دیسکاورد مواد (Discovered Materials)، استارتاپ چندماهه‌ی مستقر در سان‌فرانسیسکو که از مدل‌های هوش مصنوعی برای یافتن مواد جدید در ساخت تراشه‌های پیشرفته استفاده می‌کند، از چالش یک میلیون دلاری برای حل پنج مسئله‌ی باز در علوم مواد خبر داده است. این شرکت در دوره‌ی بهار ۲۰۲۶ Y Combinator پذیرفته شده بود.

مدل‌های مرزی هوش مصنوعی تاکنون مسائل برجسته‌ی ریاضی را حل کرده و در علوم زیستی هم پیشرفت داشته‌اند، اما هنوز وارد فیزیک پیچیده‌ی مواد پیشرفته نشده‌اند. ادهویت سریدهار، هم‌بنیان‌گذار دیسکاورد مواد، می‌گوید: «مشخص‌کردن مسائل در علوم مواد دشوارتر از ریاضی است، چون در ریاضی تعریف دقیق و پاسخ بله یا خیر دارید. پرسش ما این بود که چالش‌های بزرگ این حوزه چیست و چطور بفهمیم هوش مصنوعی دارد پیشرفت می‌کند.»

علوم مواد معادلی برای مسائل جایزه‌ی هزاره ندارد، بنابراین این شرکت گروهی از دانشگاهیان دانشگاه‌های برتر جهان را گرد هم آورد تا پنج مسئله‌ی باز را تعریف کنند. فلیپه جوآرنا، استاد دانشگاه استنفورد که در تدوین این چالش‌ها نقش داشته، گفته است: «پدیده‌هایی در علوم مواد وجود دارد که مشاهده‌شان می‌کنیم ولی نمی‌توانیم توضیح دهیم.»

پیش از اعلام عمومی، دیسکاورد مواد مدل‌های آزمایشگاه‌های مرزی را روی این مسائل آزمایش کرد. به عامل‌های هوش مصنوعی دسترسی به اینترنت و منابع دیگر داده شد تا چند روز به‌صورت خودمختار کار کنند. نتیجه: پیشرفت چشمگیری نداشتند. البته سریدهار می‌گوید نگران نیست اگر آزمایشگاه‌های مرزی یا استادان دانشگاه این مسائل را حل کنند؛ هدف، تعیین دروازه‌های پیشرفت است.

تمرکز اصلی دیسکاورد مواد توسعه‌ی مواد جدید برای نیمه‌رساناهاست. این شرکت با غول‌های تراشه‌سازی پروژه‌های تحقیقاتی مشترک دارد و در آگوست ۲۰۲۶ دور seed خود را اعلام کرد. سریدهار پیش‌تر به TechCrunch گفته بود امیدوار است ظرف یک سال ماده‌ی کاربردی پیدا کند؛ حالا می‌گوید این بازه کوتاه‌تر شده است.

این خبر برای کسی که با ابزارهای موجود ایجنت می‌سازد چه معنایی دارد؟#

مهم‌ترین نکته‌ی عملی این خبر، شکست مدل‌های مرزی در حل مسائل علوم مواد است — حتی با دسترسی به اینترنت و چند روز کار خودمختار. این یعنی برای کسی که ایجنت علمی یا اتوماسیون تحقیقاتی می‌سازد، حوزه‌ی فیزیک مواد هنوز جایی است که مدل‌های فعلی در آن به‌خوبی کار نمی‌کنند. اگر محصول شما به کشف مواد یا شبیه‌سازی فیزیکی وابسته است، نباید فرض کنید که مدل‌های مرزی فعلی این کار را به‌خوبی انجام می‌دهند.

اما این خبر لزوماً به‌معنای شکست قطعی نیست. سریدهار خودش اشاره کرده که با محاسبات بیشتر یا مدل جدیدتر، ممکن است همین مسائل حل شوند. آنچه ارزش دارد، ساختار چالش است: تعریف مسائل باز با کمک متخصصان، و سپس سنجش پیشرفت مدل‌ها روی آن‌ها. این الگو برای هر حوزه‌ای که «پرسش‌های درست» هنوز مشخص نشده‌اند، قابل‌تکرار است.

منبع: TechCrunch AI