Discovered Materials Nedir?

Discovered Materials, San Francisco merkezli bir derin teknoloji girişimi. Yarı iletken malzeme adaylarını üretmek, simüle etmek ve doğrulamak için paralel olarak çalışan otonom yazılım sistemleri olan yapay zeka ajanları geliştiriyor. Şirketin ilk hedefi, bir çipin katmanları arasına (örneğin silisyum gofret ile metal ısı yayıcı arasına) yerleştirilen ve ısıyı dışarıya ileten termal arayüz malzemeleri .

Şirketin temel tezi, laboratuvarda keşiften ticari kullanıma kadar genellikle 10 yıl veya daha fazla süren malzeme Ar-Ge sürecinin, ölçeklenebilir otomasyon sayesinde aylara hatta günlere sıkıştırılabileceği yönünde .

'Yapay Zeka Köstebek Vurma' Yöntemi Nasıl Çalışıyor?

Kurucu ortak Advaith Sridhar, şirketin yöntemini "AI whack-a-mole" (yapay zeka köstebek vurma) olarak tanımlıyor: Binlerce aday malzemeyi paralel olarak üretip, ardından sistematik bir şekilde en umut verici olanlara kadar eleme yapmak . Bu boru hattı, en gelişmiş yapay zeka modellerini özel fizik simülasyonlarıyla birleştiriyor:

• Aday üretimi: Anthropic'in Claude modelleri ve diğerleri, bilimsel kısıtlamalara dayanarak yeni malzeme bileşimleri öneriyor .
• Hızlı simülasyon: Girişimin eğittiği temel fizik modelleri, her adayın kararlılık, termal iletkenlik gibi özelliklerini test etmek için simülasyonlar çalıştırıyor .
• Yinelemeli filtreleme: Sistem sonuçları çapraz kontrol ediyor, olasılığı düşük adayları eliyor ve en umut verici olanları iyileştirme döngüsüne geri besliyor.

Bu süreç, yalnızca insan gücüne dayanan araştırmalara kıyasla çok daha büyük bir ölçek sunuyor. Doktora çalışmaları sırasında kurucu ortak Akash Ramdas, günde yaklaşık 20 malzeme adayını değerlendirdiğini tahmin ediyor . Discovered Materials'ın yapay zeka ajanları ise bulut altyapısında 7/24 çalışarak günde binlerce adayı değerlendirebiliyor .

Erken Doğrulama: 90 Günde Kimya Devi Şirketlerine Erişmek

Discovered Materials, Ağustos 2026'daki yatırım duyurusuyla birlikte, yapay zeka ajanlarının büyük kimya şirketlerinin mevcut ticari TIM formülasyonlarının performansına sadece 90 günde ulaştığını iddia etti . Girişim, bunu sürekli çalışan bulut tabanlı yapay zeka ajanlarıyla ve rakiplerin tescilli verilerine erişmeden başardığını belirtiyor .

Ayrıca şirket, yapay zeka tarafından keşfedilen yüzlerce malzemeyi kamuoyuna açıkladı ve farklı yapay zeka odaklı malzeme keşfi yaklaşımlarının sonuçlarının karşılaştırılmasına olanak tanıyan açık kaynaklı bir kıyaslama aracı olan "Material Discovery Bench"i (Malzeme Keşif Tezgahı) piyasaya sürdü .

Bu 90 günlük doğrulama iddiasının henüz bağımsız olarak tekrarlanmadığını veya hakemli bir yayında yayınlanmadığını belirtmek önemlidir . Sonuçlar, kanıtlanmış bir ticari atılımdan ziyade erken bir sinyal niteliğindedir.

Girişimin Arkasındaki Ekip

Kurucu ortaklar, sorunun tüm boyutlarını kapsayan tamamlayıcı uzmanlıklara sahip:

İkili, on yıldan uzun bir süre önce Hindistan'ın önde gelen mühendislik kurumlarından IIT Madras'ta öğrenciyken tanıştı . Birinin Stanford'da derin malzeme bilimine, diğerinin ise ileri düzey yapay zeka mühendisliğine yönelen yolları, yarı iletken malzeme keşfini hızlandırma sorununda tekrar kesişti .

