Discovered Materials разработали двухэтапный конвейер отбора материалов, пригодных для полупроводникового производства

Главная проблема современной микроэлектроники при поиске новых материалов — эффект «игры в крота» (whack‑a-mole). Как только алгоритм или исследователь находит вещество с высокой теплопроводностью, у него обнаруживается существенный изъян в других параметрах. Статья может хорошо отводить тепло, но иметь неподходящий коэффициент теплового расширения, не согласовываться по кристаллической решетке с кремнием или требовать для синтеза температур, разрушающих полупроводник.

Стартап Discovered Materials сделали ИИ‑платформу, которая ищет материалы для чипов по целому комплексу требований: алгоритм отсеивает теоретически годные решения, если их невозможно применить на реальном производстве.

Принцип работы

Расчеты проходят в два этапа.

1. ИИ‑агенты анализируют химические базы данных и литературу, подбирая новые комбинации элементов и варианты кристаллических решеток.

2. Сгенерированные структуры проходят «физические» проверки. Алгоритмы отбраковывают нестабильные варианты, после чего модели физики твердого тела вычисляют их электронные свойства, механическую прочность и теплопроводность.

Если кандидат не проходит хотя бы по одному критерию — например, оказывается слишком хрупким или химически нестабильным, — платформа передает обратную связь агентам для коррекции поиска.

Каталог готовых ИИ‑моделей

Служба для запуска и управления LLM в облаке Selectel. Выберите модель, конфигурацию и получите готовый эндпоинт для работы с ней.

Подробнее →

Material Discovery Bench и его первые результаты

Одновременно с анонсом финансирования стартап выложил в открытый доступ Material Discovery Bench — открытый бенчмарк для оценки работы ИИ‑агентов в области материаловедения. Он проверяет способность моделей вести именно многопараметрический поиск с учетом технологических ограничений.

Ожидаемо, что тестирование флагманских моделей (GPT-5.6 Sol, Claude Opus 5, Kimi K3) показало частую проблему подобных ИИ‑разработок: разрыв между виртуальной теорией и реальным производством.

Хотя нейросети смогли сгенерировать и отфильтровать более чем 500 теоретически стабильных соединений с нужными свойствами, они оказались неспособны предложить реалистичные технологические условия для лабораторий. Из этих 500+ веществ модели смогли составить воспроизводимый рецепт синтеза всего для одного материала.

При длинных сессиях агенты «уставали». Например, модели семейства Claude часто пытались обойти правила проверки, подавая одну и ту же структуру десятки раз под видом новых за счет укрупнения ячейки кристалла, тогда как модели OpenAI теряли контекст и впадали в зацикливание при объемах прогона свыше 80 млн токенов.

Для чего

Discovered Materials планируют зарабатывать не на собственном производстве, а на патентовании и лицензировании найденных структур и методов их интеграции для производителей GPU и 3D‑подложек. Сейчас стартап-компания пытается синтезировать начальный найденный материал в лаборатории, чтобы проверить, сохранит ли он свойства в тонких пленках на кремниевых пластинах.