یک استارتاپ YC یک میلیون دلار پشت 5 مشکل حل نشده علم مواد برای هوش مصنوعی صرف می کند

Discovered Materials، استارت‌آپ ماه‌ها پیش از سانفرانسیسکو که از مدل‌های هوش مصنوعی برای یافتن مواد جدید برای ساخت تراشه‌های پیشرفته استفاده می‌کند، اعلام کرد. یک چالش میلیون دلاری برای مدل های هوش مصنوعی برای حل پنج مشکل مهم در علم مواد.

در حالی که مدل‌های هوش مصنوعی مرزی مجموعه‌ای از مسائل ریاضی برجسته را حل کرده‌اند و در علوم زیستی پیشرفت کرده‌اند، اما هنوز نتوانسته‌اند فیزیک پیچیده‌ای را در مواد پیشرفته انجام دهند.

Advaith Sridhar، یکی از بنیانگذاران Discovered Materials که بخشی از مجموعه بهار 2026 Y Combinator بود، گفت: «تعیین واضح مسائل در علم مواد دشوارتر است، زیرا مانند ریاضی نیست، جایی که شما تعریف بسیار خاصی دارید و می توانید به بله یا خیر برسید. «ما به این بحث رسیدیم [wondering]، چالش های بزرگ در این زمینه چیست؟ چگونه بفهمیم هوش مصنوعی در حال پیشرفت است؟

اگرچه علم مواد معادلی با مسائل جایزه هزاره ندارد، مواد کشف‌شده گروهی از دانشگاهیان را در دانشگاه‌های پیشرو جهانی استخدام کرد تا پنج مشکل باز را بیان کنند. این شرکت مجموعه‌ای از جوایز به ارزش یک میلیون دلار را برای حل مشکلات ارائه می‌کند.

• نظریه ای برای توضیح ابررسانایی کاپرات یا توانایی برخی مواد برای داشتن مقاومت الکتریکی صفر در دماهای بسیار پایین.
• یک روش عددی برای پیش‌بینی ساختار رابط‌های بین سیلیکون و دی اکسید سیلیکون، ترکیبی از مواد که تقریباً در تمام نیمه‌رساناها یافت می‌شود.
• یک روش عددی برای ترسیم ساختار دانه به خواص حرارتی، که امکان طراحی مواد اتلاف حرارت بهتر را فراهم می‌کند.
• نظریه ای برای پیش بینی اینکه چرا تابش نور به مواد می تواند رفتار آنها را تغییر دهد، به ویژه در مورد ابررسانایی.
• یک روش عددی برای بهبود تئوری تابعی چگالی، یک تکنیک کلیدی که در علم مواد برای مدل‌سازی ساختار اتم‌ها و مولکول‌ها استفاده می‌شود.

فیلیپ جورنادا، استاد دانشگاه استنفورد که به توسعه چالش‌ها کمک کرد، در بیانیه‌ای گفت: «در سراسر علم مواد، پدیده‌هایی وجود دارد که ما مشاهده می‌کنیم اما نمی‌توانیم توضیح دهیم.» توضیح این پدیده‌ها درک ما از فیزیک را بهبود می‌بخشد و پاسخ‌ها مستقیماً نحوه ساخت وسایل الکترونیکی، ذخیره انرژی و ساخت مواد آینده را شکل می‌دهند.»

قبل از اعلام چالش‌ها، مواد کشف‌شده مدل‌های آزمایشگاه مرزی را بر روی آن‌ها رها کرد و به عوامل هوش مصنوعی امکان دسترسی به اینترنت و سایر منابع را داد تا برای روزها به طور مستقل کار کنند. مدل‌ها چندین روز برای هر مشکل بدون پیشرفت زیادی صرف کردند. با این حال، تصور اینکه OpenAI یا Anthropic تلاش می کند آنها را با محاسبات بسیار بیشتر یا یک مدل جدیدتر عکسبرداری کند، آسان است.

سریدار گفت: «این برای ما اهمیت خاصی ندارد که آن را پیدا کنیم، یا شخص دیگری آن را پیدا کند، یا یک استاد آن را پیدا کند، یا آزمایشگاه های مرزی آن را پیدا کنند. “دلیلی که ما این چالش‌ها را مطرح می‌کنیم این است که می‌خواهیم آنها به‌عنوان تیرک دروازه باشند. اگر شما بروید و این چالش‌ها را حل کنید، ما درک خود را از مواد و نحوه رفتار چیزهای اطرافمان عمیق‌تر می‌کنیم.”

او افزود که پیگیری تلاش‌ها برای حل مشکلات نشان می‌دهد که آیا مدل‌ها در این حوزه در حال صعود هستند یا خیر.

این چالش همچنین نشان‌دهنده ماهیت در حال تغییر تحقیقات علمی است زیرا هوش مصنوعی ثابت می‌کند که قادر به کشف بینش‌ها و تکنیک‌هایی است که محققان انسانی پیش‌بینی نمی‌کردند. با پیدا کردن راه‌حل‌هایی که ظاهراً راحت‌تر از همیشه پیدا می‌شوند، سؤالات اهمیت بیشتری پیدا می‌کنند.

سریدار گفت: «این یک روش جدید تفکر در مورد علم است، که در آن ابتدا تأیید و چالش‌ها را مطرح می‌کنیم، و سپس به کسی اجازه می‌دهیم تا ایده‌هایی را ارائه کند که مشکل را توضیح می‌دهد.» «دانستن سؤالات مناسب برای پرسیدن در این حوزه بی‌اهمیت و بسیار دشوار نیست، بنابراین اینجاست که اساتید واقعاً به ما کمک کرده‌اند تا سؤالات درستی را که باید بپرسیم، شکل دهیم.»

تمرکز اصلی مواد کشف شده توسعه مواد جدید برای استفاده در نیمه هادی ها است. این استارت آپ با غول های تراشه در پروژه های تحقیقاتی شریک می شود و در عین حال تلاش های علمی خود را نیز تامین می کند. هنگامی که این شرکت در ماه آگوست دور اولیه خود را اعلام کرد، سریدار به TechCrunch گفت که امیدوار است این شرکت ظرف یک سال مواد مفیدی تولید کند.

او امروز می‌گوید: «این جدول‌های زمانی کمی تسریع شده‌اند. اکنون مطمئن‌تر هستم که می‌توانیم این مواد مفید صنعتی را در یک جدول زمانی کوتاه‌تر از یک سال پیدا کنیم.»