Lightspeed India Ortağı Hemant Mohapatra, kurucu ekibi "derin malzeme bilimi uzmanlığı ve ileri düzey yapay zeka mühendisliğinin nadir bir kombinasyonu" olarak tanımladı .

Yatırım Detayları

Fonlar, yapay zeka ajan platformunu ölçeklendirmek, teknik yetenekleri işe almak ve yarı iletken şirketleriyle laboratuvardan fabrikaya (lab-to-fab) doğrulama ortaklıklarını hızlandırmak için kullanılacak .

En Büyük Zorluk: 'Lab-to-Fab' (Laboratuvardan Fabrikaya) Açığını Kapatmak

Hesaplamalı olarak umut verici bir malzeme keşfetmek bir şeydir. Bunun büyük ölçekte üretilebildiğini, çip üretim süreçlerine entegre edilebildiğini ve yıllar boyunca güvenilir bir şekilde performans gösterebildiğini kanıtlamak çok daha zor ve sermaye yoğun bir adımdır. Keşif ile ticarileşme arasındaki bu "ölüm vadisi", malzeme biliminin en zor kısmı olarak kabul edilir .

Diğer zorluklar şunları içerir:

• Rekabet ve yerleşik oyuncular: Büyük kimya ve yarı iletken malzeme şirketleri onlarca yıllık tescilli verilere, derin müşteri ilişkilerine ve kendi yapay zeka çalışmalarına sahiptir. Girişimlerin daha hızlı ve daha ucuz hareket edebileceklerini kanıtlamaları gerekiyor.
• Veri kıtlığı: Yüksek kaliteli etiketli malzeme verileri kıt ve üretilmesi pahalıdır; yapay zeka çıktılarının kalitesi, ajanların eğitildiği veya yönlendirildiği verilere kritik derecede bağlıdır.
• Mühendislik ödünleşimleri: Isıyı azaltan bir malzeme çok sert, çok pahalı veya üretilmesi çok zor olabilir. Bu ödünleşimlerde gezinmek, üretim uzmanlarıyla sıkı bir entegrasyon gerektirir .

Yapay Zeka Odaklı Malzeme Keşfinde Geniş Manzara

Discovered Materials, genellikle "bilim için yapay zeka" veya "malzeme bilişimi" olarak adlandırılan hızla genişleyen bir alanın parçasıdır. Hem akademide hem de girişim sermayesi destekli şirketlerdeki temel tez aynıdır: Yapay zeka modelleri, kimyasal ve kristal yapı uzaylarında insan sezgisinden veya kaba kuvvet laboratuvar deneylerinden çok daha hızlı arama yapabilir.

Bu geniş alandaki önemli oyuncular ve projeler şunları içerir:

• Google DeepMind'ın GNoME'si — yüz binlerce kararlı kristal yapı keşfeden grafik sinir ağları.
• Microsoft'un MatterGen'i — malzeme tasarımı için üretken yapay zeka.
• Materials Project (LBNL) — yapay zeka modelleri tarafından yaygın olarak kullanılan açık bir veritabanı.
• Orbital Materials, Kebotix, Citrine Informatics — yapay zekayı çeşitli malzeme keşfi dikeylerine uygulayan girişim sermayesi destekli şirketler.

Discovered Materials, tüm malzemeler yerine yalnızca yüksek değerli bir yarı iletken sorununa (termal yönetim) odaklanarak ve tek bir model yerine çoklu ajan sürüleri mimarisi kullanarak kendini farklılaştırıyor .

Sırada Ne Var?

Önümüzdeki birkaç yıl, yapay zeka odaklı malzeme keşfinin umut verici hesaplamalı sonuçlardan çip üretiminde gerçek bir ticari etkiye dönüşüp dönüşemeyeceğini belirleyecek. Discovered Materials'ın iş modeli, keşfettiği malzemeleri patentleyip çip üreticilerine lisanslamak . Veri merkezi operatörleri ve yarı iletken yöneticileri için girişimin ilerlemesi (veya ilerleyememesi), yapay zekanın nihayet donanımın en eski darboğazlarından birini kırıp kıramayacağına dair önemli bir sinyal olacak.

