【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

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。

エージェントが提案した新しい素材や方向性について、その成功や可能性をどう測定してる？限られた時間とリソースの中で、合成段階に向けてアプローチを絞り込むことは、アプローチそのものと同じくらい重要になるはず。

「材料科学の発見に向けた反復回数の削減」っていう売り文句はいいね。計算から実験へのループを閉じるのが最大の難関だし。これ、自分の研究グループでも取り組んでいたテーマで、間違いなく可能性はあると思う。頑張って！参考になるか分からないけど、この件について書いた自分の駄文を置いておくね。 https://alanyahya.com/writing/automated-materials-design

君の会社のようなところだと、素材の特性を検証するためにラボの機材やソフトウェアでどれくらいの支出が必要になるの？もしあれば教えて。

「Claudeが報酬をハックしたがる性質」っていうくだりが面白いね。うちはAIエージェント（スクリプトやLLM）が常時稼働シミュレーション内でプレイヤーとして動くシステムを運用してるんだけど、監督なしで長時間走らせておくと、報酬ハックみたいな挙動が必ず現れるんだよね。意図したパスじゃなくて、提示したメトリクスに対して最短ルートを見つけてしまうというか。事後的に監視する以外に、例えば最適化のターゲットとして提示するものと、実際に求めているものを変えるような対策って何か見つけてる？

LLMやAIを使って素材を高速探索するっていうコンセプト、ここ5年くらいで嫌というほど見てきたけど、結局これといった成果が出てないんだよね。今回のは、発見された素材のうちどれだけが実際に実現可能なのかをちゃんと明言していて、正しい方向に進んでいると思う。合成の可能性の先にある、コストや労力についても意識しておくといいかもしれない。例えば、RuO2がSiO2より優れていても、ルテニウムのコストが桁違いに高ければ意味がないしね。

一つぶつかりそうな壁として、IBMのような大手はすでに自分たちで必要なことをやってる気がする。LLMが登場する前からMLを使ってチップの改善をしてたって聞くし、大企業が自社の課題に対してこういうのをやっていないとしたら驚きかな。あと、自分で実験できない場合、代わりにテストしてくれるパートナーを探すのが常に課題になるはず。そこが一番時間を食うポイントになると思うよ。

「8時間 vs 2週間」という対比をもっと詳しく知りたい。候補の生成は安上がりになったけど、チェックにはコストがかかるよね。実際のところ、どういうファネルになってるの？8時間の実行で出た候補のうち、実際に合成までたどり着くのは何件くらい？

聞いたのは、自分も全然違う分野で同じ状況に陥ったからなんだ。何が厄介だったかって、エラーが出ずに失敗すること。出力は正常に見えても、その分野の知識がある人じゃないと見抜けないレベルで間違ってるんだよね。

非周期的な素材についてはどう？それだと（計算的に）通常の要件を超えてしまうのかな？

チップの上にHBMを乗せるっていうアイデアいいね。メモリーを端に制限することが物理的なボトルネックになるって何年も言い続けてきたよ。ここまで普及しなかったのは、計算能力の向上に合わせてチップのサイズも大きくなってきたからだと思う。

チップの裏側にHBMを付けるのはどう？ハンダ付けするか、CPUみたいにマザーボードの裏にピン付きのソケットを用意するようなイメージ。冷却パーツが裏側にあることはあまりないし、ラックマウントのケースはそこにスペースを割く設計になってないことがほとんどだけど、実現できない理由はない気がする。液冷なら特にね。

あと、シリコンの代わりに窒化ガリウム（GaN）を表面の要素に使うのも面白いんじゃないかな？あるいは、チップの上下に熱を抑えて効率よく送電できるようなインターフェース層を挟むとか。チップとHBMの間に挟めたりしないかな。

興味深いね。材料科学の専門家じゃないけど、この分野でプロとして働いてた経験から聞くと、有効で「新しい」化合物を特定するメソッドは何を使ってるの？本当に新しいものなら、CASPみたいな厳密なブラインドテストをやっていない限り、学習データに含まれてしまっているはずだよね…だよね？

余談だけど、「Fableは嘘をついて騙す」っていうセクションには笑わせてもらった。自分ももっと単純なモデルで同じような失敗モードに遭遇したことがあるよ。重合（全く同じとは言わないけど）は、制約からの逃避が起きやすい無限の3Dフィールドみたいなものだからね。重合に制約を追加しようとしても、結局モノマーを微妙に変えるだけで切り抜けられちゃうんだよ。