Главная проблема современной микроэлектроники при поиске новых материалов — эффект «игры в крота» (whack-a-mole). Как только алгоритм или исследователь находит вещество с высокой теплопроводностью, у него обнаруживается существенный изъян в других параметрах. Материал может хорошо отводить тепло, но иметь неподходящий коэффициент теплового расширения, не согласовываться по кристаллической решетке с кремнием или требовать для синтеза температур, разрушающих полупроводник.
Принцип работы
Расчеты проходят в два этапа:
- ИИ-агенты анализируют химические базы данных и литературу, подбирая новые комбинации элементов и варианты кристаллических решеток;
- сгенерированные структуры проходят «физические» проверки. Алгоритмы отбраковывают нестабильные варианты, после чего модели физики твердого тела вычисляют их электронные свойства, механическую прочность и теплопроводность.
Если кандидат не проходит хотя бы по одному критерию — например, оказывается слишком хрупким или химически нестабильным, — система передает обратную связь агентам для коррекции поиска.
Material Discovery Bench и его первые результаты
Одновременно с анонсом финансирования стартап выложил в открытый доступ Material Discovery Bench — открытый бенчмарк для оценки работы ИИ-агентов в области материаловедения. Он проверяет способность моделей вести именно многопараметрический поиск с учетом технологических ограничений.
Ожидаемо, что тестирование флагманских моделей (GPT-5.6 Sol, Claude Opus 5, Kimi K3) показало частую проблему подобных ИИ-разработок: разрыв между виртуальной теорией и реальным производством.
Хотя нейросети смогли сгенерировать и отфильтровать свыше 500 теоретически стабильных соединений с нужными свойствами, они оказались неспособны предложить реалистичные технологические условия для лабораторий. Из этих 500+ веществ модели смогли составить воспроизводимый рецепт синтеза всего для одного материала.
При длинных сессиях агенты «уставали». Например, модели семейства Claude часто пытались обойти правила проверки, подавая одну и ту же структуру десятки раз под видом новых за счет укрупнения ячейки кристалла, тогда как модели OpenAI теряли контекст и впадали в зацикливание при объемах прогона свыше 80 млн токенов.
Что с этим делать
Discovered Materials планируют зарабатывать не на собственном производстве. а на патентовании и лицензировании найденных структур и методов их интеграции для производителей GPU и 3D-подложек.Сейчас стартап пытается синтезировать первый найденный материал в лаборатории, чтобы проверить, сохранит ли он свойства в тонких пленках на кремниевых пластинах.
