Как ИИ-агенты находят материалы для чипов будущего: разбор подхода Discovered Materials

Почему перегрев чипов стал главной болью дата-центров

Современные процессоры выделяют огромное количество тепла. Чем мощнее чип, тем сложнее отводить от него энергию. Для дата-центров, на которых работают ИИ-модели, перегрев превратился в прямую угрозу экономике вычислений. Стартап Discovered Materials ищет решение через связку ИИ-агентов и физического моделирования. Цель - найти материалы, которые помогут чипам меньше нагреваться и эффективнее рассеивать тепло.

Проблема касается всех, кто пользуется современными сервисами. Обучение большой языковой модели требует тысяч серверов, работающих круглосуточно. Каждый из них выделяет тепло. Если не решить вопрос отвода тепла, стоимость ИИ продолжит расти.

Масштаб проблемы: цифры и факты

Дата-центры потребляют около 1-2% мировой электроэнергии. До 40% этой энергии уходит на охлаждение. То есть почти половина электричества, которое получает дата-центр, не выполняет полезную работу, а борется с теплом, которое сами же серверы и производят.

Рост числа дата-центров ускоряется из-за распространения генеративного ИИ. Каждый новый кластер для обучения моделей добавляет нагрузку на электросети и системы охлаждения. Традиционные методы, такие как воздушное охлаждение, достигают предела. Жидкостное охлаждение эффективнее, но дороже и сложнее в обслуживании.

Как перегрев влияет на стоимость ИИ-технологий

Перегрев сокращает срок службы чипов. При высоких температурах материалы деградируют быстрее, процессоры выходят из строя раньше, замена оборудования обходится дороже. Дата-центрам приходится закладывать эти расходы в цену облачных сервисов.

Ограничение плотности размещения серверов - ещё один фактор. Если чипы выделяют слишком много тепла, их нельзя ставить близко друг к другу. Это увеличивает площадь помещений, затраты на инфраструктуру и конечную стоимость вычислений. Для ИИ-компаний это означает более дорогое обучение моделей и более высокие цены для пользователей.

Ситуация напоминает тупик: для более умного ИИ нужны более мощные чипы, а они выделяют больше тепла. Решение требует новых материалов, способных выдерживать экстремальные условия.

Какие свойства материалов критически важны для чипов

Тепловыделение - это только часть проблемы. Материал, из которого сделан чип и его подложка, должен обладать целым комплексом характеристик. Иначе даже холодный процессор не будет работать стабильно.

Теплопроводность и термическая стабильность

Теплопроводность определяет, насколько быстро тепло отводится от активных элементов чипа. Медь и алюминий хорошо проводят тепло, но у них есть пределы. Новые материалы должны превосходить их, оставаясь совместимыми с производственными процессами.

Термическая стабильность гарантирует, что материал не изменит свойства при длительной работе. Чип в дата-центре работает годами при температурах выше 80 градусов Цельсия. Если материал подложки начнёт трескаться или менять структуру, процессор выйдет из строя.

Почему снижение тепловыделения - не панацея

Предположим, инженеры создали чип, который выделяет вдвое меньше тепла. Если подложка плохо проводит тепло, локальный перегрев всё равно возможен. Отдельные участки процессора могут нагреваться сильнее других, вызывая сбои.

Электрическая изоляция не менее важна. Материал должен предотвращать короткие замыкания между элементами чипа. Механическая прочность нужна, чтобы выдерживать циклы нагрева и охлаждения. Совместимость с технологией производства определяет, можно ли вообще внедрить материал без полной перестройки фабрик.

Поиск материала с нужным сочетанием свойств - задача, на которую традиционными методами уходят годы. Discovered Materials предлагает ускорить процесс.

Как Discovered Materials использует ИИ-агентов и физическое моделирование

Стартап комбинирует два инструмента: ИИ-агенты для генерации гипотез и физическое моделирование для их проверки. Такой подход заменяет медленный цикл «синтез - тест - ошибка» виртуальным отбором.

