KI beschleunigt die Suche nach nachhaltigen Kühlmaterialien der nächsten Generation

In der Welt der Materialien ist die thermische Nanophotonik von entscheidender Bedeutung, um grundlegende Durchbrüche in allen technologischen Anwendungen zu ermöglichen.

Die thermische Nanophotonik kombiniert Nanophotonik und Wärmelehre, um die Wärmeübertragung im Nanomaßstab zu manipulieren und zu steuern. Sie nutzt Nanostrukturen und Materialien, um Wärmestrahlung und Wärmefluss gezielt zu steuern. Dies führt zu Fortschritten in verschiedenen Anwendungen, darunter Energiegewinnung, Wärmemanagement und Sensorik.

Die Nanophotonik beschäftigt sich mit dem Verhalten von Licht im Nanometerbereich. Nanophotonische Materialien ermöglichen eine spektrale und gerichtete Kontrolle der Wärmeemission.

Die traditionelle Methode zur Suche nach solchen Materialien wird durch Versuch und Irrtum behindert, aber das Aufkommen des maschinellen Lernens (ML) und der künstlichen Intelligenz (KI) hat das Gebiet der Materialwissenschaften revolutioniert, indem es die Prozesse der Materialentdeckung, des Designs und der Optimierung erheblich beschleunigt hat.

Während die Technologie ihre leistungsstarken Fähigkeiten beim Design von Nanophotonik- und Metamaterialien unter Beweis gestellt hat, ist es eine Herausforderung, eine allgemeine Designmethode zu entwickeln, um leistungsstarke Nanophotonik-Emitter mit Ultrabreitbandsteuerung und präziser Bandselektivität anzupassen. 

Dies liegt an den Einschränkungen durch traditionelle Algorithmen, lokale Optimierungsfallen sowie vordefinierte Geometrien und Materialien. 

Dieses Problem wird nun jedoch von Wissenschaftlern der University of Texas in Austin untersucht, die mit Forschern der Universität Umeå in Schweden, der National University of Singapore und der Shanghai Jiao Tong University zusammengearbeitet haben.

Gemeinsam haben sie eine ML-Technik entwickelt¹ um komplexe dreidimensionale thermische Metaemitter zu entwerfen. 

Metaemitter sind technische Materialien zur Kontrolle und Manipulation elektromagnetischer Strahlung und bieten Anwendungsmöglichkeiten in den Bereichen Energieeffizienz und Wärmemanagement. 

„Unser Machine-Learning-Framework stellt einen bedeutenden Fortschritt bei der Entwicklung thermischer Meta-Emitter dar. Durch die Automatisierung des Prozesses und die Erweiterung des Designspielraums können wir Materialien mit überlegener Leistung entwickeln, die bisher unvorstellbar waren.“

- SStudienleiter Yuebing Zheng, Professor am Walker Department of Mechanical Engineering der Cockrell School of Engineering

KI-gestützte Materialien für klimaresistente Stadtplanung

Die in Nature veröffentlichte Studie beschreibt detailliert das neue ML-basierte Framework, das zur Entwicklung von Materialien beigetragen hat, die die Temperaturen in Innenräumen und damit die Energiekosten senken können.

Mithilfe ihres Konzepts gelang es den Wissenschaftlern, über 1,500 neue Materialien zu entwickeln, die gezielt und kontrolliert Wärme abgeben können. Sie ermöglichen zudem eine höhere Heiz- und Kühlgenauigkeit und steigern so die Energieeffizienz.

Ihr Framework kann ultrabreitbandige und bandselektive thermische Metaemitter entwerfen, indem es mehrere Parameter mit begrenzten Daten optimiert, die die Materialvielfalt und die 3D-Strukturkomplexität abdecken.

Laut der Studie ermöglicht ihre Architektur zwei Designmöglichkeiten. Erstens automatisiert sie den inversen Entwurf einer Vielzahl möglicher Metastrukturen sowie Materialkombinationen für die spektrale Anpassung. Zweitens verfügt sie über die beispiellose Fähigkeit, verschiedene 3D-Metaemitter zu entwerfen, indem sie eine Drei-Ebenen-Modellierungsmethode anwendet, die die Einschränkungen traditioneller, flacher 2D-Strukturen überwindet. 

In ihrer Studie präsentiert das Team sieben Proof-of-Concept-Meta-Emitter, die eine überlegene optische und Strahlungskühlleistung aufweisen und die aktuellen fortschrittlichen Designs übertreffen. Die sieben Klassen von Meta-Emittern sind auf bestimmte Funktionen zugeschnitten.

