Discovered Materials פיתחה סוכני AI לגילוי חומרים לשבבים
11 אוגוסט, 2026
Discovered Materials גייסה 9 מיליון דולר כדי להפוך סוכני AI ל"מדענים". בנצ'מרק חדש שלה חושף גם את ההבטחה הגדולה – ואת הפער בין גילוי חומר ליכולת לייצרו
[בתמונה: שני המייסדים. יח"צ]
חברת Discovered Materials האמריקאית, שהוקמה השנה בסן פרנסיסקו, גייסה 9 מיליון דולר בסבב Seed בהובלת Lightspeed ובהשתתפות Y Combinator ו-Peak XV. החברה מפתחת מערכת של סוכני AI שמטרתה להשתתף בתהליך המחקר עצמו: לחפש חומרים חדשים לתעשיית השבבים, לבדוק אותם באמצעות כלי סימולציה, לתכנן ניסויים ובהמשך גם לסייע בסינתזה ובבדיקות במעבדה.
הרעיון של שימוש ב-AI לגילוי חומרים אינו חדש. בשנים האחרונות פורסמו מערכות המסוגלות לסרוק מרחבים עצומים של תרכובות ומבנים גבישיים ולהציע מועמדים חדשים. החידוש ש-Discovered Materials מנסה להביא הוא מעבר ממודל שמנבא חומר לסוכן שמנהל תהליך מחקר.
במקום לבצע חישוב אחד, הסוכן מקבל מטרה וארגז כלים מדעי. הוא יכול לחפש בספרות ובמאגרי מידע, לכתוב ולהריץ קוד, ליצור מבנים מועמדים ולהפעיל עליהם מודלים פיזיקליים. בהתאם לתוצאות הוא מחליט איזה מועמד לפסול, איזה לבדוק לעומק ולאן להמשיך בחיפוש. החברה מתארת חזון שבו סוכנים פועלים לאורך כל השרשרת – מהעלאת מועמדים ועד סינתזה ובדיקות במעבדה.
למצוא חומר זה רק השלב הראשון
"מציאת חומר" אינה גילוי של יסוד חדש. האתגר הוא למצוא הרכב ומבנה אטומי שמספקים בעת ובעונה אחת מספר תכונות, לעיתים מנוגדות.
אחת הבעיות שעליהן עובדת החברה היא חומרים דיאלקטריים עבור שבבים תלת-ממדיים. ככל שמערימים שכבות זיכרון ולוגיקה, החיבורים מתקצרים – אבל פינוי החום נעשה קשה יותר. חומר מתאים צריך לכן להיות מבודד חשמלי טוב, אך גם להוליך חום ביעילות, להיות חזק מכנית ויציב מבחינה מבנית. בנוסף, חומר שנראה נפלא בסימולציה אינו מועיל אם אי אפשר לייצר אותו בתהליך התואם למגבלות הטמפרטורה והכימיה של מפעל שבבים.
בדיוק בנקודה הזו נחשפת המגבלה של AI לגילוי חומרים: מרחב המועמדים עצום; מרחב החומרים שאפשר באמת לייצר ולשלב בשבב קטן בהרבה.
500 מועמדים – ומתכון אחד
כדי למדוד את הפער הזה פיתחה החברה את Material Discovery Bench, בנצ'מרק שאינו מסתפק בשאלות ידע במדעי החומרים. המודלים מקבלים משימת מחקר ממושכת וכלים אמיתיים – בהם Python, מאגר Materials Project ותוכנות לחישוב יציבות, תכונות מכניות, דיאלקטריות ותרמיות – ונדרשים למצוא חומר שעומד במקביל בשורה של אילוצים.
זהו למעשה מבחן ליכולת של מודל להתנהג כמדען לאורך מאות פעולות: להעלות השערה, לבדוק אותה, לפרש תוצאות ולבחור בעצמו את הניסוי החישובי הבא.
והתוצאות ממחישות היטב את מצב הטכנולוגיה. בניסויים הצליחו הסוכנים לייצר יותר מ-500 מועמדים חדשים שעברו מסננים חישוביים שונים. אבל כאשר נדרשו להציע כיצד לסנתז את החומרים בפועל, כמעט כל המתכונים נמצאו בעייתיים. רק במקרה אחד התקבלה הצעת סינתזה שהבודקים סברו ששווה לנסות במעבדה.
זו אולי התוצאה החשובה ביותר של הניסוי: AI כבר נעשה טוב מאוד ביצירת השערות; האימות הפיזי הופך לצוואר הבקבוק. הניסויים חשפו גם התנהגות מוכרת מעולם הסוכנים. בריצות ארוכות מודלים עלולים להיכנס ללולאות, לאבד את הקשר המחקרי ואף למצוא קיצורי דרך במדדי ההצלחה. באחד המקרים סוכן הגיש שוב ושוב וריאציות של אותו חומר באופן שגרם למערכת בדיקת החדשנות להתייחס אליהן כמועמדים שונים. במקרים אחרים הבעיה הייתה פרוזאית יותר: הסוכן פשוט הציע תהליך ייצור שאינו הגיוני מבחינה פיזיקלית.
חוקר חומרים פוגש בונה סוכנים
גם הרקע של המייסדים משקף את החיבור שהחברה מנסה ליצור. אקש רמדס (Akash Ramdas) השלים תואר שני, דוקטורט ופוסט-דוקטורט ב-Stanford במדעי והנדסת חומרים ועבד על חומרים עבור interconnects ננומטריים; לפי Y Combinator, חומרים שגילה נכנסו למפות הדרכים של Intel ו-TSMC. המייסד השני, אדווייט שידהר (Advaith Sridhar) הוא בוגר תואר שני ב-AI מ-Carnegie Mellon ועבד ב-Luma Labs וב-Persona AI על מודלי frontier ומערכות סוכנים ארוכות-טווח. השניים מכירים כבר 11 שנה ואף כתבו יחד ספר.
Discovered Materials מציבה יעד שאפתני: לקצר תהליך גילוי חומרים שיכול להימשך יותר מעשור לחודשים. בשלב הנוכחי, הבנצ'מרק שלה דווקא ממחיש כמה הדרך עוד ארוכה. אבל הוא גם מסמן שינוי מעניין ב-AI for Science: השאלה כבר אינה רק האם מודל יכול להציע חומר שלא הכרנו, אלא האם סוכן AI מסוגל לנהל מספיק מהתהליך המדעי כדי להביא אותו בסופו של דבר מהחישוב – אל תוך המעבדה.
פורסם בקטגוריות: בינה מלאכותית
פורסם בתגיות: Discovered Materials
