【Launch HN】AIエージェントが次世代半導体を変える！素材探索の「死の谷」を突破するDiscovered Materials
Launch HN: Discovered Materials (YC P26) – AI agents to discover new materials
皆さん、こんにちは！Discovered Materials ( https://discoveredmaterials.com/ ) のAdvaithとAkashです。私たちは半導体業界に向けた、新素材を発見するためのAIエージェントを開発しています。
現在、GPUは深刻な「熱問題」に直面しています。NvidiaやAMDがリリースするチップのTDP（熱設計電力）は倍増の一途をたどっています。H100（2022年）で700W、Blackwell（2024年）で1.2kW、そしてRubin（2026年）では2.3kWに達する見込みです。このトレンドが続けば、冷却のために膨大な電力と水が必要となり、データセンターの運用コストを押し上げ続けることになります。
チップの熱問題は、使用される材料に深く関わっています。例えば、HBMメモリをロジックチップ上に積層する「3Dパッケージング」を行えば、データ転送のエネルギー効率を10～50倍改善できます。しかし現在、HBMに使われる誘電体（SiO2など）は熱伝導率が極めて低く、熱を閉じ込めてしまうため実用化が困難です。他にも熱界面材料（TIM）や基板など、再評価が必要な素材は山ほどあります。ところが、新素材を実際の製造現場（ファブ）に導入するには、数年もの時間と数億ドルの費用がかかる「研究から製造への死の谷」という大きな壁があります。
私たちは、AIエージェントがこの期間とコストを劇的に短縮できると確信しています。実際にAnthropic、OpenAI、Kimiなどのモデルをテストしたところ、それらが計算上で、非常に安定した新素材を驚異的な速さで見つけ出せることを確認しました。博士課程の学生が数週間かかるような発見を、わずか8時間の実行時間で成し遂げてしまうのです。
もちろん、計算上の発見は始まりに過ぎません。材料科学は実験による裏付けが不可欠です（例として、グラフェンの性質は1947年に予測されていましたが、実際に合成されたのは2004年でした）。現在のモデルはラボでの「合成レシピ」作成にはまだ課題がありますが、人間が数年かかる試行錯誤を大幅に減らせるポテンシャルを感じています。実際、YC（Y Combinator）の3ヶ月間で、大手化学メーカーが20年以上秘匿してきたTIMに匹敵する性能の材料をシミュレーション・合成・テストすることに成功しました。
現在、私たちがAIによって発見した数百の新素材データと、モデルの材料発見能力を測定するためのベンチマークを公開しています。詳細は以下のリンクをご覧ください：
https://discoveredmaterials.com/research
（Claudeの報酬ハックの傾向や、特定のモデルのトークン数超過に伴う挙動の不安定さなど、面白い知見も盛り込んでいます）
ビジネスモデルとしては、発見した素材や合成プロセスのIPライセンス販売を軸に、半導体・化学企業向けに探索ツールそのものを提供する形も模索中です。
メンバー紹介：Akashはスタンフォード大学で材料科学の博士号を取得し、11年間半導体チップ素材を研究してきました。Advaithはカーネギーメロン大学でAIを学び、Persona AI（買収済み）やLuma Labsで動画モデルやエージェント開発に従事してきました。
半導体業界は非常に秘密主義な分野です。業界のロードマップや、次に狙うべき素材について、皆さんの意見をぜひ聞かせてください！また、ラボで実験経験がある方からの、実証科学に関する現場のアドバイスも大歓迎です。
