Discovered Materials: стартап, що грає в «ШІ-квача» у пошуках холодніших мікросхем

Головна теза стартапу полягає в тому, що R&D у сфері матеріалів, яке зазвичай займає 10 років і більше від відкриття в лабораторії до комерційного впровадження, можна стиснути до місяців або навіть днів завдяки автоматизації в масштабі .

Як працює підхід «ШІ-квача» (AI Whack-a-Mole)

Співзасновник Адвайт Срідгар описує метод компанії як "AI whack-a-mole" — паралельна генерація тисяч кандидатів, а потім систематична фільтрація до найперспективніших . Конвеєр поєднує найновіші ШІ-моделі з власними фізичними симуляціями:

• Генерація кандидатів: Моделі Anthropic Claude, серед інших, пропонують нові склади матеріалів на основі наукових обмежень .
• Швидка симуляція: Фундаментальні фізичні моделі, навчені стартапом, проводять симуляції, щоб перевірити стабільність, теплопровідність та інші властивості кожного кандидата .
• Ітеративна фільтрація: Система перехресно перевіряє результати, відкидає малоймовірні варіанти та повертає найперспективніші ліди назад у цикл генерації для доопрацювання.

Такий конвеєр є значно масштабнішим порівняно з суто людськими дослідженнями. Під час своєї докторської дисертації співзасновник Акаш Рамдас, за власними оцінками, переглядав приблизно 20 кандидатів на день . ШІ-агенти Discovered Materials можуть оцінювати тисячі на день, працюючи 24/7 на хмарній інфраструктурі .

Перше підтвердження: Зрівняння з хімічними гігантами за 90 днів

Поряд з оголошенням про фінансування в серпні 2026 року, Discovered Materials заявив, що його ШІ-агенти досягли продуктивності, яка зрівнялася з наявними комерційними рецептурами TIM від великих хімічних компаній — лише за 90 днів . Стартап стверджує, що досяг цього за допомогою хмарних ШІ-агентів, які працювали безперервно, без доступу до пропрієтарних даних конкурентів .

Компанія також оприлюднила сотні відкритих ШІ-матеріалів і запустила "Material Discovery Bench" — відкритий бенчмарк, створений, щоб дозволити галузі порівнювати результати різних підходів до ШІ-керованого пошуку матеріалів .

Важливо зазначити, що це твердження про 90-денне підтвердження ще не було незалежно відтворене або опубліковане в рецензованій літературі . Це радше ранній сигнал, аніж доведений комерційний прорив.

Команда стартапу

Співзасновники мають взаємодоповнюючий досвід, який охоплює всю проблематику:

Вони познайомилися понад десять років тому, коли навчалися в IIT Madras, одному з провідних інженерних інститутів Індії . Їхні різні шляхи — один поглибився в матеріалознавство в Стенфорді, інший — у передову інженерію ШІ — зійшлися на проблемі прискорення відкриття напівпровідникових матеріалів .

Хемант Мохапатра, партнер Lightspeed India, описав команду засновників як таку, що поєднує "рідкісну комбінацію глибокої експертизи в матеріалознавстві та передової ШІ-інженерії" .

Деталі фінансування

Кошти будуть спрямовані на масштабування платформи ШІ-агентів, найм технічних фахівців та прискорення партнерства з напівпровідниковими компаніями для переходу від лабораторії до виробництва .

Найбільший виклик: Подолання «лаб-ту-фаб» розриву

Відкрити перспективний матеріал обчислювальним шляхом — одне. Довести, що його можна виробляти в масштабі, інтегрувати в процеси виробництва мікросхем і підтримувати надійну роботу роками — це набагато складніший, капіталоємний крок. Ця «долина смерті» між відкриттям і комерціалізацією широко вважається найважчою частиною матеріалознавства .

Додаткові виклики включають:

• **Конкуренція та досвід: ** Великі хімічні та напівпровідникові компанії мають десятиліття пропрієтарних даних, глибокі зв'язки з клієнтами та власні ШІ-ініціативи. Стартапи повинні довести, що можуть діяти швидше й дешевше.
• **Дефіцит даних: ** Високоякісні розмічені дані про матеріали є рідкісними та дорогими для отримання; якість результатів ШІ критично залежить від того, на яких даних навчаються або з якими даними працюють агенти.
• **Інженерні компроміси: ** Матеріал, який зменшує нагрів, може бути надто твердим, надто дорогим або нестабільним у виробництві. Навігація цими компромісами вимагає тісної інтеграції з експертами з виробництва .

Ширший ландшафт ШІ-керованого пошуку матеріалів

Discovered Materials є частиною швидко зростаючої галузі, яку часто називають «ШІ для науки» або «матеріальна інформатика». Ключова теза як в академічному середовищі, так і серед венчурних стартапів однакова: ШІ-моделі можуть досліджувати хімічні та кристалічні простори набагато швидше, ніж людська інтуїція або методи лабораторних експериментів.

Відомі гравці та проєкти в ширшому просторі:

• GNoME від Google DeepMind — графові нейронні мережі, які відкрили сотні тисяч стабільних кристалічних структур.
• MatterGen від Microsoft — генеративний ШІ для дизайну матеріалів.
• Materials Project (LBNL) — відкрита база даних, яку широко використовують ШІ-моделі.
• Orbital Materials, Kebotix, Citrine Informatics — венчурні стартапи, які застосовують ШІ в різних вертикалях пошуку матеріалів.

Discovered Materials вирізняється тим, що зосереджується вузько на одній високовартісній напівпровідниковій проблемі — тепловому менеджменті, а не на всіх матеріалах загалом, а також використовує архітектуру мультиагентного рою замість однієї моделі .

Що далі

Наступні кілька років покажуть, чи зможе ШІ-кероване відкриття матеріалів масштабуватися від багатообіцяючих обчислювальних результатів до справжнього комерційного впливу у виробництві мікросхем. Бізнес-модель Discovered Materials полягає в патентуванні відкритих матеріалів і ліцензуванні їх виробникам чіпів . Для операторів дата-центрів і керівників напівпровідникової галузі, які стежать за цим простором, прогрес стартапу — або його відсутність — стане корисним сигналом того, чи нарешті ШІ зможе подолати одне з найстаріших вузьких горлечок апаратного забезпечення.