Syensqo teknoloji şefi: AI iş yükleri çipleri ve veri merkezlerini fiziksel sınırlara zorluyor

AI'nin bir sonraki kısıtı eksik bir algoritma ya da yetersiz bir çip siparişi olmayabilir; asıl kısıt makinelerin kimyasının kendisi olabilir. MIT Technology Review'nun 16 Eylül'de yayımladığı bir Business Lab bölümünde Syensqo'dan Mike Finelli, AI iş yüklerinin yarı iletkenleri ve veri merkezlerini sert fiziksel sınırlara dayandırdığını ve bu sistemleri oluşturan malzemelerin teknolojinin yapabileceklerini giderek daha fazla şekillendirdiğini savunuyor. Bölüm Syensqo ile ortaklık içinde üretildi; Finelli şirketin baş teknoloji ve inovasyon sorumlusu ile Kuzey Amerika baş sorumlusudur.

Üst üste binen gereksinimler

Finelli'ye göre altyapı malzemelerine yönelik talepler birbirinin alternatifi olarak dengelenmek yerine üst üste birikiyor. Çipler ve veri merkezi donanımı artık aynı anda daha yüksek sıcaklıklara, daha sıkı saflık gereksinimlerine, daha iyi elektriksel performansa, agresif kimyasallara ve plazmalara dayanıklılığa ve uzun vadeli kararlılığa uyum sağlamak zorunda.

Finelli bunu bir piramit imgesiyle açıklıyor: Standart malzemeler tabanda yer alıyor ve eklenen her gereksinim ilgili malzemeyi yüksek performanslı özel ürünlerden oluşan dar bir tepmeye doğru itiyor. Onun argümanı, ileri malzemelerin artık yalnızca AI ilerlemesini desteklemek değil, giderek onun sınırlarını tanımlamak olduğu.

Soğutma, gerilim ve sızdırmazlık

Röportaj, özel malzemeler şirketi Syensqo'nun çalışmalarını hangi alanlara yönlendirdiğini ortaya koyuyor: yüksek gerilimli veri merkezi güç mimarilerine uygun malzemeler, yarı iletken üretim ekipmanları için gelişmiş sızdırmazlık malzemeleri ve doğrudan daldırma soğutması için sıvılar da dahil olmak üzere ısı yönetimi ürünleri.

Finelli sektörler arası yeniden kullanıma da dikkat çekiyor. Zaten yüksek gerilim ve yüksek enerji yoğunluğuyla boğuşan elektrikli araçlar için geliştirilen malzemeler, benzer taleplerle karşılaşan veri merkezi uygulamalarına aktarılabilir.

AI molekülleri buluyor

İlişki çift yönlü işliyor. MIT Technology Review'ya göre Syensqo, AI ajanlarını kullanarak milyonlarca aday moleküler kombinasyonu dijital olarak sentezliyor, ardından kısa bir listeyi laboratuvar testlerine göndermeden önce hem teknik performanslarını hem de sürdürülebilirlik profillerini öngörüyor. Finelli, bunun araştırmacıların "daha geniş, daha derin ve daha hızlı" ilerlemesini sağladığını ve bilim insanlarının manuel eleme yerine gerçekten zor mühendislik problemlerine odaklanabildiğini söylüyor.

Şirket, yıllık gelirlerinin %20'sinin son beş yıl içinde piyasaya sürülen ürün ve uygulamalardan geldiğini belirtiyor ve bunu aktif bir inovasyon hattının kanıtı olarak sunuyor.

Baştan sürdürülebilirlik

Finelli, müşterilerin artık malzemelerden teknik gereksinimleri karşılamalarını ve aynı zamanda çevresel etkiyi azaltmalarını beklediğini söylüyor ve Syensqo'nun hedefini bu ikisi arasındaki ödünleşimeyi ortadan kaldırmak olarak tanımlıyor. Uygulamada bu, sürdürülebilirlik ölçütlerinin zaten tamamlanmış bir malzemenin üzerine eklenmek yerine araştırma sürecinin başında devreye girmesi anlamına geliyor. Ayrıca AI eleme adımının teknik özelliklerin yanı sıra sürdürülebilirlik özelliklerini de öngördüğü anlamına geliyor.

Kendini besleyen bir döngü

İleriye bakıldığında Finelli pekiştirici bir dinamik öngörüyor: AI daha iyi malzemelerin keşfedilmesine yardım ediyor, bu malzemeler AI altyapısını iyileştiriyor ve iyileştirilen altyapı da bir sonraki malzeme keşfi turunu hızlandırıyor. Sonucu, gelecekteki teknolojilerin başarabileceklerini genişleten, hızlanan bir malzeme inovasyonu döngüsü olarak tanımlıyor.

Neden önemli

Hikâye, AI kapasitesi tartışmasını yeniden çerçeveliyor. Hesaplamayı ölçeklemek, yalnızca model tasarımından çok, giderek daha fazla fiziksel mühendislikle — güç iletimi, ısı dağıtımı, saflık ve uzun vadeli güvenilirlikle — darboğaza giriyor. Veri merkezleri yüksek gerilimli mimarilere ve daldırma soğutmasına doğru kaydıkça, özel sıvılar, polimerler ve sızdırmazlık malzemeleri için tedarik zincirleri AI kapasitesi hikâyesinin bir parçası haline geliyor ve bu katmandaki yavaş nitelendirme ya da kıtlık doğrudan daha yavaş dağıtımlara dönüşecektir.

Aynı zamanda, milyonlarca adayı test edilebilir bir kısa listeye kadar sıkıştırmak için AI ajanlarını kullanmak, teknolojinin daha somut endüstriyel uygulamalarından biri; altyapı talebi yıllarla değil de on yıllarla ölçüldüğünde bunun zaman çizelgeleri önem taşıyor.

Bir uyarıya değinmekte yarar var: Kaynak, sponsorun kendi yöneticisiyle yapılan bir röportaj etrafında kurulmuş sponsorlu içerik, dolayısıyla çerçeve doğal olarak o şirketin pazar konumunu vurguluyor. Ancak anlattığı temel gerilim — AI'nin büyüme eğrisi ile altındaki malzemelerin fiziksel sınırları arasındaki gerilim — hesaplama altyapısının ne kadar ileri gidebileceği konusunda gerçek bir kısıt.