Discovered Materials Nedir?

Discovered Materials, San Francisco merkezli bir derin teknoloji girişimi. Yarı iletken malzeme adaylarını üretmek, simüle etmek ve doğrulamak için paralel olarak çalışan otonom yazılım sistemleri olan yapay zeka ajanları geliştiriyor. Şirketin ilk hedefi, bir çipin katmanları arasına (örneğin silisyum gofret ile metal ısı yayıcı arasına) yerleştirilen ve ısıyı dışarıya ileten termal arayüz malzemeleri .

Şirketin temel tezi, laboratuvarda keşiften ticari kullanıma kadar genellikle 10 yıl veya daha fazla süren malzeme Ar-Ge sürecinin, ölçeklenebilir otomasyon sayesinde aylara hatta günlere sıkıştırılabileceği yönünde .

'Yapay Zeka Köstebek Vurma' Yöntemi Nasıl Çalışıyor?

Kurucu ortak Advaith Sridhar, şirketin yöntemini "AI whack-a-mole" (yapay zeka köstebek vurma) olarak tanımlıyor: Binlerce aday malzemeyi paralel olarak üretip, ardından sistematik bir şekilde en umut verici olanlara kadar eleme yapmak . Bu boru hattı, en gelişmiş yapay zeka modellerini özel fizik simülasyonlarıyla birleştiriyor:

• Aday üretimi: Anthropic'in Claude modelleri ve diğerleri, bilimsel kısıtlamalara dayanarak yeni malzeme bileşimleri öneriyor .
• Hızlı simülasyon: Girişimin eğittiği temel fizik modelleri, her adayın kararlılık, termal iletkenlik gibi özelliklerini test etmek için simülasyonlar çalıştırıyor .
• Yinelemeli filtreleme: Sistem sonuçları çapraz kontrol ediyor, olasılığı düşük adayları eliyor ve en umut verici olanları iyileştirme döngüsüne geri besliyor.

Bu süreç, yalnızca insan gücüne dayanan araştırmalara kıyasla çok daha büyük bir ölçek sunuyor. Doktora çalışmaları sırasında kurucu ortak Akash Ramdas, günde yaklaşık 20 malzeme adayını değerlendirdiğini tahmin ediyor . Discovered Materials'ın yapay zeka ajanları ise bulut altyapısında 7/24 çalışarak günde binlerce adayı değerlendirebiliyor .

Erken Doğrulama: 90 Günde Kimya Devi Şirketlerine Erişmek

Discovered Materials, Ağustos 2026'daki yatırım duyurusuyla birlikte, yapay zeka ajanlarının büyük kimya şirketlerinin mevcut ticari TIM formülasyonlarının performansına sadece 90 günde ulaştığını iddia etti . Girişim, bunu sürekli çalışan bulut tabanlı yapay zeka ajanlarıyla ve rakiplerin tescilli verilerine erişmeden başardığını belirtiyor .

Ayrıca şirket, yapay zeka tarafından keşfedilen yüzlerce malzemeyi kamuoyuna açıkladı ve farklı yapay zeka odaklı malzeme keşfi yaklaşımlarının sonuçlarının karşılaştırılmasına olanak tanıyan açık kaynaklı bir kıyaslama aracı olan "Material Discovery Bench"i (Malzeme Keşif Tezgahı) piyasaya sürdü .

Bu 90 günlük doğrulama iddiasının henüz bağımsız olarak tekrarlanmadığını veya hakemli bir yayında yayınlanmadığını belirtmek önemlidir . Sonuçlar, kanıtlanmış bir ticari atılımdan ziyade erken bir sinyal niteliğindedir.

Girişimin Arkasındaki Ekip

Kurucu ortaklar, sorunun tüm boyutlarını kapsayan tamamlayıcı uzmanlıklara sahip:

İkili, on yıldan uzun bir süre önce Hindistan'ın önde gelen mühendislik kurumlarından IIT Madras'ta öğrenciyken tanıştı . Birinin Stanford'da derin malzeme bilimine, diğerinin ise ileri düzey yapay zeka mühendisliğine yönelen yolları, yarı iletken malzeme keşfini hızlandırma sorununda tekrar kesişti .

