Discovered Materials ใช้ฝูง AI Agent ค้นหาวัสดุระบายความร้อนชิป ตอกย้ำความท้าทายด้านความร้อนของ AI

แนวคิดหลักของบริษัทคือ การวิจัยและพัฒนาวัสดุซึ่งโดยปกติใช้เวลา 10 ปีหรือมากกว่านั้นตั้งแต่การค้นพบในห้องปฏิบัติการจนถึงการนำไปใช้เชิงพาณิชย์ สามารถบีบอัดให้เหลือเพียงไม่กี่เดือนหรือไม่กี่วันได้ด้วยระบบอัตโนมัติขนาดใหญ่

วิธีการ 'AI Whack-a-Mole' ทำงานอย่างไร

Advaith Sridhar ผู้ร่วมก่อตั้ง อธิบายวิธีการของบริษัทว่าเป็น 'AI Whack-a-Mole' — การสร้างวัสดุตัวเลือกนับพันแบบคู่ขนาน แล้วค่อยๆ กรองลงมาให้เหลือเฉพาะตัวที่มีแนวโน้มดีที่สุด ไปป์ไลน์นี้ผสมผสานโมเดล AI ชั้นนำเข้ากับการจำลองทางฟิสิกส์ที่กำหนดเอง:

• การสร้างตัวเลือก: โมเดล Claude ของ Anthropic และโมเดลอื่นๆ เสนอองค์ประกอบของวัสดุใหม่โดยอิงตามข้อจำกัดทางวิทยาศาสตร์
• การจำลองอย่างรวดเร็ว: โมเดลฟิสิกส์พื้นฐานที่สตาร์ทอัพฝึกฝนขึ้นมาเองจะทำการจำลองเพื่อทดสอบความเสถียร การนำความร้อน และคุณสมบัติอื่นๆ ของวัสดุตัวเลือกแต่ละชนิด
• การกรองแบบวนซ้ำ: ระบบจะตรวจสอบข้ามผลลัพธ์ ทิ้งตัวเลือกที่ไม่น่าจะเป็นไปได้ และป้อนแนวทางที่มีแนวโน้มดีที่สุดกลับเข้าสู่ขั้นตอนการสร้างเพื่อการปรับปรุง

ไปป์ไลน์นี้ขยายขนาดได้อย่างมากเมื่อเทียบกับการวิจัยของมนุษย์เพียงอย่างเดียว ในระหว่างที่เรียนปริญญาเอก Akash Ramdas ผู้ร่วมก่อตั้งประมาณการว่าเขาตรวจสอบวัสดุตัวเลือกได้ประมาณ 20 ชนิดต่อวัน ในขณะที่ AI Agent ของ Discovered Materials สามารถประเมินได้หลายพันชนิดต่อวัน โดยทำงานตลอด 24 ชั่วโมง 7 วันบนโครงสร้างพื้นฐานคลาวด์

การตรวจสอบเบื้องต้น: เทียบชั้นบริษัทเคมียักษ์ใหญ่ได้ใน 90 วัน

พร้อมกับการประกาศระดมทุนในเดือนสิงหาคม 2026 Discovered Materials อ้างว่า AI Agent ของตนสามารถเทียบชั้นประสิทธิภาพของสูตร TIM เชิงพาณิชย์ที่มีอยู่จากบริษัทเคมีรายใหญ่ได้ภายในเวลาเพียง 90 วัน สตาร์ทอัพกล่าวว่าทำได้สำเร็จโดยใช้ AI Agent บนคลาวด์ที่ทำงานต่อเนื่อง โดยไม่ต้องเข้าถึงข้อมูลที่เป็นกรรมสิทธิ์ของคู่แข่งรายเดิม

