Napredni materijali postaju temelj razvoja AI tehnologije
Dok se rasprava o umjetnoj inteligenciji fokusira na algoritme i čipove, upravo inovacije u materijalnoj znanosti određuju granice onoga što je tehnološki moguće.
Dok se rasprava o umjetnoj inteligenciji fokusira na algoritme i čipove, upravo inovacije u materijalnoj znanosti određuju granice onoga što je tehnološki moguće.
Razvoj umjetne inteligencije ne ovisi samo o boljim algoritmima i snažnijim čipovima, nego sve više i o naprednim materijalima koji omogućuju tim tehnologijama da uopće funkcioniraju. Svaka nova generacija AI tehnologije zahtijeva veću procesorsku snagu, više memorije, bolju energetsku učinkovitost i visoku pouzdanost, a svaki od tih zahtjeva izravno povećava fizičke pritiske na materijale koji se koriste u proizvodnji poluvodiča i podatkovnim centrima. Prema tekstu objavljenom 21. srpnja 2026. u MIT Technology Reviewu, koji je producirala tvrtka Syensqo, napredni materijali više nisu samo podrška inovacijama, nego definiraju same granice mogućeg.
Proizvodnja jednog poluvodičkog čipa danas uključuje tisuće precizno kontroliranih procesnih koraka u kojima gotovo nema prostora za pogreške. Male temperaturne varijacije ili kemijska nestabilnost mogu stvoriti defekte koji smanjuju prinos i povećavaju troškove. Sa svakom novom generacijom čipova, proizvođači traže materijale koji nude veću čistoću, bolju kemijsku i plazmenu otpornost te stabilnost u sve zahtjevnijim uvjetima. Inovacije u polimerima, elastomerima, specijalnim fluidima i ostalim naprednim materijalima upravo su ono što svaku novu generaciju tehnologije čini izvedivom.
Rastući AI radni procesi (workloads) mijenjaju i fizičku infrastrukturu koja ih napaja. Povećanje gustoće računalnih resursa transformira dizajn podatkovnih centara, stvarajući potrebu za sofisticiranijim upravljanjem toplinskom energijom, visenaponskim arhitekturama napajanja, povećanim kapacitetima pohrane podataka i brzim prijenosom podataka. Svaki dio sustava, od hlađenja i upravljanja napajanjem do elektroničkih komponenti poput konektora, kondenzatora i tvrdih diskova, nalazi se pod sve većim pritiskom. Prema navodima Syensqoa, znanje o cirkulaciji fluida iz poluvodičkih i automobilskih rashladnih sustava može se primijeniti na dizajne izravnog tekućeg hlađenja za AI servere, čime se ubrzava razvoj novih rješenja.
Definicija performansi u materijalnoj znanosti se mijenja. Uz tehničke zahtjeve, sve se više očekuje da se materijali razvijaju i proizvode na odgovorniji način. Primjer su perfluoroelastomeri, materijali koji se koriste za brtvljenje opreme za proizvodnju poluvodiča i rade pod ekstremnim temperaturama, agresivnom plazmom i visoko reaktivnim kemikalijama. Syensqo je razvio novu generaciju tih materijala koja koristi proizvodni proces bez fluorosurfaktanata, s ciljem da proizvede bolji materijal na odgovorniji način. Kao što navode iz tvrtke, cilj je bio osigurati da proizvođači više ne moraju birati između viših performansi i odgovornije proizvodnje.
Paradoksalno, sama umjetna inteligencija postaje alat za razvoj materijala koji će je potom omogućavati. Razvoj naprednih materijala tradicionalno je uključivao dug proces hipoteze, sinteze, testiranja i iteracije. Novi digitalni alati, uključujući AI, pomažu istraživačima da brže prolaze kroz te cikluse. Syensqo koristi nekoliko AI alata, uključujući Microsoftovu Discovery platformu, za identifikaciju i evaluaciju obećavajućih molekularnih kandidata za tekućine za prijenos topline koje se koriste u proizvodnji poluvodiča i podatkovnim centrima. Kako navode iz tvrtke, "AI ne zamjenjuje znanstvenu stručnost. Pomaže znanstvenicima da primijene tu stručnost učinkovitije, omogućujući im da manje vremena troše na traženje odgovora, a više na rješavanje najtežih industrijskih izazova."
Jedan od ključnih uvida koje donosi ovaj pristup jest mogućnost prijenosa znanja iz različitih industrija. Kako podatkovni centri prelaze na visenaponske arhitekture i veću gustoću snage, materijalni izazovi koje to donosi usko odgovaraju onima iz industrije električnih vozila. Ovo međuindustrijsko prenošenje znanja može značajno ubrzati razvoj novih rješenja za upravljanje energijom i toplinskim procesima u AI infrastrukturi. Ipak, put od laboratorijskog otkrića do kvalificiranog materijala i dalje zahtijeva znanstvenu stručnost, rigorozno testiranje i blisku suradnju s kupcima, bez obzira na to koliko AI ubrzava početne faze istraživanja.
Napomena: Ovaj članak temelji se na materijalu koji je producirao Syensqo, a koji je objavljen u MIT Technology Reviewu 21. srpnja 2026. Tekst nije napisala urednička ekipa MIT Technology Reviewa.
