← Terug naar kennisbank
AI Nieuws
·
Leestijd: 4 min
Discovered Materials, een jonge start-up uit San Francisco die deel uitmaakte van Y Combinator in het voorjaar van 2026, heeft een prijzengeld van 1 miljoen dollar aangekondigd. Met die prijs wil het bedrijf vijf fundamentele, nog onopgeloste problemen in de materiaalkunde laten aanpakken door AI-systemen.
Waarom deze uitdaging?
Materiaalkunde gaat over waarom materialen zich op een bepaalde manier gedragen. Soms zien onderzoekers effecten die ze niet kunnen verklaren met de bestaande theorieën of rekenmethodes. Dat belemmert het ontwikkelen van betere computerchips, efficiëntere energieopslag en nieuwe productiematerialen.
De oprichters van Discovered Materials vroegen zich af welke grote problemen in het veld het belangrijkste zijn om op te lossen, en hoe je kunt meten of AI echt vooruitgang boekt. Daarom hebben ze academici van topuniversiteiten gevraagd om vijf concrete uitdagingen te formuleren. Deze dienen als meetpunten: als iemand ze oplost, betekent dat dat AI ook op dit terrein echt iets nieuws kan bijdragen.
De vijf open problemen
Een theorie voor cuprate-supergeleiding, oftewel waarom bepaalde koperhoudende materialen bij extreem lage temperaturen vrijwel geen elektrische weerstand hebben.
Een numerieke methode om de structuur van de grenslaag tussen silicium en siliciumdioxide te voorspellen — die combinatie komt in bijna alle halfgeleiders voor en bepaalt veel van hun eigenschappen.
Een numerieke methode om de korrelstructuur (hoe kristallen en korrels in een materiaal zijn gerangschikt) te koppelen aan warmte-eigenschappen. Daarmee kun je materialen ontwerpen die warmte beter wegvoeren.
Een theorie die voorspelt waarom licht op sommige materialen hun gedrag verandert, vooral rond supergeleiding — licht kan eigenschappen van een materiaal tijdelijk veranderen, en dat begrijpen is nog onduidelijk.
Een numerieke methode om Density Functional Theory (DFT, een rekentechniek om de structuur en energie van atomen en moleculen te modelleren) te verbeteren, zodat voorspellingen preciezer en praktischer worden.
Hoe AI er tot nu toe mee omging
Voordat de uitdagingen openbaar werden gemaakt, liet Discovered Materials krachtige AI-modellen zelfstandig aan de problemen werken. De modellen kregen internettoegang en andere hulpmiddelen en konden meerdere dagen zelfstandig rekenen en zoeken. Dat leverde geen doorbraak op: de systemen maakten weinig vooruitgang op deze moeilijke vragen.
De oprichters geven aan dat het niet per se belangrijk is wie de oplossing vindt — een universiteit, een groot AI-lab of een individuele onderzoeker — maar dat het vooral gaat om het vastleggen van duidelijke doelpunten. Als die doelpunten zijn gesteld, wordt zichtbaar of modellen echt groeien in dit vakgebied.
Het is ook goed te bedenken dat grote AI-onderzoekslabs met meer rekenkracht of nieuwere modellen mogelijk sneller vooruitgang kunnen boeken. Discovered Materials noemt dit niet problematisch; de beloning en de vragen zelf zijn bedoeld als stimulans voor de hele gemeenschap.
Waarom dit belangrijk kan zijn
Een beter begrip van deze verschijnselen kan direct invloed hebben op technologieën die iedereen gebruikt. Volgens Felipe Jornada, een professor die hielp bij het formuleren van de uitdagingen, zou het verklaren van deze onverklaarde effecten ons begrip van de natuurkundige basis verbeteren en direct bepalen hoe we elektronica bouwen, energie opslaan en materialen produceren.
Discovered Materials richt zich vooral op nieuwe materialen voor halfgeleiders. Het bedrijf werkt samen met grote chipfabrikanten aan onderzoeksprojecten en financiert daarnaast eigen wetenschappelijke inspanningen. Toen het bedrijf eerder een investeringsronde aankondigde, zei een van de oprichters dat men hoopte binnen een jaar een nuttig materiaal te vinden. Inmiddels is men iets optimistischer en spreekt men van een tijdspad dat mogelijk korter is dan een jaar.
Conclusie
Met de miljoen-dollar challenge wil Discovered Materials twee dingen bereiken: scherpe, meetbare doelen neerleggen voor de materiaalkunde en onderzoeken of AI echt nieuwe inzichten kan leveren in dit moeilijke vakgebied. De vijf uitgekozen problemen zijn technisch en diepgaand, maar juist daarom belangrijk: oplossingen kunnen direct doorwerken in snellere chips, betere warmtebeheeroplossingen en nieuwe manieren om materialen te ontwerpen.
Of de doorbraak van AI komt, of van klassieke onderzoekers, of van een combinatie daarvan, wordt nu zichtbaar aan de hand van deze doelstellingen. Voor de industrie betekent dat een mogelijke versnelling in het vinden van materialen die essentieel zijn voor de elektronica van de toekomst.
