AI“打地鼠”式寻材：融资900万美元打造更“冷”芯片

当摩尔定律逐渐放缓，芯片设计师们发现，继续压榨晶体管数量的回报越来越低，而芯片发热带来的功耗墙却在“反噬”性能。市场亟需从材料层面寻找突破。近日，材料初创公司Discovered Materials宣布完成900万美元融资，试图用AI“打地鼠”的方式，去翻找藏在化学空间角落里的下一代材料。

什么是AI“打地鼠”式材料搜索？

所谓“打地鼠”式搜索，本质是一套高通量筛选流程：AI模型在化学空间中生成数十亿种候选原子排列，逐一评估其能量稳定性、电子结构、热导率等关键性质，过滤掉绝大多数不可行结构，再将命中名单交给更精确的物理模拟器复核。这种方式与传统试错法截然不同——过去材料科学家可能耗费数年合成数百种样品，才能找到一种性能稍好的合金；AI则把搜索范围扩大数百万倍，且不需要昂贵的湿实验。

芯片的“热病”与新材料渴求

先进制程进入5纳米、3纳米甚至更小尺寸后，晶体管开关产生的热量越来越集中，导致漏电增加、频率下降。目前主流的风冷、液冷等散热方案都属于“外部处理”，无法从根源降低芯片自身发热。工程师们需要具有更高载流子迁移率、更高热导率或更低介电常数的材料，从物理层面改变芯片特性。因此，用AI搜索那些稳定性更好、容易集成的新型化合物，成了极具吸引力的破局方向。

AI材料发现已成行业风口

将AI用于材料研究并不新鲜：DeepMind发布了包含220万种新型稳定晶体的GNoME数据集，Google Open Catalyst项目用机器学习模拟催化剂，美国“材料基因组计划”也推动了材料数据共享。不过，这类工作多偏向基础科学数据库扩容，而Discovered Materials更明确地瞄准芯片制造场景，将材料的可制造性也纳入筛选标准。AI不仅判断“材料稳不稳定”，还会评估“好不好造”，这种以制造业为导向的逻辑，在半导体行业尤其受欢迎。

编者按：从“找得到”到“用得上”有多远？

“AI打地鼠”听起来高效而浪漫，但真正的挑战从来不在搜索算法本身，而在于从虚拟预测到实际量产之间的鸿沟。

AI可以在一个小时内生成成千上万种候选材料，但将它们变成可用的芯片，还需经过漫长而昂贵的工艺验证。训练数据质量也是一大隐患——如果数据集本身就存在错误，模型预测的“地鼠”可能越打越偏。此外，现有AI模型擅长优化已知物理规律，却难以突破人类化学直觉之外的新奇结构，这需要材料科学家与算法工程师的深度协作。

这笔900万美元的融资表明，投资者相信AI材料发现的方向值得下注。随着计算规模扩大和实验反馈闭环的形成，AI有望从辅助科研的工具，转化为半导体供应链中的真实生产力。未来，数据中心或许不再需要庞大的冷却塔，手机的功耗也能大幅降低。而推动这一变化的，也许正是化学世界中某次悄无声息的“打地鼠”。

本文编译自TechCrunch