YC-stött startup Discovered Materials lanserar AI-utmaning på 1 miljon dollar för att lösa viktiga materialvetenskapsproblem

Bild: TechCrunch · Källa

Discovered Materials, en startup stödd av Y Combinator, har lanserat en utmaning på 1 miljon dollar för att använda AI för att lösa fem avgörande olösta problem inom materialvetenskap, vilket potentiellt kan främja design av halvledare och fysikförståelse.

Discovered Materials, en San Francisco-baserad startup inkuberad i Y Combinators vårbatch 2026, leder en utmaning på 1 miljon dollar för att stimulera artificiell intelligens-lösningar på fem grundläggande problem inom materialvetenskap. Företaget, som tillämpar AI-modeller för att upptäcka nya material till avancerade halvledarchip, eftersträvar beräkningsgenombrott som kan fördjupa förståelsen och förbättra designen inom området.

Medan AI nyligen gjort anmärkningsvärda framsteg inom matematik ochbiovetenskaper, presenterar materialvetenskap unika utmaningar på grund av dess komplexa fysik och mindre tydligt definierade problemformuleringar. "Det är svårare att precisera problem tydligt inom materialvetenskap eftersom det inte är som matematik, där du kan ha en mycket specifik definition och nå ett ja- eller nej-svar," sade medgrundaren Advaith Sridhar.

För att definiera sin utmaning sammankallade Discovered Materials en rådgivande panel av akademiker från ledande universitet för att identifiera fem olösta kärnproblem. Varje problem belönas med 200 000 dollar, totalt 1 miljon dollar, för att stimulera AI-drivna lösningar. Dessa problem inkluderar:

- Utveckla en teori för att förklara kopparsupraledning, där vissa material uppvisar noll elektriskt motstånd vid ultralåga temperaturer. - Skapa en numerisk metod för att förutsäga strukturen hos gränssnitt mellan kisel och kiseldioxid, en allmän materialkombination i halvledare. - Designa en numerisk metod för att kartlägga korngruktur till termiska egenskaper, möjliggörande material med bättre värmeavledning. - Formulera en teori för hur belysning av material kan ändra deras beteende, särskilt relaterat till supraledning. - Förbättra Densitetsfunktionalteori, en grundläggande beräkningsmetod för modellering av atom- och molekylstrukturer i material.

Felipe Jornada, professor vid Stanford och involverad i utformningen av dessa utmaningar, betonade deras betydelse: "Att förklara dessa fenomen skulle förbättra vår förståelse av fysik och direkt påverka hur vi bygger elektronik, lagrar energi och tillverkar framtida material."

Innan utmaningen annonserades testade Discovered Materials avancerade AI-labbmodeller med internetåtkomst på problemen, men observerade begränsad framgång trots flera dagars autonom problemlösning. Sridhar noterade att även om andra AI-labb som OpenAI eller Anthropic kan försöka dessa utmaningar med mer beräkningsresurser, välkomnar företaget all framgång som ett steg framåt för området.

Initiativet speglar ett nytt paradigm inom vetenskaplig forskning, där definitionen av rätt frågor och verifieringsmetoder föregår generering av förklarande idéer. Sridhar framhöll den avgörande rollen av akademiskt samarbete vid formuleringen av dessa välformulerade frågor som är gynnsamma för AI-utforskning.

Discovered Materials fortsätter sitt primära uppdrag att upptäcka nya halvledarmaterial, arbetar med stora chip-tillverkare och driver vidare intern forskning. Efter sin seed-finansieringsrunda i augusti 2026 har startupen blivit mer självsäker i sin förmåga att identifiera industriellt användbara material inom en kortare tidsram under ett år.

Genom att sätta tydliga AI-utmaningsmål inom materialvetenskap strävar Discovered Materials efter att katalysera framsteg som kan revolutionera elektronikdesign och tänja på gränserna för fysikförståelse med hjälp av artificiell intelligens.