Представьте, что вы ищете одну-единственную песчинку на пляже, где лежат миллиарды камней. Примерно так выглядит разработка новых материалов для полупроводников: нужно найти соединение, которое эффективно отводит тепло, не проводит лишний ток и остаётся стабильным при высоких температурах. Компания Discovered Materials нашла неожиданный способ ускорить этот процесс: она использует искусственный интеллект, который играет в whack-a-mole – молниеносно переключаясь от одного кандидата к другому.
В этой статье мы разберём, как именно работает этот подход, почему он может стать прорывом в охлаждении чипов и какие ограничения остаются даже у самых продвинутых алгоритмов.
Почему чипы перегреваются: тепловой кризис в микроэлектронике
Современные микропроцессоры содержат десятки миллиардов транзисторов, упакованных на площади в несколько квадратных миллиметров. С каждым поколением плотность растёт, а вместе с ней – и плотность теплового потока. По данным Международной дорожной карты для полупроводников (ITRS), уже сейчас тепловыделение является одним из главных ограничителей производительности. Если не решить проблему охлаждения, мы упрёмся в так называемый «тепловой барьер» – дальнейшее наращивание числа транзисторов станет бессмысленным.
Традиционные способы охлаждения – радиаторы, вентиляторы, жидкостные системы – уже на пределе. Воздушное охлаждение почти достигло физического максимума: чтобы отвести тепло от 500-ваттного процессора, нужен кулер размером с холодильник. Жидкостные системы эффективнее, но они громоздки, дороги и требуют постоянного обслуживания. А в дата-центрах охлаждение съедает до 40% всей потребляемой электроэнергии – это колоссальные затраты для операторов.
Нужны материалы, которые сами по себе лучше проводят тепло или позволяют снизить энергопотребление. Но как их найти? Классические материалы, такие как медь или алюминий, уже почти исчерпали свой потенциал. Медь имеет теплопроводность около 400 Вт/(м·К), а алмаз – более 2000 Вт/(м·К), но алмаз стоит безумно дорого и его трудно интегрировать в производство чипов. Нужны новые композиты, сплавы или наноматериалы, которые будут сочетать высокую теплопроводность с технологичностью.
Традиционные методы поиска материалов: медленно и дорого
Исторически новые материалы открывали двумя путями: случайно или в результате долгих экспериментов. Например, литий-ионные аккумуляторы разрабатывались более 20 лет, прежде чем стали коммерчески доступными. Поиск высокотемпературных сверхпроводников ведётся с 1980-х годов, но до сих пор не привёл к созданию материала, работающего при комнатной температуре.
Причина в том, что пространство возможных химических соединений практически бесконечно. Только комбинаций из 50 элементов существуют миллионы, а ведь нужно ещё учитывать кристаллическую структуру, дефекты, примеси. Перебрать всё вручную невозможно.
Классический подход выглядит так: исследователь выдвигает гипотезу о структуре, синтезирует образец, проводит серию тестов на теплопроводность, электропроводность, механическую прочность. Если образец не подходит, процесс повторяется. Каждый эксперимент занимает недели и стоит десятки тысяч долларов – реагенты, оборудование, время учёных. В итоге, по оценкам исследователей, частота успешных находок составляет менее 1%.
Даже с появлением компьютерного моделирования – например, метода функционала плотности (DFT), который позволяет рассчитать свойства материалов до их синтеза, – процесс остался медленным. DFT требует огромных вычислительных мощностей и для сложных структур может занимать часы или даже дни. А достоверность расчётов не всегда достаточна: реальные материалы имеют дефекты, примеси, неидеальную кристаллическую решётку.
ИИ на службе материаловедения: от нейросетей до генеративных моделей
В последние годы машинное обучение стало мощным инструментом в материаловедении. Модели обучаются на данных о свойствах тысяч известных материалов, а затем предсказывают характеристики новых. Например, исследователи из Стэнфорда использовали графовые нейронные сети для предсказания свойств кристаллов и показали, что точность может быть сопоставима с DFT-расчётами, но на несколько порядков быстрее.
Ещё один подход – генеративные модели, такие как вариационные автокодировщики (VAE) или генеративно-состязательные сети (GAN). Они создают новые структуры с заданными свойствами. Такой метод позволил открыть несколько новых термоэлектрических материалов, способных преобразовывать тепло в электричество. В 2021 году учёные из NVIDIA и Университета Торонто использовали GAN для поиска новых фотокатализаторов и сократили время поиска с нескольких лет до нескольких дней.
Ключевая фишка – активное обучение (active learning): алгоритм сам выбирает, какие кандидаты нужно проверить, чтобы максимально быстро приблизиться к цели. Вместо того чтобы слепо исследовать всё пространство, модель запоминает, какие комбинации оказались неудачными, и фокусируется на перспективных областях. Именно этот принцип лёг в основу платформы Discovered Materials.
Кейс Discovered Materials: как работает ИИ-whack-a-mole
Discovered Materials, молодая компания из Кремниевой долины, пошла дальше. Её платформа объединяет генеративные модели, симуляцию методом функционала плотности (DFT) и базы данных, такие как Materials Project. ИИ генерирует тысячи потенциальных кандидатов, а затем быстро отсеивает неподходящие, словно молотком в игре whack-a-mole. На каждый кандидат тратится всего несколько миллисекунд вычислительного времени, после чего алгоритм переключается на следующий.
Как рассказали представители компании, алгоритм способен оценивать тысячи структур в день, а точность его предсказаний подтверждается экспериментальными проверками. При этом главный выигрыш – не в точности, а в скорости отсева. Вместо того чтобы годами синтезировать и тестировать образцы, Discovered Materials прореживает пространство поиска ещё на стадии компьютерного моделирования.
