющей «редкое сочетание глубокой экспертизы в материаловедении и передового AI-инжиниринга» .

Детали финансирования

Средства будут направлены на масштабирование платформы AI-агентов, найм технических специалистов и ускорение партнерств по валидации «из лаборатории в производство» с полупроводниковыми компаниями .

Главный вызов: преодоление разрыва «из лаборатории в производство»

Обнаружить перспективный материал вычислительным путем — это одно. Доказать, что его можно производить в масштабе, интегрировать в процессы изготовления чипов и обеспечить надежную работу в течение многих лет — гораздо более сложный и капиталоемкий шаг. Эта «долина смерти» между открытием и коммерциализацией широко признана самой сложной частью материаловедения .

Дополнительные трудности включают:

• Конкуренция и устоявшиеся игроки: Крупные химические и полупроводниковые компании имеют десятилетия проприетарных данных, глубокие отношения с клиентами и собственные AI-разработки. Стартапам нужно доказать, что они могут двигаться быстрее и дешевле.
• Нехватка данных: Качественные размеченные данные по материалам редки и дороги; качество AI-выводов критически зависит от того, на каких данных обучаются или подсказываются агенты.
• Инженерные компромиссы: Материал, который эффективно отводит тепло, может быть слишком твердым, дорогим или нестабильным для производства. Навигация по этим компромиссам требует тесной интеграции с экспертами по производству .

Более широкая картина: AI в поиске материалов

Discovered Materials — часть быстрорастущей области, которую часто называют «AI для науки» или «материаловедческая информатика». Ключевой тезис как в академии, так и среди венчурных стартапов одинаков: AI-модели могут искать химические пространства и пространства кристаллических структур гораздо быстрее, чем человеческая интуиция или лабораторные эксперименты.

Известные игроки и проекты в этой сфере:

• Google DeepMind GNoME — графовые нейросети, которые обнаружили сотни тысяч стабильных кристаллических структур.
• Microsoft MatterGen — генеративный AI для дизайна материалов.
• Materials Project (LBNL) — открытая база данных, широко используемая AI-моделями.
• Orbital Materials, Kebotix, Citrine Informatics — венчурные стартапы, применяющие AI к различным вертикалям материаловедения.

Discovered Materials отличается узкой фокусировкой на одной высокоценной полупроводниковой проблеме — терморегулировании — вместо широкого охвата всех материалов, а также использованием многомодульной архитектуры роя вместо одной модели .

Что дальше

Ближайшие годы покажут, сможет ли AI-управляемое открытие материалов масштабироваться от многообещающих вычислительных результатов до реального коммерческого воздействия в производстве чипов. Бизнес-модель Discovered Materials — патентовать найденные материалы и лицензировать их производителям чипов . Для операторов дата-центров и руководителей полупроводниковой отрасли, следящих за этой областью, прогресс — или его отсутствие — этого стартапа станет полезным сигналом того, сможет ли AI наконец решить одно из самых старых аппаратных узких мест.