Lightspeed India Ortağı Hemant Mohapatra, kurucu ekibi "derin malzeme bilimi uzmanlığı ve ileri düzey yapay zeka mühendisliğinin nadir bir kombinasyonu" olarak tanımladı .

Yatırım Detayları

Fonlar, yapay zeka ajan platformunu ölçeklendirmek, teknik yetenekleri işe almak ve yarı iletken şirketleriyle laboratuvardan fabrikaya (lab-to-fab) doğrulama ortaklıklarını hızlandırmak için kullanılacak .

En Büyük Zorluk: 'Lab-to-Fab' (Laboratuvardan Fabrikaya) Açığını Kapatmak

Hesaplamalı olarak umut verici bir malzeme keşfetmek bir şeydir. Bunun büyük ölçekte üretilebildiğini, çip üretim süreçlerine entegre edilebildiğini ve yıllar boyunca güvenilir bir şekilde performans gösterebildiğini kanıtlamak çok daha zor ve sermaye yoğun bir adımdır. Keşif ile ticarileşme arasındaki bu "ölüm vadisi", malzeme biliminin en zor kısmı olarak kabul edilir .

Diğer zorluklar şunları içerir:

• Rekabet ve yerleşik oyuncular: Büyük kimya ve yarı iletken malzeme şirketleri onlarca yıllık tescilli verilere, derin müşteri ilişkilerine ve kendi yapay zeka çalışmalarına sahiptir. Girişimlerin daha hızlı ve daha ucuz hareket edebileceklerini kanıtlamaları gerekiyor.
• Veri kıtlığı: Yüksek kaliteli etiketli malzeme verileri kıt ve üretilmesi pahalıdır; yapay zeka çıktılarının kalitesi, ajanların eğitildiği veya yönlendirildiği verilere kritik derecede bağlıdır.
• Mühendislik ödünleşimleri: Isıyı azaltan bir malzeme çok sert, çok pahalı veya üretilmesi çok zor olabilir. Bu ödünleşimlerde gezinmek, üretim uzmanlarıyla sıkı bir entegrasyon gerektirir .

Yapay Zeka Odaklı Malzeme Keşfinde Geniş Manzara

Discovered Materials, genellikle "bilim için yapay zeka" veya "malzeme bilişimi" olarak adlandırılan hızla genişleyen bir alanın parçasıdır. Hem akademide hem de girişim sermayesi destekli şirketlerdeki temel tez aynıdır: Yapay zeka modelleri, kimyasal ve kristal yapı uzaylarında insan sezgisinden veya kaba kuvvet laboratuvar deneylerinden çok daha hızlı arama yapabilir.

Bu geniş alandaki önemli oyuncular ve projeler şunları içerir:

• Google DeepMind'ın GNoME'si — yüz binlerce kararlı kristal yapı keşfeden grafik sinir ağları.
• Microsoft'un MatterGen'i — malzeme tasarımı için üretken yapay zeka.
• Materials Project (LBNL) — yapay zeka modelleri tarafından yaygın olarak kullanılan açık bir veritabanı.
• Orbital Materials, Kebotix, Citrine Informatics — yapay zekayı çeşitli malzeme keşfi dikeylerine uygulayan girişim sermayesi destekli şirketler.

Discovered Materials, tüm malzemeler yerine yalnızca yüksek değerli bir yarı iletken sorununa (termal yönetim) odaklanarak ve tek bir model yerine çoklu ajan sürüleri mimarisi kullanarak kendini farklılaştırıyor .

Sırada Ne Var?

Önümüzdeki birkaç yıl, yapay zeka odaklı malzeme keşfinin umut verici hesaplamalı sonuçlardan çip üretiminde gerçek bir ticari etkiye dönüşüp dönüşemeyeceğini belirleyecek. Discovered Materials'ın iş modeli, keşfettiği malzemeleri patentleyip çip üreticilerine lisanslamak . Veri merkezi operatörleri ve yarı iletken yöneticileri için girişimin ilerlemesi (veya ilerleyememesi), yapay zekanın nihayet donanımın en eski darboğazlarından birini kırıp kıramayacağına dair önemli bir sinyal olacak.