Материалы, которые были открыты, ищут более крутые чипы с помощью ИИ — потому что тепловая стена теперь так же реальна, как и вычислительная.

Стартап использует ИИ для поиска в пространстве возможных полупроводниковых материалов и материалов для охлаждения. При 1000 Вт на чип тепловое управление становится основным ограничением для плотности центров обработки данных.

Простыми словами: Discovered Materials применяет ИИ для поиска новых полупроводниковых и теплопроводящих материалов для чипов. Бизнес-кейс: по мере того как чипы для обучения ИИ превышают 700–1000 Вт на единицу, тепло становится такой же серьёзной проблемой, как и плотность вычислений.

Проблема, которую они решают

Современные ускорители ИИ (класса H100, B200) генерируют тепло в таких масштабах, что это ограничивает плотность их упаковки в стойке. Жидкостное охлаждение помогает, но не решает фундаментальную проблему — сами материалы. Лучшие теплопроводники, фазопереходные материалы и новые полупроводниковые подложки могут позволить чипам работать при более высоких температурах без снижения производительности или оставаться холодными при той же производительности.

Discovered Materials использует цикл поиска с применением ИИ: генерация кандидатов на составы материалов, предсказание их свойств вычислительными методами, фильтрация по ограничениям manufacturability, итерации. TechCrunch описывает это как «ИИ-пинг-понг» — пространство поиска огромно, а полезные кандидаты редки.

Как это работает

В сфере поиска материалов с помощью ИИ представлены такие проекты, как GNoME от DeepMind (2,2 млн кристаллических структур), MatterGen от Microsoft и Open Catalyst Project от Meta. Discovered Materials фокусируется specifically на тепловых приложениях для полупроводников — более узкой и коммерчески близкой цели, чем общая работа по открытию кристаллических структур.

И что?

Проблема масштабирования вычислений становится всё больше проблемой физики. Материалы на основе ИИ — это заслуживающий доверия долгосрочный инструмент, но разрыв между «открытием в симуляции» и «пригодностью для производства с высоким выходом» остаётся большим. Это ставка на 5-летнюю инфраструктуру, а не быстрое решение на следующий квартал. Стоит следить за этой компанией, если вы отслеживаете аппаратный слой ИИ-стека.