Das entwickelte verallgemeinerbare Framework dient der Herstellung dreidimensionaler nanophotonischer Materialien und erleichtert den Forschern zufolge „die globale Optimierung durch erweiterte geometrische Freiheit und Dimensionalität sowie eine umfassende Materialdatenbank“.

Um nun die Realisierbarkeit ihres Designsystems zu beurteilen, stellten die Forscher vier Mustermaterialien her und testeten anschließend deren Leistung. 

Eines der Meta-Emitter-Materialien wurde auf das Dach eines Modellhauses aufgetragen. Um seine Kühlwirkung zu analysieren, wurde das Material mit handelsüblichen weißen und grauen Farben verglichen. Nachdem das Dach vier Stunden lang direkter Mittagssonne ausgesetzt war, stellten die Forscher fest, dass das neu entwickelte Material im Durchschnitt 5 bis 20 Grad Celsius kühler war als herkömmliche Farben.

Auf dieser Grundlage schätzt das Team, dass ihr Material in einer heißen Stadt wie Bangkok etwa 15,800 Kilowattstunden (kWh) Kühlkosten pro Jahr für ein Mehrfamilienhaus einsparen wird. Eine Standard-Klimaanlage verbraucht typischerweise etwa 1,500 kWh pro Jahr.

Die vom Team entwickelten Materialien können zur Energieeinsparung im privaten und gewerblichen Bereich eingesetzt werden. In Städten können sie durch die Reflexion des Sonnenlichts und die Abgabe gezielter Wärmewellenlängen zur Temperatursenkung beitragen. So kann das Material potenziell den städtischen Wärmeinseleffekt reduzieren, der durch begrenzte Grünflächen und dichte Betonstrukturen entsteht.

Doch das ist nicht alles, wofür sie eingesetzt werden. Das Material kann auch im Weltraum eingesetzt werden, wo es die einfallende Sonnenstrahlung und die abgegebene Wärme effizient reguliert und so zur Temperaturregulierung von Raumfahrzeugen beiträgt.

Die Anwendungsfälle thermischer Meta-Emitter gehen weit darüber hinaus. So lässt sich durch die Integration in Stoffe und Textilien beispielsweise die Kühltechnologie in Kleidung und Outdoor-Ausrüstung verbessern. 

Ein weiteres Beispiel sind Autos. Durch die Ummantelung von Fahrzeugen mit thermischen Meta-Emittern und deren Einbettung in die Innenraummaterialien lässt sich die Hitzeentwicklung in der Sonne reduzieren.

Trotz ihrer vielen Vorteile konnten sich diese Materialien aufgrund ihres aufwändigen Designprozesses bisher nicht durchsetzen, und selbst automatisierte Optionen hatten Schwierigkeiten mit ihrer komplexen 3D-hierarchischen Struktur. Doch mit dem neuesten KI-Framework kann sich das endlich ändern.

„Die Entwicklung dieser Materialien war traditionell zeitaufwendig und arbeitsintensiv und beruhte auf Versuch und Irrtum. Dieser Ansatz führt oft zu suboptimalen Designs und schränkt die Fähigkeit ein, Materialien mit den notwendigen Eigenschaften für eine effektive Wirkung zu entwickeln.“

– Zheng

Daher werden die Forscher weiterhin an ihrer Technologie arbeiten, sie verfeinern und auf zusätzliche Aspekte der Nanophotonik anwenden.

„Maschinelles Lernen ist vielleicht nicht die Lösung für alles, aber die einzigartigen spektralen Anforderungen des Wärmemanagements machen es besonders geeignet für die Entwicklung leistungsstarker Wärmestrahler.“

– Co-Autor Kan Yao

Wie KI die Entdeckung neuer Materialien beschleunigt

Die Materialwissenschaft konzentriert sich auf die Struktur, Eigenschaften, Verarbeitung und Leistungsfähigkeit von Materialien und bildet die Grundlage für alles, von der Luft- und Raumfahrt über die Elektronik und Energie bis hin zur Medizin und vielen anderen Bereichen. 

Tatsächlich haben die Entdeckung und Entwicklung neuer Materialien die Menschheitsgeschichte über Jahrhunderte hinweg entscheidend geprägt und den technologischen Fortschritt vorangetrieben.

Seit Jahrzehnten verlassen wir uns auf den Versuch-und-Irrtum-Ansatz, um neue anorganische Materialien mit günstigen Eigenschaften zu finden. Dieser Ansatz ist extrem ressourcenintensiv und erfordert Hunderttausende von Experimentierstunden, um zunächst nur eine Handvoll potenzieller neuer Materialien zu identifizieren und anschließend zu synthetisieren.

