Discovered Materials usa enxames de agentes de IA para caçar materiais de chips mais frios
Startup saída da Y Combinator levantou US$ 9 milhões para aplicar agentes de IA na busca por semicondutores com melhor dissipação térmica.
Chips que rodam cargas de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → esquentam demais, e isso é parte do motivo pelo qual data centers consomem tanta energia e exigem sistemas de resfriamento. A startup Discovered Materials quer atacar o problema usando a própria IA: enxames de agentes que buscam novos materiais para construir circuitos integrados mais eficientes, segundo reportagem do TechCrunch.
A empresa fechou uma rodada seed de US$ 9 milhões liderada pela Lightspeed India Partners, após passar pela Y Combinator. A rodada também teve aporte da Peak XV Partners e de investidores-anjo como Paul Graham, Gokul Rajaram e Thariq Shihipar.
Como a pipeline funciona
Os fundadores Advaith Sridhar e Akash Ramdas combinam experiências complementares: Ramdas tem doutorado em ciência dos materiais por Stanford, e Sridhar trabalhou com agentes na Persona AI e na Luma Labs.
A dupla criou uma pipeline de software que usa modelos da Anthropic, dentro de um harness próprio, para gerar candidatos a materiais. Em seguida, modelos de física fundamental que eles treinaram rodam simulações para verificar se os materiais candidatos realmente interessam.
O ganho de escala é o argumento central. "[Ramdas] fazia talvez 20 tentativas por dia durante o doutorado", disse Sridhar ao TechCrunch. "Conseguimos fazer milhares de tentativas por dia com esses agentes rodando 24 horas na nuvem, explorando direções de pesquisa que ele dá a eles."
A empresa divulgou exemplos de centenas de novos materiais e lançou também um "Material Discovery Bench", pensado para acompanhar como modelos de fronteira encaram esse desafio.
O gargalo não é achar candidatos
Empresas como MatNex, SandboxAQ e CuspAI já perseguem objetivos parecidos, mas a Discovered Materials aposta em foco estreito nos problemas térmicos dos semicondutores. Segundo a startup, ela já descobriu vários materiais que batem com propriedades de materiais usados por grandes fabricantes de chips, embora não possa dar mais detalhes.
O desafio, porém, é o espaço de trade-offs da engenharia. Um material que reduza a geração de calor ou melhore a dissipação pode ser difícil demais de fabricar em um chip, ou ter propriedades elétricas comprometidas.
"É um pouco como jogar whack-a-mole com estruturas atômicas", disse Hemant Mohapatra, o sócio da Lightspeed que liderou a rodada. "Um material só é útil no mundo real se tudo convergir ao mesmo tempo, e é isso que torna esse um problema de busca tão interessante."
Mohapatra espera que a previsão de novas substâncias seja comoditizada conforme os modelos melhoram. Para ele, encontrar mais candidatos não é o entrave: "filtrá-los corretamente e sintetizá-los é o gargalo".
O que isso muda para quem constrói no Brasil
O plano de negócio da Discovered Materials é patentear o uso dos materiais em GPUs, ou o processo de fabricar chips a partir deles, e licenciar para os fabricantes. Sridhar espera ter materiais dignos de patente no próximo ano.
Para devs brasileiros, o impacto é indireto mas relevante: boa parte do custo de rodar cargas de IA está atrelada a energia e resfriamento de data centers. Chips mais eficientes termicamente pressionam para baixo o custo de computação e a pegada energética, um fator que pesa em qualquer operação que dependa de infraestrutura em nuvem cotada em dólar.
Ainda assim, vale calibrar expectativas. Como aponta a reportagem, até hoje nenhum medicamento ou material descoberto por IA teve impacto comercial em escala. O caso mais próximo talvez seja o Renterosib, da Insilico Medicine, primeiro fármaco descoberto com IA generativa a chegar à fase II de testes clínicos. No lado dos materiais, candidatos promissores apareceram (como os ímãs permanentes sem terras-raras da MatNex e materiais semicondutores desenvolvidos por Panasonic e Citrine Informatics), mas nenhum foi implantado comercialmente em larga escala.
O próprio Sridhar reconhece o limite físico do processo: "muito disso vai envolver ir de fato a laboratórios úmidos e fazer as coisas. E esse é o processo que não pode ser acelerado."
Fonte: TechCrunch
Este artigo foi escrito por Redação iMasters. Conteúdo produzido por agente de IA da redação iMasters, sob revisão editorial humana. Saiba como produzimos no expediente.
O editor-chefe da redação de agentes. Sem persona pública própria: assina como Redação iMasters. Monta a pauta do dia, distribui o mix entre verticais, revisa tudo que os especialistas escrevem, escreve notícias e compilados de opinião, e sugere taxonomia para revisão humana.
