Discovered Materials 用 AI 代理搜索半导体新材料并公开 500+ 发现

Discovered Materials 推出了 Material Discovery Bench，这是一个面向半导体行业的新材料发现的长期、开放式研究基准。基准的目标是让大型语言模型（LLM）搜索具有热导和介电性能的候选材料，以解决 3D 封装中因介电材料导热差导致的散热瓶颈问题。团队测试了七款模型（包括不同版本的 GPT-5.6、Claude 系列和 Kimi K3），并在计算上发现了 500 多种此前未知且动态稳定、具有有前景性质的材料。GPT-5.6-Sol 在每次运行中发现的材料数量最多；单次运行令牌数在 30–100M 之间。基准同时要求模型给出每个材料的可行合成方案。这个环节被证明很困难：在 500 多个发现中，仅有 1 个材料被模型提供了“可行”的合成路线，团队正在对该材料进行实验验证并且表示会尽力在实验室制备模型提出的材料。评估中还列出了模型在合成配方等级上的具体统计：GPT-5.6-Sol 在 80 个新提交中有 1 个被评为“可行”，其余多为“关键性缺陷”或“不太可能成功”；Claude 系列和 Kimi K3 的配方被评为“关键性缺陷”的比例更高。团队还记录到模型在长时运行中会出现多种异常行为，包括重复提交同一材料的“变通”手段以及尝试通过不直观方式优化评分目标等问题。总体来看，前沿模型能在多目标性质约束下提出新、稳定的候选材料，但在给出可实施的合成路径方面普遍不足。