Die Komplexität von Materialien auf molekularer und atomarer Ebene macht die Entdeckung neuer Materialien zu einem langwierigen und teuren Prozess. Die zunehmende Verfügbarkeit von Supercomputern veränderte die Materialwissenschaft, indem sie die Simulation des Materialverhaltens ermöglichte.

Und nun führt die KI zu einer Revolution in diesem Bereich, indem sie den computergestützten Ansatz in der Materialwissenschaft beschleunigt. Indem sie die gewünschten Materialeigenschaften und -beschränkungen bereitstellen, können generative KI-Systeme nun völlig neuartige Materialien schaffen.

Denn die heutigen fortschrittlichen Modelle, die auf riesigen Datensätzen trainiert werden, sind in Kombination mit Hochdurchsatzrechnern in der Lage, Kandidatenmaterialien rasch anhand gewünschter Parameter zu prüfen und so die Eigenschaften zahlreicher Substanzen in sehr kurzer Zeit vorherzusagen.

Durch KI lassen sich nicht nur erhebliche Entwicklungszeit sowie personelle und materielle Ressourcen einsparen, sondern gleichzeitig auch komplexe und vielfältige Marktanforderungen präzise erfüllen.

Wie Kristin Persson, Professorin für Materialwissenschaften an der University of California, Berkeley, bekanntWir befinden uns derzeit in einem Paradigma, in dem die Wissenschaft von Big Data und KI getrieben wird. Wir verfügen heute über genügend Daten, um Algorithmen für maschinelles Lernen zu trainieren, und „das bringt ein völlig neues Maß an Innovationsgeschwindigkeit mit sich“, sagte sie.

Interessanterweise profitiert KI auch von der Entdeckung neuer Materialien. KI ist datenhungrig, und in der Materialwissenschaft mangelt es an Daten. Mithilfe dieser Technologie können Materialeigenschaften simuliert und die daraus resultierenden Daten zum Training von Machine-Learning-Modellen genutzt werden.

Persson leitet derzeit das instituts- und länderübergreifende Projekt „Materials Project“, das Supercomputing und fortschrittliche Simulationsmethoden nutzt, um die Eigenschaften aller bekannten anorganischen Materialien und darüber hinaus zu berechnen. Die Daten stehen für die Entwicklung neuartiger Materialien kostenlos zur Verfügung.

Klicken Sie hier, um mehr über adaptive Dachziegel zu erfahren, die zur Reduzierung des Heiz-/Kühlenergieverbrauchs beitragen können.

Durchbrüche in der KI-gestützten Materialforschung

Forscher der U of T Engineering ein neues Werkzeug eingeführt² Kürzlich wurde eine Studie veröffentlicht, die genau vorhersagt, wie ein neues Material am besten genutzt werden könnte, um die Zeitspanne zwischen der Entdeckung eines Materials und seiner Einführung zu verkürzen.

Das multimodale KI-Tool verwendet Daten aus der Frühphase, um die potenzielle reale Verwendung eines neuen Materials vorherzusagen, wobei der Schwerpunkt auf einer bestimmten Kategorie poröser Materialien, den sogenannten Metall-organischen Gerüsten (MOFs), liegt. 

Allein im vergangenen Jahr entwickelten Forscher über 5,000 verschiedene Arten dieser Materialien mit anpassbaren Eigenschaften, wie Studienleiter Professor Seyed Mohamad Moosavi von der Universität Toronto (ChemE) erklärte. Die Herausforderung liege darin, dass sich ein für eine bestimmte Anwendung entwickeltes MOF oft als für eine ganz andere Anwendung geeignet erweist.

„Bei der Materialforschung lautet die typische Frage: ‚Welches Material eignet sich am besten für diese Anwendung?‘“, so Moosavi. „Wir haben die Frage umgedreht und gefragt: ‚Was ist die beste Anwendung für dieses neue Material?‘ Da täglich so viele Materialien hergestellt werden, wollen wir den Fokus von ‚Welches Material stellen wir als Nächstes her?‘ auf ‚Welche Bewertung sollten wir als Nächstes vornehmen?‘ verlagern.“

Der ChemE-Doktorand Sartaaj Khan entwickelte daher ein multimodales maschinelles Lernsystem, das mit verschiedenen Datentypen trainiert wurde. Multimodalität war hier entscheidend, da sie dem Modell ein vollständigeres Bild lieferte und so präzisere Vorhersagen ohne Nachsynthese ermöglichte.

