جایزه یک میلیون دلاری استارتاپ Y Combinator؛ وقتی هوش مصنوعی به جنگ ۵ معمای حل‌نشده علم مواد می‌رود

استارتاپ نوپای Discovered Materials که تنها چند ماه از تأسیس آن در سان‌فرانسیسکو می‌گذرد و از مدل‌های هوش مصنوعی برای کشف ترکیبات جدید در ساخت تراشه‌های پیشرفته بهره می‌برد، یک چالش یک میلیون دلاری را معرفی کرده است تا توانایی مدل‌های هوش مصنوعی را در حل پنج مسئله حیاتی علم مواد محک بزند.

هرچند مدل‌های پیشروی هوش مصنوعی تاکنون موفق شده‌اند مجموعه‌ای از مسائل پیچیده و حل‌نشده ریاضی را رمزگشایی کنند و دستاوردهای چشمگیری در علوم زیستی رقم بزنند، اما هنوز نتوانسته‌اند به‌طور عمیق وارد دنیای فیزیک پیچیده مواد پیشرفته شوند.

آدوایت سریدهار (Advaith Sridhar)، هم‌بنیان‌گذار استارتاپ Discovered Materials که در دوره بهار ۲۰۲۶ شتاب‌دهنده Y Combinator حضور داشت، در این باره می‌گوید: «تعریف دقیق مسائل در علم مواد بسیار دشوارتر است؛ زیرا برخلاف ریاضیات که در آن با تعاریف کاملاً مشخص و پاسخ‌های قطعی بله یا خیر روبه‌رو هستیم، اینجا با ابهامات بیشتری سروکار داریم. ما با این پرسش مواجه شدیم که چالش‌های بزرگ این رشته دقیقاً چه هستند و چگونه می‌توانیم بفهمیم هوش مصنوعی واقعاً در این حوزه پیشرفت کرده است؟»

از آنجا که در علم مواد فهرستی مشابه «مسائل جایزه هزاره» (Millennium Prize Problems) در ریاضیات وجود ندارد، استارتاپ Discovered Materials گروهی مشاوره‌ای از اساتید دانشگاه‌های تراز اول جهان را گرد هم آورد تا پنج مسئله باز و حل‌نشده را به‌صورت دقیق تدوین کنند. این شرکت مجموعاً یک میلیون دلار جایزه (۲۰۰ هزار دلار برای هر مسئله) برای راه‌حل‌های این پنج چالش در نظر گرفته است:

• ارائه نظریه‌ای برای توضیح ابررسانایی کوپرات‌ها (Cuprate Superconductivity) یا همان توانایی برخی مواد خاص در رساندن مقاومت الکتریکی به صفر در دماهای بسیار پایین.
• طراحی یک روش عددی برای پیش‌بینی ساختار مرزهای مشترک میان سیلیکون و دی‌اکسید سیلیکون؛ ترکیبی که تقریباً در تمام نیمه‌هادی‌ها و تراشه‌ها یافت می‌شود.
• ارائه یک روش عددی برای ارتباط دادن ساختار دانه‌ای مواد به ویژگی‌های حرارتی آن‌ها، که امکان طراحی مواد بسیار بهینه‌تر برای دفع گرما را فراهم می‌کند.
• تدوین نظریه‌ای برای پیش‌بینی اینکه چرا تاباندن نور به مواد می‌تواند رفتار آن‌ها را به‌ویژه در زمینه ابررسانایی تغییر دهد.
• ارائه یک روش عددی برای ارتقای «نظریه تابعی چگالی» (Density Functional Theory) که تکنیکی کلیدی در علم مواد برای مدل‌سازی ساختار اتم‌ها و مولکول‌ها به‌شمار می‌رود.

پروفسور فلیپه جورنـادا (Felipe Jornada)، استاد دانشگاه استنفورد که در طراحی این چالش‌ها مشارکت داشته است، در بیانیه‌ای اعلام کرد: «در سراسر علم مواد، پدیده‌هایی وجود دارند که آن‌ها را مشاهده می‌کنیم اما قادر به توضیح دادنشان نیستیم. رمزگشایی از این پدیده‌ها درک ما از علم فیزیک را ارتقا می‌دهد و پاسخ‌های به‌دست‌آمده مستقیماً آینده طراحی قطعات الکترونیکی، ذخیره‌سازی انرژی و تولید مواد نسل بعد را شکل خواهند داد.»

