YC:n tukema startup Discovered Materials käynnistää miljoonan dollarin tekoälyhaasteen ratkaistakseen keskeisiä materiaalitieteen ongelmia

Kuva: TechCrunch · Lähde

Y Combinatorin tukema San Franciscon startup Discovered Materials on julkaissut miljoonan dollarin haasteen, jonka tavoitteena on hyödyntää tekoälyä viiden materiaalitieteen keskeisen avoimen ongelman ratkaisemiseksi ja edistää näin puolijohteiden suunnittelua ja fysiikan ymmärrystä.

San Franciscossa sijaitseva startup Discovered Materials, joka on mukana Y Combinatorin kevään 2026 ohjelmassa, johtaa miljoonan dollarin haastekampanjaa, jonka tarkoituksena on kannustaa tekoälyratkaisuja viiteen perustavanlaatuiseen materiavitieteiden ongelmaan. Yritys soveltaa tekoälymalleja uusien materiaalien löytämiseen edistyneitä puolijohdekiekkoja varten ja tavoittelee laskennallisia läpimurtoja, jotka voisivat syventää ymmärrystä ja parantaa suunnittelua tällä alalla.

Vaikka tekoäly on viime aikoina edistynyt merkittävästi matematiikan ja elintieteiden ongelmissa, materiaalitiede asettaa erityisiä haasteita monimutkaisen fysiikan ja epäselvien ongelmanmäärittelyjen vuoksi. "On vaikeampaa määritellä ongelmia selkeästi materiaalitieteessä, koska se ei ole kuten matematiikka, jossa voi olla hyvin tarkka määritelmä ja päästä kyllä- tai ei-vastaukseen", totesi perustajajäsen Advaith Sridhar.

Haastetta varten Discovered Materials kokosi neuvonantajapaneelin johtavista yliopistoista tunnistamaan viisi ratkaisematonta ydinkysymystä. Jokaisesta ongelmasta on tarjolla 200 000 dollarin palkinto, yhteensä miljoona dollaria, kannustimena tekoälyn ratkaisuille. Nämä ongelmat ovat:

- Teorian kehittäminen kupratti-superjohtavuuden selittämiseksi, jossa tietyt materiaalit ilmentävät nollasähkövastusta erittäin matalissa lämpötiloissa. - Numeraalisen menetelmän luominen piin ja piioksidin rajapintarakenteen ennustamiseksi, aineyhdistelmä, joka on yleinen puolijohteissa. - Numeraalisen menetelmän suunnittelu jyvästruktuurin yhdistämiseksi lämpöominaisuuksiin, mahdollistaen materiaalit, joilla on parempi lämmönjohtavuus. - Teorian muodostaminen siitä, miten materiaalien valaistus voi muuttaa niiden käyttäytymistä, erityisesti superjohtavuuteen liittyen. - Tiheysfunktionaaliteorian parantaminen, keskeinen laskennallinen menetelmä atomien ja molekyylien rakenteiden mallintamiseen materiaaleissa.

Stanfordin professori Felipe Jornada, joka osallistui näiden haasteiden muotoiluun, korosti niiden merkitystä: "Näiden ilmiöiden selittäminen parantaisi fysiikan ymmärrystämme ja vaikuttaisi suoraan siihen, miten rakennamme elektroniikkaa, varastoit energiaa ja valmistamme tulevaisuuden materiaaleja."

Ennen haasteen julkistamista Discovered Materials testasi huippuluokan tekoälymalleja, joilla oli internet-yhteys, ongelmien ratkaisemiseksi, mutta huomasi edistymisen olleen rajallista useiden päivien itsenäisen ongelmanratkaisun jälkeen. Sridhar totesi, että vaikka muut tekoälylaboratoriot, kuten OpenAI tai Anthropic, voisivat yrittää näitä haasteita suuremmilla laskentaresursseilla, yritys toivottaa minkä tahansa osapuolen menestyksen tervetulleeksi alan edistysaskeleena.

Aloite heijastaa uutta tiedettä tutkimusparadigmaa, jossa oikeiden kysymysten ja tarkistusmenetelmien määrittely edeltää selittävien ideoiden luomista. Sridhar korosti akateemisen yhteistyön kriittistä roolia hyvin muotoiltujen, tekoälylle sopivien kysymysten laatimisessa.

Discovered Materials jatkaa ensisijaista tehtäväänsä löytää uusia puolijohdemateriaaleja, tehdessään yhteistyötä johtavien siruvalmistajien kanssa ja edistäen sisäistä tutkimustaan. Elokuussa 2026 julkistetun siemenrahoituskierroksen jälkeen startup on entistä varmempi kyvystään tunnistaa teollisesti hyödyllisiä materiaaleja alle vuodessa.

Asettamalla selkeät tekoälyhaasteet materiaalitieteessä Discovered Materials pyrkii katalysoimaan edistysaskeleita, jotka voivat mullistaa elektroniikkasuunnittelun ja laajentaa fysiikan ymmärrystä tekoälyn avulla.