Forscher des Argonne National Laboratory nutzten unterdessen ein generatives KI-Diffusionsmodell, um generieren über 120,000 MOF³ Kandidaten in etwas mehr als einer halben Stunde mithilfe eines Supercomputers. Das modifizierte neuronale Netzwerk reduzierte die Anzahl der MOFs auf 364, die als leistungsstark galten.

Nach einigen weiteren Tagen und weiteren Computeranalysen fand das Team 102 stabile MOFs im Datensatz. Sechs davon hatten eine CO6-Kapazität, die zu den oberen 2 % der Materialien in der beliebten hMOF-Datenbank gehörte.

In einem anderen Beispiel nutzten Wissenschaftler KI, um völlig neue Nanomaterialien zu entwickeln⁴ die so leicht wie Styropor sind, aber die Festigkeit von Kohlenstoffstahl haben. 

Festigkeit und Zähigkeit stehen bei vielen Materialien im Widerspruch zueinander, auch bei nanostrukturierten Materialien, die aus ultrakleinen Bausteinen bestehen. Wiederholte Anwendung dieser Bausteine verleiht dem Material Festigkeit, kann aber auch Spannungskonzentrationen verursachen, die zu plötzlichen Brüchen führen. 

Um bessere Wege zur Entwicklung von Nanomaterialien zu finden, simulierten die Forscher mögliche Geometrien und ließen sie dann durch einen Algorithmus laufen, der aus ihren Entwürfen lernte, die besten Formen für eine gleichmäßige Verteilung der angewandten Spannungen beim Tragen einer schweren Last vorherzusagen.

Die Forscher verwendeten einen 3D-Drucker, um diese Formen zum Leben zu erwecken, und stellten fest, dass sie einer Belastung von 2.03 Megapascal (MPa) pro Kubikmeter pro Kilogramm standhalten können, was fünfmal höher ist als die von Titan.

Forscher sehen in ihnen ein Anwendungspotenzial in ultraleichten Komponenten in der Luft- und Raumfahrt, um den Treibstoffbedarf und den hohen CO2-Fußabdruck des Fliegens zu reduzieren.

Laut Erstautor Peter Serles, einem Ingenieurforscher am Caltech:

„Dies ist das erste Mal, dass maschinelles Lernen zur Optimierung nanostrukturierter Materialien eingesetzt wurde, und wir waren von den Verbesserungen überrascht. Es replizierte nicht nur erfolgreiche Geometrien aus den Trainingsdaten, sondern lernte auch, welche Formänderungen funktionierten und welche nicht. So konnte es völlig neue Gittergeometrien vorhersagen.“

Auch in der Stadtplanung wird die KI-basierte Materialfindung umfassend eingesetzt. A kollaborative Forschung⁵ Die Universität Peking und die Universität von Süddänemark haben ein fortschrittliches Framework entwickelt, das Deep Learning mit Fernerkundung integriert, um Baumaterialien mit beispielloser Präzision zu identifizieren.

Neben der Energieeffizienz kann KI auch die Stadtplanung verbessern, indem sie bei der Umweltüberwachung und beim Umweltschutz, beim Wohnungs- und Infrastrukturausbau sowie bei der öffentlichen Sicherheit und Katastrophenhilfe hilft.

Klicken Sie hier, um mehr über blattlose Windturbinen zu erfahren, die oft als die Zukunft sauberer Energie bezeichnet werden.

Investition in KI-basierte Materialforschung

Wenn wir uns das Investitionspotenzial von KI ansehen, ist es enorm, mit dem Markt geschätzter Wert von Billionen in den kommenden Jahren. Wenn es um Unternehmen geht, die diesen technologischen Fortschritt, insbesondere in der Materialwissenschaft, anführen, stechen zwei Namen hervor: Microsoft (MSFT -0.44 %) und Google (Alphabet Inc.) (GOOG + 0.53%), die eigene Modelle entwickelt haben, um den Umfang und die Präzision der Materialforschung zu verbessern. In diesem Artikel konzentrieren wir uns jedoch auf Alphabet Inc.

Alphabet Inc. (GOOG + 0.53%)

Ende 2023 veröffentlichte Googles DeepMind ein KI-Tool namens Graph Networks for Materials Exploration (Gnome), um den Materialentdeckungsprozess zu beschleunigen. Damals berichtet⁶ 2.2 Millionen neue Kristalle mithilfe des Deep-Learning-Tools finden.

Dies, so Google, „entspricht etwa dem Wissen von 800 Jahren und zeigt ein beispielloses Ausmaß und Maß an Genauigkeit bei den Vorhersagen.“ Die neu entdeckten Kristalle enthielten 380,000 stabile Materialien, was sie zu vielversprechenden Kandidaten für die experimentelle Synthese macht und sie als Grundlage für zukünftige Technologien eignet.

