Chips die AI draaien worden erg warm. Daardoor verbruiken datacenters veel stroom en zijn grote koelsystemen nodig. Ondernemers proberen nu AI in te zetten om het probleem op te lossen dat AI zelf veroorzaakt heeft.

Relue legt uit wat dat betekent en welke hobbels er nog zijn.

Hoe Discovered Materials zoekt naar nieuwe materialen

De startup Discovered Materials gebruikt slimme software om veel sneller materiaalideeën te bedenken dan een mens. De founders zijn Advaith Sridhar en Akash Ramdas. Ramdas deed een promotie in materiaalkunde; Sridhar werkte eerder aan zogenaamde agents (software‑programma’s die zelfstandig taken uitvoeren) bij Persona AI en Luma Labs.

Hun aanpak bestaat uit twee stappen die elkaar afwisselen. Eerst genereren ze veel materiaalideeën met behulp van grote taalmodellen van Anthropic. Daarna gebruiken ze fysische modelsimulaties die ze zelf hebben getraind om te controleren of die ideeën theoretisch kloppen.

Het systeem draait continu in de cloud (online computers), zodat het dagelijks duizenden suggesties kan uitproberen — waar Ramdas tijdens zijn promotie nog op twintig ideeën per dag zat.

Discovered Materials publiceerde voorbeelden van honderden nieuwe materiaal‑kandidaten en een zogenaamde "Material Discovery Bench", een instrument om te meten hoe goed zulke modellen presteren bij het zoeken naar nieuwe stoffen.

Waarom warmte een probleem is voor chips

Chips worden warm door het werk dat ze doen. Dat is een belangrijk deel van waarom datacenters zoveel elektriciteit gebruiken: niet alleen om te rekenen, maar ook om apparatuur koel te houden. Als chips minder warmte zouden maken of warmte beter zouden afvoeren, kan dat direct het stroomverbruik en de kosten verminderen.

Discovered Materials richt zich specifiek op materialen die ofwel minder warmte genereren ofwel warmte beter geleiden. Dat is een smal maar praktisch doel: in plaats van een algemene zoektocht naar nieuwe stoffen, zoeken ze naar oplossingen voor één technisch probleem dat grote gevolgen heeft.

Technische en praktische hobbels

De zoektocht is niet alleen een kwestie van ideeën bedenken. Er zitten meerdere struikelblokken in de weg voordat een materiaal in een echte chip gebruikt kan worden.

• Fabricage: een materiaal dat in theorie goed werkt, is niet altijd maakbaar in massaproductie.

• Elektrische eigenschappen: als een materiaal warmte beter afvoert, kan het tegelijk slechte elektrische eigenschappen hebben, waardoor de chip niet goed werkt.

• Synthese en experimenten: het omzetten van een computermodel naar een écht materiaal vereist laboratoriumwerk (natte chemie), en dat proces is moeilijk te versnellen.

Hemant Mohapatra van investeerder Lightspeed, die de seedronde leidde, vergelijkt het proces met "whack‑a‑mole": telkens als je één probleem oplost, duikt er ergens anders een nieuw probleem op bij de atomaire opbouw van het materiaal. Daarom is het belangrijk dat alle eigenschappen tegelijk goed uitpakken.

Verschillende partijen werken al op dit terrein, zoals MatNex, SandboxAQ en CuspAI. Discovered Materials hoopt dat hun focus op thermische eigenschappen en de combinatie van AI en snelle labtesten hen onderscheidt. De startup zegt al materialen gevonden te hebben die eigenschappen benaderen van stoffen die grote chipmakers gebruiken, maar geeft geen details vrij.

Zakelijk model en vooruitzicht

De startup haalde recent een seedronde van 9 miljoen dollar op, geleid door Lightspeed India Partners, na deelname aan Y Combinator. Andere investeerders zijn Peak XV Partners en enkele angel investors.

Hun plan is om wanneer ze waardevolle materiaal‑kandidaten vinden, octrooien aan te vragen op het gebruik van die materialen in grafische chips (GPU, grafische chip, gebruikt voor veel AI‑berekeningen) of op het productieproces. Die rechten zouden ze kunnen licenseren aan chipfabrikanten.

Toch zijn succes en commerciële toepassing geen zekerheid. Tot nu toe is er nog weinig bewijs dat AI‑ontdekte medicijnen of materialen op grote schaal commercieel succesvol zijn. Een van de weinige voorbeelden in de medicijnwereld is een kandidaat die in een klinische fase 2‑onderzoek kwam. Op materiaalgebied zijn er veelbelovende voorbeelden, maar die hebben nog geen grootschalige uitrol.

Mohapatra stelt dat het vinden van meer kandidaten waarschijnlijk niet het grootste knelpunt is; het echte probleem is het correct filteren van die kandidaten en het daadwerkelijk synthetiseren en testen in het lab.

Conclusie

Discovered Materials gebruikt een combinatie van AI‑agents (software die zelfstandig zoekt) en fysieke simulaties om sneller materiaalideeën te vinden die chips koeler kunnen maken. De aanpak kan potentieel helpen om energiegebruik en koelbehoefte van datacenters te verlagen, maar er blijven stevige technische en fabricageproblemen.

Of deze methode binnen afzienbare tijd leidt tot materiaalsoorten die écht in massaproductie van chips worden toegepast, hangt af van het vermogen om kandidaten te synthetiseren en te produceren — dat blijft de grootste uitdaging.