บริษัทยังได้เผยแพร่วัสดุที่ค้นพบโดย AI หลายร้อยชนิด สู่สาธารณะ และเปิดตัว 'Material Discovery Bench' ซึ่งเป็นเกณฑ์มาตรฐานแบบเปิดที่ออกแบบมาให้วงการสามารถเปรียบเทียบผลลัพธ์จากแนวทางการค้นพบวัสดุที่ขับเคลื่อนด้วย AI ที่แตกต่างกัน

สิ่งสำคัญคือต้องทราบว่า การอ้างสิทธิ์การตรวจสอบภายใน 90 วันนี้ ยังไม่ได้รับการยืนยันซ้ำอย่างอิสระหรือเผยแพร่ในวารสารที่มีการตรวจสอบโดยผู้เชี่ยวชาญ ผลลัพธ์เหล่านี้เป็นเพียงสัญญาณเบื้องต้น ยังไม่ใช่ความก้าวหน้าทางการค้าที่ได้รับการพิสูจน์แล้ว

ทีมผู้ก่อตั้งเบื้องหลังสตาร์ทอัพ

ผู้ร่วมก่อตั้งนำความเชี่ยวชาญที่เสริมกันมาสู่ปัญหาครอบคลุมทุกด้าน:

ทั้งสองคนรู้จักกันมานานกว่าสิบปีตั้งแต่เป็นนักศึกษาที่ IIT Madras ซึ่งเป็นหนึ่งในสถาบันวิศวกรรมชั้นนำของอินเดีย เส้นทางที่แตกต่างกันของพวกเขา — คนหนึ่งเข้าสู่วิทยาศาสตร์วัสดุเชิงลึกที่ Stanford อีกคนหนึ่งเข้าสู่วิศวกรรม AI แนวหน้า — มาบรรจบกันที่ปัญหาการเร่งการค้นพบวัสดุเซมิคอนดักเตอร์

Hemant Mohapatra พาร์ทเนอร์ที่ Lightspeed India กล่าวถึงทีมผู้ก่อตั้งว่านำเสนอ "การผสมผสานที่หาได้ยากระหว่างความเชี่ยวชาญด้านวัสดุศาสตร์เชิงลึกและวิศวกรรม AI แนวหน้า"

รายละเอียดการระดมทุน

เงินทุนจะถูกใช้เพื่อขยายแพลตฟอร์ม AI Agent จ้างบุคลากรที่มีความสามารถด้านเทคนิค และเร่งความร่วมมือในการตรวจสอบความถูกต้องจากห้องปฏิบัติการสู่โรงงาน (Lab-to-Fab) กับบริษัทเซมิคอนดักเตอร์

ความท้าทายที่ใหญ่ที่สุด: การข้าม 'ช่องว่างจากห้องปฏิบัติการสู่โรงงาน'

การค้นพบวัสดุที่มีแนวโน้มดีด้วยการคำนวณเป็นเรื่องหนึ่ง แต่การพิสูจน์ว่าสามารถผลิตได้ในปริมาณมาก ผสานรวมเข้ากับกระบวนการผลิตชิป และทำงานได้อย่างน่าเชื่อถือเป็นเวลาหลายปีนั้นเป็นขั้นตอนที่ยากกว่าและต้องใช้เงินทุนมหาศาล 'หุบเขาแห่งความตาย' ระหว่างการค้นพบและการจำหน่ายในเชิงพาณิชย์นี้ถือเป็นส่วนที่ยากที่สุดของวิทยาศาสตร์วัสดุอย่างกว้างขวาง

ความท้าทายเพิ่มเติมได้แก่:

