Az AI-láz egyik kevésbé látványos mellékhatása, hogy a modelleket futtató chipek rengeteg hőt termelnek. Most egy startup épp AI-val próbálja megoldani azt a problémát, amelyhez maga az AI is hozzájárult: hűvösebben működő félvezető-anyagokat keres.

Mi történt

A Discovered Materials 9 millió dolláros magvető befektetést vont be, és azt állítja, hogy AI-ügynökökből álló rendszerrel új anyagokat kutat hatékonyabb integrált áramkörökhöz. Az ötlet lényege egyszerűen az, hogy ahelyett, hogy kutatók napi néhány tucat lehetséges anyagot vizsgálnának meg, a felhőben folyamatosan futó modellek ezres nagyságrendben generálnak jelölteket.

A cég folyamata két részből áll. Először nyelvi modellek javasolnak ígéretes anyagokat, majd saját, fizikára épülő szimulációs modellek ellenőrzik, hogy ezek valóban érdekesek lehetnek-e. Gondolj rá úgy, mint egy nagyon gyors előszűrésre: az AI bedob rengeteg ötletet, a fizikai modellek pedig megpróbálják kiszórni azokat, amelyek papíron sem állnák meg a helyüket. A startup több száz új anyagpéldát és egy összehasonlító mérőcsomagot is közzétett, amellyel azt lehet figyelni, mire képesek ezen a területen a legfejlettebb modellek.

A célzott terület a chipgyártás egyik makacs gondja: a hő. Ha egy anyag jobban vezeti el a hőt, vagy kisebb hőtermelés mellett működik, az csökkentheti az adatközpontok energiaigényét és a hűtés terhét. Csakhogy itt nem elég egyetlen tulajdonságban jónak lenni. Egy új anyagnak egyszerre kell megfelelő elektromos jellemzőket, gyárthatóságot és stabilitást mutatnia. Ez az a „vakondcsapós” helyzet, ahol ha az egyik problémát megoldod, gyakran felbukkan egy másik.

Miért fontos

Ez a történet jól mutatja, hol tart ma az AI-alapú tudományos felfedezés. A jelöltek megtalálása egyre gyorsabb, de ettől még nem lesz automatikusan piacképes egy új anyag. A félvezetőiparban különösen szigorúak a követelmények: ami szimulációban működik, annak gyártósoron, valós terhelés alatt és nagy mennyiségben is működnie kell. A TechCrunch anyagában megszólaló befektető szerint ezért nem feltétlenül az új ötletek száma a fő gond, hanem a helyes szűrés és a laboratóriumi előállítás. Ez hétköznapi szinten azért érdekes, mert ha az ilyen kutatások beérnek, az hosszabb távon hatékonyabb AI-infrastruktúrát, alacsonyabb energiaigényt és jobb teljesítmény-per-fogyasztás arányt hozhat.

Mire figyelj

  1. Az első valódi mérföldkő nem az lesz, hogy hány új anyagot neveznek meg, hanem hogy ezek közül hányat tudnak laborban előállítani és függetlenül validálni.
  1. Fontos kérdés, hogy a startup valóban tud-e szabadalmaztatható, iparilag hasznos megoldásokat felmutatni GPU-khoz vagy chipgyártási folyamatokhoz már a következő egy évben.
  1. Érdemes figyelni azt is, hogy az ilyen cégek miben tudnak tartós előnyt építeni. Ahogy a modellek általánosan jobbak lesznek, önmagában az anyagjelöltek generálása könnyen tömegtermékké válhat; a különbséget valószínűleg az egyedi adatok, a szakterület mély ismerete és a gyors laboros visszaellenőrzés adja majd.
  1. A legnagyobb próba végül az lesz, eljut-e bármelyik AI-val talált anyag a széles körű kereskedelmi használatig. Ezen a ponton a terület még inkább ígéret, mint bizonyított ipari fordulat.