5 tekoälyn läpimurtoa, jotka mullistavat materiaalien löytämisen tänään

Tekoäly (AI) jatkaa maailman ja ihmiskunnan tulevaisuuden muokkaamista.

Teknologia ajaa muutoksia lähes kaikilla aloilla suorittamalla tehtäviä, jotka tyypillisesti vaativat ihmisälyä. Tekoälyjärjestelmät hyödyntävät valtavia määriä dataa tunnistaakseen malleja ja tehdäkseen päätöksiä. 

Tällä tavoin tekoäly pystyy simuloimaan tiettyjä ihmisen kaltaisen päättelyn ja kognitiivisten prosessien tasoja.

Mukaan Maailmankaupparaporttitekoälyn tuottavuuden kasvu ja kustannushyödyt voivat nostaa maailmanlaajuista bruttokansantuotetta 12–13 prosenttia vuoteen 2040 mennessä.

Kaventamalla digitaalisen infrastruktuurin kuilua korkean tulotason talouksiin nähden 50 prosentilla ja ottamalla tekoälyn laajemmin käyttöön, matalan ja keskitulotason taloudet voivat saavuttaa jopa 15 prosentin kasvun. kasvaa heidän tuloissaan.

Sen lisäksi, että tekoäly auttaa kansakuntia vahvistamaan tuottavuuttaan, kauppaansa ja taloudellista asemaansa, se voi auttaa yhteiskuntaa edistämällä innovaatioita eri toimialoilla. Yksi tapa, jolla teknologia tekee tämän tällä hetkellä, on materiaalien löytäminen. 

Tekoälyn lupaus materiaalien löytämisessä

Materiaalien löytäminen on aina ollut avainasemassa innovaatioissa. Monta vuosisataa sitten sekoittaa kuparin ja tinan valmistus johti pronssikauteen, jolloin käyttöön otettiin vahvempia työkaluja ja aseita transformoitu kauppa ja yhteiskunnissa.

Sitten tuli rautakausi, jolloin raudan hallinta muovasi talouksia. Siirrytäänpä sitten 19-luvulle, jolloin teräs sai laajan käyttöön. Raudan ja hiilen seos, teräs, oli rautateiden, pilvenpiirtäjien, laivojen ja koneiden selkäranka, joka vauhditti teollista vallankumousta ja globaalia laajentumista.

20-luvun lopulla Piikausi muutti maailmaa löytämällä ja jalostamalla puolijohteita, jotka ovat modernin elektroniikan perusta. Elämme nyt edistyneiden materiaalien aikakautta, jossa grafeeni, hiilinanoputket ja kvanttimateriaalit avaavat ovia puhtaammalle energialle, kevyemmille lentokoneille ja nopeammalle laskennalle.

Tekoälyn ja koneoppimisen (ML) tulo edistää materiaalien ja sitä kautta useiden eri teollisuudenalojen innovaatioita nopeuttamalla merkittävästi materiaalien löytämisen, suunnittelun ja käytön prosessia.ajoitus.

Tätä varten tekoäly hyödyntää algoritmeja ja malleja seuloakseen laajoja ehdokastietokantoja tiettyjen sovellustarpeiden mukaan. Tässä syväoppimisen mallit pitää Graafineuraaliverkot (GNN) ja toistuvat neuroverkot (RNN) ovat ratkaisevan tärkeitä monimutkaisten tietojoukkojen analysoinnissa että olemme löytyi materiaalissamyös tiedettä.

He voivat myös tunnistaa näistä tietokannoista olemassa olevia materiaaleja halutuilla ominaisuuksilla ja jopa ennustaa materiaalien ominaisuuksia niiden koostumuksen ja rakenteen perusteella. 

Tekoälyn avulla materiaalitieteen ala voi siirtyä perinteisten kokeilu- ja erehdysmenetelmien ulkopuolelle, jotka ovat aikaa vieviä ja kalliita.

Lisäksi tekoälymallit voivat luoda uusia, räätälöityjä materiaalirakenteita erityisvaatimukset. Automatisoituihin kokeellisiin alustoihin integroituna tekoäly voi nopeuttaa pitkää prosessia materiaalien löytämisestä tuotantoon.

Näistä eduista huolimatta haasteet jäädä suhteessa puute laatu ja laaja tietoja tietyistä materiaaleista. Onnistunut uuden synteesin löytyi ja laboratoriossa suunnitellut materiaalit ovat toinen suuri haaste.

Kuten materiaalitieteilijä Anthony Cheetham UCSB:stä huomautti¹ luonnossa sen jälkeen tutkii DeepMindin (Googlen Alphabetin) tytäryhtiön GNoME:n tekoälytyökalun löytämän 2.2 miljoonan hypoteettisen kiteen listalla: "Yksi asia on löytää yhdiste ja aivan eri asia löytää uusi funktionaalinen materiaali."

Cheetham huomautti edelleen monien tekoälyn ennustamien yhdisteiden epäkäytännöllisyydestä ja sanoi:

"Löysimme paljon asioita, jotka olivat naurettavia."

Tämä osoittaa kuilun ennusteiden ja käytännön toteutuksen välillä. Tämä aukko vaatii yhdistelmän seuraavista: Tekoäly yhdistettynä ihmisasiantuntemukseen ja kokeelliseen tiedeeseen.