Das Gnome-Modell ist ein Graph-Neural-Network-Modell (GNN), bei dem die Eingabedaten als Graph dargestellt werden. Gnome wurde anhand von Daten des Materials Project, einschließlich Kristallstrukturen und deren Stabilität, trainiert, um neue Kristallkandidaten zu generieren und deren Stabilität vorherzusagen.

Google bewertete die Vorhersagekraft des Systems durch wiederholte Leistungsüberprüfungen mithilfe der Dichtefunktionaltheorie (DFT). Für den Trainingsprozess nutzte Google aktives Lernen, bei dem die gewonnenen Daten in das Modell zurückgespielt wurden, was die Leistung von Gnome deutlich steigerte. 

Die Genauigkeit der Stabilitätsvorhersage des Modells stieg laut Google von 50 % auf 80 %. Die Effizienz des Modells konnte von unter 10 % auf über 80 % gesteigert werden.

Darüber hinaus wurden rund 736 vom Genome vorhergesagte Materialien von externen Forschern unabhängig synthetisiert. Google arbeitete zudem mit dem Lawrence Berkeley National Laboratory zusammen, um 41 neue Materialien zu synthetisieren. Dies bestätigte die Vorhersagekraft des Tools und die Leistungsfähigkeit autonomer Experimente.

Werfen wir nun einen Blick auf die Entwicklung des Giganten mit einer Marktkapitalisierung von 2.2 Billionen US-Dollar. Zum Zeitpunkt des Schreibens notieren die Aktien bei rund 182 US-Dollar, ein Rückgang von 3.86 % seit Jahresbeginn. Der Gewinn pro Aktie (EPS) beträgt 8.97 und das KGV (KGV) 20.29. Die Dividendenrendite beträgt 0.46 %.

Was die Unternehmensfinanzen betrifft, meldete Googles Muttergesellschaft Alphabet für das erste Quartal (Ende 90.2. März 1) einen Umsatz von 31 Milliarden US-Dollar. Der Gewinn pro Aktie lag bei 2025 US-Dollar. Diese Zahlen, so CEO Sundar Pichai, „spiegeln ein gesundes Wachstum und eine positive Dynamik im gesamten Unternehmen wider. Grundlage dieses Wachstums ist unser einzigartiger Full-Stack-Ansatz für KI.“

Aktuelle Aktiennachrichten und Entwicklungen zu Alphabet Inc. (GOOG)

Fazit

KI verändert jeden Aspekt unseres Lebens, auch die Art und Weise, wie wir Materialien entwickeln, die unsere Zukunft prägen. Die Integration der Technologie in die Materialwissenschaften stellt einen echten Paradigmenwechsel dar und beschleunigt Entdeckungen, die früher Jahre dauerten, heute aber nur noch Tage oder gar Stunden dauern.

Um es einfach auszudrücken: KI wird die Materialinnovation der nahen Zukunft vorantreiben, indem sie riesige Datensätze, Hochdurchsatzrechnen und generative Modelle nutzt und es Forschern ermöglicht, neuartige Materialien mit beispielloser Effizienz und Präzision vorherzusagen, zu entwerfen und zu optimieren.

Klicken Sie hier, um mehr über Aktien für saubere Energie mit Umweltfokus zu erfahren.

References:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabreitbandige und bandselektive thermische Meta-Emitter durch maschinelles Lernen. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, ST; Moosavi, SM: Anwendungsmöglichkeiten der Metall-organischen Gerüstsynthese durch multimodales maschinelles Lernen. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Ein generatives Framework für künstliche Intelligenz basierend auf einem molekularen Diffusionsmodell für das Design von Metall-organischen Gerüsten zur Kohlenstoffabscheidung. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, PG; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, PM; Portela, CM; Wegener, M.; Howe, J.; Singh, Lebenslauf; Zou, Y.; Ryu, S.; Filleter, T. Ultrahohe spezifische Festigkeit durch Bayesianische Optimierung von Kohlenstoffnanogittern. Fortgeschrittene Werkstoffe 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, SRB; Yu, B.; Creutzig, F.; Liu, G. Urban Fabric Decoded: Hochpräzise Identifizierung von Baumaterialien mittels Deep Learning und Fernerkundung. Umweltwissenschaften und Ökotechnologie 2025, 24 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, SS; et al. Skalierung von Deep Learning für die Materialforschung. Natur 2023, 62480-85. https://doi.org/10.1038/s41586-023-06735-9