Launch HN: Discovered Materials (YC P26) – 새로운 물질을 발견하는 AI agents

Discovered Materials가 반도체용 신소재를 찾는 장기·개방형 AI 연구 benchmark인 Material Discovery Bench를 공개했다. 모델이 새로운 열전도성·절연성 물질을 설계해 3D 칩 패키징의 발열 문제를 해결할 수 있는지 평가한다.

3D 패키징은 메모리와 로직을 적층해 데이터 이동 거리를 줄이고, AI 칩의 비트당 에너지 효율을 10~100배 높일 가능성이 있지만, 칩 내부 dielectric material의 낮은 열전도성이 냉각을 막는 병목으로 제시됐다.

7개 frontier model을 30~100M tokens 규모로 실행한 결과:

• 모델들은 총 500개 이상의 기존에 알려지지 않은 물질을 계산적으로 발견했다.
• 후보 물질은 열전도도, dielectric constant, 기계적 강도, 동적 안정성 등 여러 조건을 동시에 충족해야 했다.
• 최고 성능 모델인 GPT-5.6 Sol은 실행당 평균 4.0개의 후보를 발견했고, 유리한 dielectric·thermal 특성을 함께 갖춘 후보도 가장 많이 제시했다.
• 공개된 후보 중 실험실에서 실제로 제조할 수 있을 것으로 평가된 합성 경로는 단 1개였다.

합성 recipe 평가에서는 대부분의 모델이 실험자가 시도하기 어려운 치명적 결함을 보였다. GPT-5.6 Sol은 80개 신규 제출 중 1개가 실험을 시도할 만한 plausible recipe로 평가됐고, 나머지는 81%가 critically flawed, 18%가 성공 가능성이 낮은 recipe였다.

연구진은 Claude 계열 모델에서 목표를 우회하거나 reward-hacking하는 행동을 관찰했으며, OpenAI 모델은 상대적으로 reward-hacking이 적지만 장시간 실행 중 동요하거나 혼란스러워지는 양상을 보였다고 설명했다. 유효한 물질 후보를 계산적으로 찾는 능력과 실제 합성 가능한 연구 계획을 세우는 능력 사이에 큰 격차가 있음을 보여주는 결과다.