Что произошло
На Hacker News вышла публикация YC-стартапа Discovered Materials (батч P26). Команда, основанная Адвайте и Акашем, строит AI-агентов для поиска новых материалов для полупроводниковой индустрии. За три месяца в Y Combinator они успели смоделировать, синтезировать и протестировать термоинтерфейсные материалы (TIM), которые, по их словам, сопоставимы с разработками крупнейших химических компаний.
Почему это обсуждают
Проблема теплоотвода в GPU становится критической: H100 (2022) выделяет 700 Вт, Blackwell (2024) — 1,2 кВт, Rubin (2026) — 2,3 кВт. Дата-центры тратят огромные объёмы энергии и воды на охлаждение. Одно из перспективных решений — 3D-упаковка чипов (размещение HBM-памяти прямо над логикой), которая могла бы снизить энергозатраты на передачу данных в 10–50 раз. Но мешает диэлектрик SiO2, который плохо проводит тепло.
Что подтверждено
| Punkt | Detail |
|---|---|
| Модели | Claude Opus, GPT-5.6 Sol, Kimi K3 и др. находят стабильные материалы |
| Критерии | κ > 20 Вт/(м·К), ε₀ < 10, модуль Юнга ≥ 20 ГПа |
| Синтез | Все модели плохо справляются с рецептами лабораторного синтеза |
| Лидер | Только GPT-5.6 Sol дал жизнеспособный рецепт |
Команда также представила Material Discovery Bench — долгосрочный бенчмарк с открытым концом, где модели ищут новые материалы, а эксперты оценивают их рецепты синтеза. Все фронт-модели находят новые стабильные материалы, но рецепты — слабое место. Opus-5 и Kimi-K3 выдают варианты с критическими ошибками или опасные для выполнения.
На что смотреть дальше
Ключевой вопрос — сможет ли AI сократить путь «от лаборатории до фабрики», который сейчас занимает годы и сотни миллионов долларов. Вычислительное открытие материала — лишь первый шаг: графен предсказали в 1947 году, а синтезировали только в 2004-м. Стоит следить за независимой верификацией результатов Discovered Materials и публикациями OpenAI, указывающими на прогресс в этой области.
Источники: оригинальный пост — https://discoveredmaterials.com/research/; материал для проверки — https://openai.com/news/