• การแข่งขันและคู่แข่งรายใหญ่: บริษัทเคมีและวัสดุเซมิคอนดักเตอร์รายใหญ่มีข้อมูลที่เป็นกรรมสิทธิ์มานานหลายทศวรรษ ความสัมพันธ์กับลูกค้าที่แน่นแฟ้น และความพยายามด้าน AI ของตนเอง สตาร์ทอัพต้องพิสูจน์ว่าสามารถทำงานได้เร็วและถูกกว่า
• ความขาดแคลนข้อมูล: ข้อมูลวัสดุที่ติดฉลากคุณภาพสูงนั้นหายากและมีราคาแพงในการสร้าง คุณภาพของผลลัพธ์ AI ขึ้นอยู่กับข้อมูลที่ Agent ได้รับการฝึกฝนหรือได้รับการป้อนเข้าไปอย่างมาก
• ข้อแลกเปลี่ยนทางวิศวกรรม: วัสดุที่ลดความร้อนอาจแข็งเกินไป แพงเกินไป หรือไม่เสถียรเกินไปที่จะผลิต การนำทางข้อแลกเปลี่ยนเหล่านี้ต้องอาศัยการบูรณาการอย่างใกล้ชิดกับผู้เชี่ยวชาญด้านการผลิต

ภาพรวมที่กว้างขึ้นของการค้นพบวัสดุที่ขับเคลื่อนด้วย AI

Discovered Materials เป็นส่วนหนึ่งของสาขาที่กำลังขยายตัวอย่างรวดเร็วซึ่งมักเรียกกันว่า 'AI for Science' หรือ 'Materials Informatics' แนวคิดหลักทั้งในแวดวงวิชาการและสตาร์ทอัพที่ได้รับการสนับสนุนจากVCนั้นเหมือนกัน: โมเดล AI สามารถค้นหาพื้นที่โครงสร้างทางเคมีและผลึกได้เร็วกว่าสัญชาตญาณของมนุษย์หรือการทดลองในห้องปฏิบัติการแบบลองผิดลองถูก

ผู้เล่นและโครงการที่โดดเด่นในพื้นที่ที่กว้างขึ้นได้แก่:

• GNoME ของ Google DeepMind — โครงข่ายประสาทเทียมแบบกราฟที่ค้นพบโครงสร้างผลึกที่เสถียรหลายแสนชนิด
• MatterGen ของ Microsoft — AI เชิงสร้างสรรค์สำหรับการออกแบบวัสดุ
• Materials Project (LBNL) — ฐานข้อมูลเปิดที่ใช้กันอย่างแพร่หลายโดยโมเดล AI
• Orbital Materials, Kebotix, Citrine Informatics — สตาร์ทอัพที่ได้รับการสนับสนุนจากVCซึ่งใช้ AI ในแนวตั้งต่างๆ ของการค้นพบวัสดุ

Discovered Materials สร้างความแตกต่างด้วยการมุ่งเน้นไปที่ปัญหาเซมิคอนดักเตอร์ที่มีมูลค่าสูงเพียงปัญหาเดียว นั่นคือการจัดการความร้อน แทนที่จะครอบคลุมวัสดุทั้งหมดในวงกว้าง และด้วยการใช้สถาปัตยกรรม Multi-agent Swarms แทนที่จะเป็นโมเดลเดียว

ขั้นตอนต่อไป

สองสามปีข้างหน้าจะเป็นตัวตัดสินว่าการค้นพบวัสดุที่นำทางด้วย AI สามารถขยายขนาดจากผลลัพธ์ทางการคำนวณที่มีแนวโน้มดีไปสู่ผลกระทบทางการค้าอย่างแท้จริงในการผลิตชิปได้หรือไม่ โมเดลธุรกิจของ Discovered Materials คือการจดสิทธิบัตรวัสดุที่ค้นพบและอนุญาตให้ผู้ผลิตชิปนำไปใช้ สำหรับผู้ดำเนินการดาต้าเซ็นเตอร์และผู้บริหารเซมิคอนดักเตอร์ที่เฝ้าดูพื้นที่นี้ ความคืบหน้า — หรือการขาดมัน — ของสตาร์ทอัพจะเป็นสัญญาณที่เป็นประโยชน์ว่า ในที่สุด AI สามารถ破解คอขวดที่เก่าแก่ที่สุดของฮาร์ดแวร์ได้หรือไม่