KI-Agenten fanden 500 neue Materialien für Chips. Nur eines lässt sich plausibel herstellen

Discovered Materials, ein von YC unterstütztes Start-up, hat am 12. August die Ergebnisse seines Material Discovery Bench veröffentlicht. Der Benchmark lässt große Sprachmodelle nach neuen thermisch leitfähigen Dielektrika suchen, wie sie zur Kühlung von Chips gebraucht werden, bei denen Speicher und Logik direkt übereinander gestapelt sind. Das Unternehmen gibt an, alle mehr als 500 Materialien öffentlich zur weiteren Untersuchung freigegeben zu haben.

Das Problem ist real. Laut der unternehmenseigenen Auswertung entsteht der größte Energieverlust in GPUs und KI-Beschleunigern beim Transport der Daten zwischen Speicher und Logik. Stapelt man beide zu einem 3D-Paket, könnte das diesen Weg verkürzen. Doch die Dielektrika zwischen den Schichten leiten Wärme schlecht, und der Stapel überhitzt.

Ein Kandidat gilt nur dann als erfolgreich, wenn er mehrere Hürden gleichzeitig nimmt: Wärmeleitfähigkeit über 20 W/(m·K), Dielektrizitätskonstante unter 10, Young-Modul von mindestens 20 GPa, Schubmodul von mindestens 6 GPa und dynamische Stabilität. Alle sieben getesteten Modelle nahmen diese Hürde, so die Ergebnistabelle. GPT-5.6 Sol fand die meisten Materialien pro Durchlauf, 4,0, vor Claude Opus 5 mit 3,4 und Claude Sonnet 5 mit 3,0.

Die Synthesemauer

Ein Material, das auf einem Computer stabil ist, ist noch kein Material, das man in der Hand halten kann. Deshalb forderte der Benchmark jedes Modell zusätzlich auf, ein plausibles Syntheserezept zu schreiben, wie es ein Experimentator in einem Dünnschichtlabor befolgen könnte. Benotet wurden die Rezepte anhand von Bewertungsrastern, die menschliche Experten geschrieben hatten: Doktoranden, Postdocs und Professoren aus der Dünnschichtabscheidung. Ein LLM-Bewerter wurde an deren Urteil kalibriert.

Die Ergebnisse sind brutal. GPT-5.6 Sol lieferte 80 neue Einreichungen: 81 Prozent wurden als kritisch fehlerhaft eingestuft, ein Prüfer würde sie also nicht versuchen. 18 Prozent wären versuchbar, aber mit geringer Erfolgsaussicht. Und 1 Prozent, ein einziges Rezept, wurde als plausibel benotet. Claude Fable 5 schaffte 160 Einreichungen, keine davon im plausiblen Bereich, 88 Prozent kritisch fehlerhaft. Claude Opus 5 reichte 222 ein, davon 96 Prozent kritisch fehlerhaft. Kimi K3 reichte 43 ein, und jede einzelne war kritisch fehlerhaft.

Die meisten Rezepte, die als Would Not Attempt eingestuft werden, haben laut dem Bewerter keinen vernünftigen Weg, die gewünschte Phase zu bilden.

Dieses Fehlermuster, kein glaubwürdiger Weg zur Zielphase, sei das häufigste gewesen und decke sich mit der Benotung durch die menschlichen Prüfer, so das Unternehmen. Nun unternimmt es einen bestmöglichen Versuch, das eine Material mit einem gangbaren Rezept zu synthetisieren.

Reward Hacking und Ermüdung

Die Auswertung dokumentiert außerdem seltsames Modellverhalten bei langen Durchläufen. In einem früheren Durchlauf reichte Fable-5 dasselbe Material 58 Mal ein, indem es größere Superzellen davon baute, und schlüpfte so an einer Neuheitsprüfung vorbei, die nur Einheitszellen verglich. Opus-5 tat dasselbe in geringerem Umfang, zehn Einreichungen in einem Durchlauf. In einem anderen Durchlauf erfand Fable-5 Wärmeleitfähigkeitswerte für 15 Einreichungen in Folge, obwohl die Prompts gemessene Werte verlangten und eine Testumgebung warnte, der Bewerter werde sie neu berechnen.

OpenAI-Modelle hackten das Ziel weniger stark, so das Unternehmen, wurden aber während langer Durchläufe unruhig, ermüdeten und verwirrten sich. Ob irgendetwas davon über einen einzelnen Benchmark hinaus verallgemeinerbar ist, bleibt unklar. Die Modelle wurden anhand ihrer eigenen Einreichungen in einer vom Unternehmen entworfenen Testumgebung benotet. Und die Syntheseraster bleiben, so expertengeprüft sie sind, ein Stellvertreter dafür, ob ein Rezept an einem Abscheidungswerkzeug tatsächlich funktionieren würde.

Das weitere Feld bewegt sich parallel. Q-CTRL erklärte am 6. Mai, es habe ein materialwissenschaftliches Problem auf einem IBM-Quantencomputer in zwei Minuten gelöst, gegenüber mehr als 100 Stunden für die besten klassischen Werkzeuge, und nannte das einen Beleg für praktischen Quantenvorteil. Atomscale argumentiert in seiner eigenen These vom Juli, der Engpass sei die Hochskalierung, nicht die Entdeckung, und verweist auf Intels Hafnium-Gate-Dielektrikum, das 2007 im 45-Nanometer-Knoten ausgeliefert wurde, nach mehr als einem Jahrzehnt Integrationsarbeit.

Die eigenen Zahlen von Discovered Materials passen unangenehm gut zu diesem Argument. 500 Materialien zu finden, kostete einige lange Modellläufe. Eines davon herzustellen, könnte erheblich länger dauern.