Роль ИИ-агентов в поиске материалов

ИИ-агенты сканируют научную литературу, патентные базы и базы данных химических соединений. Они ищут закономерности, которые человек мог бы пропустить. На основе этих данных агенты генерируют новые химические формулы и предсказывают свойства материалов с помощью машинного обучения.

Один агент может проанализировать миллионы вариантов за часы. Для человека это годы работы. ИИ не устаёт и не привязан к привычным шаблонам, поэтому может предлагать неожиданные комбинации элементов.

Физическое моделирование как фильтр реальности

Предсказания ИИ не всегда точны. Модель может выдать формулу, которая выглядит перспективно, но на практике не существует или нестабильна. Здесь вступает физическое моделирование.

Методы квантовой химии и молекулярной динамики позволяют рассчитать свойства материала на уровне атомов. Это дорого с вычислительной точки зрения, но дешевле и быстрее реального синтеза. Физическое моделирование отсеивает ложные предсказания ИИ, оставляя только те материалы, которые действительно перспективны.

Связка работает так: ИИ-агенты предлагают тысячи вариантов, физическое моделирование проверяет их, оставляя десятки. Дальше эти кандидаты можно синтезировать в лаборатории. Такой подход сокращает время поиска с лет до месяцев.

Похожие методы уже применяются в индустрии. NVIDIA расширила свой Agent Toolkit библиотеками для физического моделирования, позволяя инженерным ИИ-агентам выполнять расчёты теплопереноса и квантовой химии. Discovered Materials идёт тем же путём, но фокусируется на конкретной задаче - материалах для чипов.

Планы стартапа: патенты, лицензии и сроки

Discovered Materials намерена зарабатывать на интеллектуальной собственности. Стартап планирует патентовать найденные материалы и методы их поиска, а затем лицензировать технологии производителям чипов.

Стратегия патентования и лицензирования

Патент на материал создаёт барьер для конкурентов. Если производитель чипов захочет использовать этот материал, ему придётся платить роялти. Патент на метод поиска защищает сам подход, позволяя стартапу лицензировать технологию даже тем, кто ищет другие материалы.

Такая модель снижает риски. Стартапу не нужно строить собственные фабрики или конкурировать с гигантами вроде TSMC. Достаточно продавать права на использование найденных решений.

Когда ожидать первые результаты

Точные сроки стартап не раскрывает. Разработка новых материалов обычно занимает годы: от компьютерного моделирования до лабораторного синтеза и тестирования проходит несколько циклов. Использование ИИ сокращает ранние этапы, но не отменяет физические испытания.

Разумно ожидать, что первые прототипы появятся в течение нескольких лет. Если подход окажется успешным, производители чипов смогут внедрять новые материалы в следующие поколения процессоров.

Инвестиции в инфраструктуру чипов растут. Хедж-фонд Situational Awareness вложил $400 млн в стартап Source Foundry, который ускоряет производство чипов. Это подтверждает, что рынок готов платить за решения, снижающие стоимость вычислений.

Что это значит для будущего ИИ и электроники

Если новые материалы позволят чипам работать при более высоких температурах или эффективнее отводить тепло, дата-центры смогут размещать серверы плотнее. Это снизит стоимость вычислений и сделает ИИ доступнее.

Менее горячие чипы потребуют меньше энергии на охлаждение. Сокращение расходов на инфраструктуру может отразиться на ценах облачных сервисов. Для бизнеса это означает более дешёвое обучение моделей и более быстрый вывод продуктов на рынок.

Технология применима в других областях электроники. Смартфоны, электромобили, промышленные контроллеры - все они сталкиваются с проблемой отвода тепла. Материалы, найденные для чипов, могут найти применение в этих устройствах.

Anthropic уже проектирует собственные чипы для ИИ, а стартап Etched создал процессоры, ускоряющие вывод моделей без GPU. Индустрия движется к специализированному оборудованию, и материалы становятся узким местом. Discovered Materials решает именно эту задачу.