استارتاپ Discovered Materials پیش از اعلام عمومی این چالش‌ها، مدل‌های متعلق به آزمایشگاه‌های پیشروی هوش مصنوعی را روی این مسائل آزمایش کرد و به ایجنت‌های هوش مصنوعی دسترسی به اینترنت و سایر منابع را داد تا روزها به‌طور مستقل روی آن‌ها کار کنند. این مدل‌ها چندین روز را صرف هر مسئله کردند اما نتوانستند پیشرفت چندانی به دست آورند. با این حال، دور از ذهن نیست که آزمایشگاه‌هایی مانند OpenAI یا Anthropic تلاش کنند با بهره‌گیری از توان محاسباتی بسیار بیشتر یا مدل‌های جدیدتر، این مسائل را در یک مرحله حل کنند.

سریدهار در ادامه توضیح داد: «برای ما چندان مهم نیست که راه‌حل نهایی را خودمان پیدا کنیم، یا فرد دیگری به آن برسد، یا یک استاد دانشگاه و یا آزمایشگاه‌های پیشروی هوش مصنوعی موفق به کشف آن شوند. هدف ما از مطرح کردن این چالش‌ها، تعیین شاخص و معیاری مشخص برای سنجش پیشرفت است. اگر کسی بتواند این چالش‌ها را حل کند، در واقع درک بشر از علم مواد و رفتار محیط پیرامونمان را عمیق‌تر کرده است.»

او هم‌چنین افزود که رصد کردن تلاش‌ها برای حل این مسائل نشان خواهد داد که آیا مدل‌های هوش مصنوعی واقعاً در حال پیشرفت و صعود در این قلمرو علمی هستند یا خیر.

این چالش بازتاب‌دهنده تغییر ماهیت پژوهش‌های علمی در دورانی است که هوش مصنوعی توانایی خود را در کشف بینش‌ها و تکنیک‌هایی فراتر از تصور پژوهشگران انسانی ثابت کرده است. اکنون که یافتن پاسخ‌ها به لطف فناوری آسان‌تر از همیشه به نظر می‌رسد، طرح پرسش‌های درست اهمیت بسیار بیشتری پیدا کرده است.

سریدهار در این باره می‌گوید: «این شیوه جدیدی از تفکر درباره علم است؛ رویکردی که در آن ابتدا چالش‌ها و روش‌های راستی‌آزمایی را تعریف می‌کنیم و سپس اجازه می‌دهیم مدل‌ها یا افراد دیگر ایده‌هایی را برای توضیح مسئله بیابند. دانستن اینکه چه پرسش‌هایی باید مطرح شوند در این حوزه اصلاً کار ساده‌ای نیست و همین‌جا بود که اساتید دانشگاه واقعاً به ما کمک کردند تا پرسش‌های درست را شکل دهیم.»

تمرکز اصلی استارتاپ Discovered Materials بر توسعه مواد جدید برای استفاده در صنعت نیمه‌هادی‌هاست؛ این شرکت علاوه بر تأمین مالی پروژه‌های علمی داخلی خود، با غول‌های تراشه‌سازی نیز در پروژه‌های تحقیقاتی همکاری می‌کند. هنگامی که این شرکت در ماه اوت سرمایه‌گذاری مرحله بذری (Seed) خود را اعلام کرد، سریدهار ابراز امیدواری کرده بود که بتوانند ظرف یک سال به یک ماده کاربردی جدید دست پیدا کنند.

او امروز با اطمینان بیشتری می‌گوید: «این جدول زمانی کمی سریع‌تر شده است و اکنون مطمئن‌تر هستم که می‌توانیم در بازه زمانی کوتاه‌تر از یک سال، به این مواد کاربردی در مقیاس صنعتی دست پیدا کنیم.»