Das in San Francisco ansässige Start-up „Discovered Materials“ (Discovered Materials), das KI-Modelle zur Entdeckung neuer Materialien für die Herstellung fortschrittlicher Chips eingesetzt hat, kündigte die Einführung eines Wettbewerbs im Wert von einer Million Dollar an, der KI-Modelle zur Lösung von fünf kritischen Problemen in den Materialwissenschaften motivieren soll.
Trotz der Erfolge, die fortschrittliche KI-Modelle bei der Lösung prominenter mathematischer Probleme und ihrer Fortschritte in den Biowissenschaften erzielt haben, ist es ihnen noch nicht gelungen, die komplexe Physik im Zusammenhang mit fortgeschrittenen Materialien zu entschlüsseln. Advait Sridhar, Mitbegründer des Unternehmens, das am Batch Frühjahr 2026 von Y Combinator teilnahm, wies darauf hin, dass die klare Definition von Problemen in den Materialwissenschaften im Vergleich zur Mathematik, die präzise Definitionen enthält, äußerst schwierig ist. Dies veranlasste das Unternehmen, ein Beratungsgremium aus Akademikern hinzuzuziehen, um fünf Hauptprobleme zu identifizieren.
Die fünf im Wettbewerb anvisierten Probleme
Die fünf zur Lösung gestellten Probleme, auf die die Geldpreise verteilt sind, erstrecken sich über mehrere wesentliche Aspekte der Materialphysik und moderner Technologien und umfassen:
- Die Aufstellung einer Theorie zur Erklärung der Supraleitung von Cupraten, der Fähigkeit bestimmter Materialien, bei extrem niedrigen Temperaturen einen elektrischen Widerstand von Null aufzuweisen.
- Die Findung einer numerischen Methode zur Vorhersage von Grenzflächenstrukturen zwischen Silizium und Siliziumdioxid, einer wesentlichen Kombination bei der Herstellung nahezu aller Halbleiter.
- Die Entwicklung einer numerischen Methode zur Verknüpfung der Korngrenzenstruktur mit thermischen Eigenschaften zur Konstruktion besserer Materialien zur Wärmeableitung.
- Die Bereitstellung einer Theorie zur Vorhersage der Kausalität von Veränderungen im Materialverhalten bei Lichteinwirkung, insbesondere im Hinblick auf die Supraleitung.
- Die Verbesserung der Dichtefunktionaltheorie, einer Schlüsseltechnik in den Materialwissenschaften zur Modellierung von Atom- und Molekülstrukturen.
Was ändert sich praktisch?
Vor der offiziellen Ankündigung dieser Herausforderungen testete das Unternehmen fortgeschrittene Labormodelle und gewährte ihnen Zugang zum Internet sowie zu anderen Werkzeugen, um mehrere Tage lang unabhängig voneinander zu arbeiten. Dennoch erzielten die Modelle kaum nennenswerte Fortschritte bei der Lösung dieser Probleme. Die Verantwortlichen erklärten, dass das Ziel dieser Herausforderungen nicht nur darin besteht, herauszufinden, wer die Lösung findet, sondern auch klare Leistungsstandards zur Bewertung des Fortschritts von KI-Modellen beim Verständnis der komplexen Physik der Materialien um uns herum bereitzustellen.
Dieser Schritt spiegelt einen Wandel im Verlauf der wissenschaftlichen Forschung wider, bei dem Verifikationsmechanismen und Herausforderungen zuerst entwickelt werden und dann den Modellen und Ideen der Raum gelassen wird, wissenschaftliche Erklärungen zu liefern. Andererseits bekräftigte das Unternehmen, dass sich sein Zeitplan für die Generierung industriell nützlicher Materialien für den Einsatz im Halbleitersektor beschleunigt hat und es zuversichtlicher geworden ist, Ergebnisse in weniger als einem Jahr zu erzielen.