Discovered Materials : l’IA pour refroidir les puces

Discovered Materials : l'IA pour refroidir les puces

Temps de lecture : 4 min

Points clés à retenir

  • Agents IA : Discovered Materials utilise des essaims d’agents dans le cloud pour générer des milliers de candidats matériaux par jour, contre 20 par jour lors d’un doctorat classique.
  • Focus thermique : La startup cible spécifiquement les semi-conducteurs qui chauffent trop, un enjeu critique pour la consommation électrique des centres de données.
  • Modèle économique : Dépôt de brevets sur les matériaux et procédés, puis licence aux fabricants de puces, malgré le défi de la synthèse en laboratoire.

L’IA à la rescousse de la surchauffe des puces

Les puces qui exécutent des charges de travail d’IA chauffent énormément. C’est une des raisons pour lesquelles les centres de données consomment tant d’électricité, notamment pour la climatisation. En clair, l’IA crée un problème, et l’entrepreneuriat s’empresse d’y répondre avec les mêmes outils.

Discovered Materials est la dernière startup à se lancer dans cette course. Son ambition ? Déployer des essaims d’agents IA pour identifier de nouveaux matériaux capables de concevoir des circuits intégrés plus efficaces. L’entreprise a bouclé un tour de table de 9 millions de dollars mené par Lightspeed India Partners, peu après être sortie de Y Combinator, avec le soutien de Peak XV Partners et d’investisseurs providentiels comme Paul Graham.

Une technique agnostique aux matières

Les fondateurs, Advaith Sridhar et Akash Ramdas, ont un profil complémentaire : l’un a travaillé sur des agents à Persona AI et Luma Labs, l’autre a un doctorat en science des matériaux de Stanford. Ils ont bâti un pipeline logiciel qui combine les modèles d’Anthropic dans un cadre sur mesure pour générer des pistes matérielles, puis des modèles de physique fondamentale entraînés en interne simulent et valident les candidats les plus prometteurs.

Sridhar explique : « Lors de son doctorat, Ramdas faisait une vingtaine de suppositions par jour. Grâce à nos agents, qui tournent 24h/24 dans le cloud, nous explorons des milliers de directions de recherche par jour, et les agents exécutent les idées qu’il leur donne. »

La startup vient de publier des centaines de nouveaux matériaux ainsi qu’un benchmark « Material Discovery Bench » pour évaluer la capacité des modèles de pointe à relever ce défi. D’autres acteurs comme MatNex ou CuspAI ont des approches similaires, mais Discovered Materials mise sur une spécialisation : résoudre le problème thermique des semi-conducteurs. Selon l’entreprise, certains de ses matériaux présentent déjà des propriétés comparables à celles utilisées par les grands fabricants, sans plus de détails.

Ce qu’il faut comprendre, c’est que ce domaine implique des compromis complexes. Un matériau qui réduit la chaleur peut être impossible à fabriquer ou altérer les propriétés électriques. Hemant Mohapatra, le partenaire de Lightspeed qui a mené le tour, résume : « C’est un jeu de massacre avec les structures atomiques. Un matériau n’est utile que si toutes les contraintes convergent, ce qui rend la recherche passionnante. »

Un business model fondé sur la propriété intellectuelle

Mohapatra pense que la prédiction de nouveaux matériaux deviendra un bien commun au fur et à mesure que les modèles progresseront. La différence, chez Discovered Materials, tient à l’expérience terrain de Ramdas et à la capacité de piloter un laboratoire pour tester rapidement les candidats. Les fondateurs ont déjà validé plusieurs matériaux par ce biais.

Lorsqu’un candidat prometteur apparaît, la stratégie consiste à breveter son usage dans les GPU ou le procédé de fabrication, puis à autoriser les fabricants de puces à les utiliser sous licence. L’ambition est de déposer des brevets dans l’année qui vient. Sridhar reconnaît que la concurrence des labos riches est rude, mais il mise sur des données et une expertise uniques. Il admet aussi : « Une grande partie du travail consistera à aller en laboratoire humide, à fabriquer des choses. Ce processus ne peut pas être accéléré. »

Des résultats pas encore commercialisés

Jusqu’à présent, aucun matériau ou médicament découvert par IA n’a eu d’impact commercial significatif. La meilleure illustration reste Rennerosib, un médicament d’Insilico Medicine en phase II d’essai clinique. Dans les matériaux, on trouve des aimants sans terres rares chez MatNex ou des semi-conducteurs développés avec Panasonic, mais rien de déployé à grande échelle.

Mohapatra souligne que trouver plus de candidats n’est pas le goulot d’étranglement : « Le filtrage correct et la synthèse restent le vrai défi. » Malgré l’enthousiasme, les applications concrètes pourraient encore prendre des années.