Процесс выглядит так:
1. Генеративный ИИ создаёт десятки тысяч потенциальных структур на основе известных кристаллических решёток и правил химической связи.
2. Быстрая суррогатная модель (например, графовая нейросеть) предсказывает теплопроводность, электрическое сопротивление и стабильность для каждого кандидата.
3. Наиболее перспективные кандидаты попадают в «короткий список» для более точного DFT-расчёта.
4. DFT подтверждает или опровергает свойства, и только лучшие из лучших отправляются в лабораторию для синтеза.
Такой подход напоминает игру в whack-a-mole: как только один кандидат не проходит проверку, алгоритм тут же переключается на следующего. Никакой жалости, никакой «любви» к неудачникам – только скорость и эффективность. Этот метод позволяет исследовать пространство, недоступное традиционным методам.
Сравнение подходов
Чтобы понять, насколько эффективен метод, сравним его с классическим.
| Критерий | Традиционный подход | ИИ-подход Discovered Materials |
|---|---|---|
| Время на поиск одного материала | Годы | Недели (с учётом симуляций) |
| Количество исследованных кандидатов | Десятки | Тысячи |
| Стоимость | Высокая (оборудование, материалы) | Средняя (вычислительные мощности) |
| Точность | 100% (эксперимент) | Высокая (требует проверки) |
| Главное ограничение | Человеческий фактор | Качество данных и вычислительные ресурсы |
Очевидно, что ИИ-подход выигрывает по скорости и масштабу, но уступает в точности. Поэтому оптимальная стратегия – комбинировать оба метода: ИИ предлагает кандидатов, а экспериментаторы проверяют их в лаборатории. Такая синергия уже даёт плоды: некоторые материалы, открытые с помощью машинного обучения, уже проходят тестирование в реальных устройствах.
Ограничения и подводные камни
Несмотря на впечатляющие результаты, рано говорить о полной автоматизации. Во-первых, модели машинного обучения требуют качественных данных. Многие материалы плохо изучены, и алгоритмы могут выдавать неверные прогнозы для экстремальных условий. Например, для материалов, работающих при температурах свыше 1000°C, тренировочных данных очень мало.
Во-вторых, DFT-симуляции, которые используются для проверки, очень ресурсоёмки. Каждый расчёт может занимать часы на мощном кластере, поэтому компаниям приходится арендовать облачные мощности. Для небольших стартапов это серьёзные затраты.
В-третьих, даже самый умный ИИ не может предсказать поведение материала при реальной температуре и напряжении. Экспериментальная проверка остаётся обязательным этапом. Тем не менее, ИИ сокращает количество неудачных экспериментов, экономя время и деньги.
Наконец, есть проблема воспроизводимости: результаты симуляций не всегда совпадают с экспериментальными данными. Это связано с дефектами кристаллической решётки, примесями и другими реальными факторами, которые сложно смоделировать.
Влияние на будущее электроники
Уже сейчас некоторые компании используют ИИ для оптимизации архитектуры процессоров, а не только материалов. Например, Google разрабатывает чипы с помощью машинного обучения, а стартапы вроде Ceremorphic и Axelera проектируют энергоэффективные процессоры для ИИ. Однако именно новые материалы могут дать скачок на порядок.
Возможные направления – теплопроводящие полимеры, углеродные нанотрубки, графен и даже алмазные подложки. Алмаз, как известно, имеет самую высокую теплопроводность среди всех материалов, но его производство дорого и сложно масштабировать. С помощью ИИ исследователи ищут способы удешевить синтез или найти аналоги с похожими свойствами.
Ещё одно перспективное направление – материалы с отрицательным коэффициентом теплового расширения. Они могут компенсировать термические деформации в чипах и продлить их срок службы. Такие материалы сложно найти вручную, но ИИ позволяет быстро перебрать тысячи вариантов.
В ближайшие годы ИИ-материаловедение станет стандартом в полупроводниковой индустрии. По мере накопления данных и совершенствования алгоритмов точность предсказаний будет расти, а время поиска – сокращаться. Возможно, мы увидим, как ИИ открывает материал, который позволит обычным компьютерам работать без вентиляторов.
Практические советы инженерам
Для инженеров и разработчиков, которые сталкиваются с проблемой охлаждения, можно дать несколько советов:
- Используйте базы данных материалов, такие как Materials Project, для поиска существующих соединений. Это бесплатно и доступно каждому.
- Внедряйте машинное обучение в свои процессы – даже простые модели могут значительно ускорить первичный отбор.
- Не забывайте о вычислительных ресурсах: облачные GPU-кластеры – это не роскошь, а необходимость.
Если вы хотите научиться автоматизировать работу с данными и интегрировать внешние сервисы, обратите внимание на платформы, которые предоставляют API-подключения. Например, ASI Biont поддерживает подключение к Materials Project через API — подробнее на asibiont.com/courses. Это может стать первым шагом к созданию собственного пайплайна для поиска материалов.
Выводы
История Discovered Materials – яркий пример того, как ИИ меняет научные исследования. Игра в whack-a-mole, которая на первый взгляд кажется хаотичной, на самом деле является высокоэффективным способом навигации в бесконечном пространстве возможностей. Возможно, через несколько лет мы увидим чипы, которые не нуждаются в громоздких системах охлаждения, и в этом будет заслуга алгоритмов, которые неустанно «выбивают» неподходящие материалы.
А пока – следите за развитием событий. Кто знает, может быть, именно ИИ поможет нам наконец создать компьютер, который не обжигает колени.
Комментарии