Tekoälyn lupausta materiaalitieteen mullistamisesta ei kuitenkaan voida sivuuttaa. Koska tekoäly voi johtaa materiaalien nopeampaan kehittämiseen energia-, terveydenhuolto-, auto-, ilmailu- ja muissa keskeisissä sovelluksissa, sen vaikutus on liian suuri jätettäväksi huomiotta.

Joten, katsotaanpa katso joitakin merkittävimpiä esimerkkejä tekoälyn sovelluksista materiaali tiedettä, joka osoittaa potentiaalinsa rikkoa materiaalien löytämisen ja innovoinnin rajoja. 

Pyyhkäise vierittääksesi →

1. Perovskiitti-aurinkokennot: tekoälyllä optimoidut materiaalit ja prosessointi

Yksi lupaavimmista ratkaisuista saavuttaa kestävä energia on aurinkoenergiaa, ja sen käyttöönotto on nopeasti kasvaa. Vuonna 2024 maailma asensi ennätykselliset ~600 GW aurinkoenergiaa, nouseva 33 % vuodesta 2023 alkaen. Vuosikymmenen loppuun mennessä tämä on odotettua että saavuttaa ~1 TW vuodessa.

Aurinkoenergian kasvava kysyntä luo tarpeen tehokkaammille, monipuolisemmille ja kustannustehokkaammille materiaaleille aurinkokennoille.

Perovskiitti on yksi tällainen materiaali, jolla on ainutlaatuinen kiteinen rakenne. Luonnossa esiintyvä mineraali voidaan nyt luoda uudelleen synteettisesti. Sekoittamalla orgaanisia ja epäorgaanisia alkuaineita tiedemiehet luovat synteettisiä perovskiitteja, joilla on huomattavia valoa absorboivia ominaisuuksia, mikä tekee niistä erittäin sopivia aurinkoenergiasovelluksiin.

Korkean hyötysuhteen lisäksi näillä materiaaleilla on joustavuuden ja viritettävä kaistanleveys, mutta skaalautuvuus- ja vakausongelmat jatkuvat; siksi etsitään uutta koostumustas.

Niinpä tutkijat kääntyivät AI korrelointia varten perovskiitti-aurinkokennojen (PSC) suorituskyky materiaaliominaisuuksien ja energianmuunnosprosessien avulla yli vuosikymmenen ajan sitten. Sitten he hyödynsivät teknologiaa materiaalikoostumuksen optimointiin, suunnittelustrategioiden kehittämiseen ja suorituskyvyn ennustamiseen.

Vuonna 2019 Keski-Floridan yliopiston tutkijat tarkistetaan² yli 2 000 vertaisarvioitua julkaisua noin perovskiitti kerättäväksi yli 200 datapistettä, jotka syötettiin että heidän luomansa tekoälyjärjestelmä saada Ishayoiden opettaman parhaat perovskiitti-aurinkokennojen resepti (PSC). Samana vuonna MIT:n tutkijat kehitetty³ mallina nopeuttaa uusien yhdisteiden synteesi ja analysointi kymmenkertaisesti ja löytyi kaksi uutta lyijytöntä perovskiittia, jotka ansaitsevat lisätutkimuksia.

Vuonna 2022 MIT:n ja Stanfordin yliopiston tutkijat raportoitu⁴ ottaen apua Tekoäly skaalaa edistyneitä aurinkokennojen valmistusta.

Tätä varten luotiin järjestelmä, jota on kehitetty useita vuosia, aiemmista kokeista saatujen tietojen sekä kokeneiden työntekijöiden henkilökohtaisiin havaintoihin perustuvien tietojen integroimiseksi. Tämä integrointi teki tuloksista tarkempia ja johti perovskiittikennojen valmistukseen, joiden energianmuunnoshyötysuhde oli 18.5 %.

Tämä on toisin kuin useimmat koneoppimisjärjestelmät, jotka käyttävät pääasiassa raakadataa ja tyypillisesti eivät sisällytä ihmiskokemusta. Sisällyttääkseen ulkopuolista tietoa malliinsa he käyttivät Bayes-optimointiin perustuvaa todennäköisyyskerrointa, jonka avulla he pystyivät "selvittämään trendejä, joita emme aiemmin pystyneet näkemään".

Edistyneen perovskiittiaurinkoteknologian löytäminen avulla AI on jatkuu ja saaminen nopeus että kasvaa PSC-tehokkuus. Yhdessä sellaisessa opiskella⁵, tehokkuutta nostettiin 26.2 prosenttiin ja samalla säästettiin "valtavia määriä aikaa ja resursseja".

⬆ Takaisin pöytään

2. Tekoälyn löytämät sähkökatalyytit vedyn tuotantoon

Lupaava korvike uusiutumattomille fossiilisille polttoaineille että olemme vastuullinen varten valtava kasvihuonekaasupäästöjen (KHK) määrä on vety. Maailmankaikkeuden yleisin alkuaine, vety, on noussut puhtaaksi ja uusiutuvaksi energialähteeksi.

Kuitenkin, vedyn tehokas tuotanto Kaupallisen mittakaavan kysynnän tyydyttäminen on vakava haaste. Tässä vesihajotuselektrolyysi tarjoaa lupaavan reitin, jossa elektrokatalyysillä on ratkaiseva rooli. Tämä tekee edullisten, aktiivisten ja stabiilien elektrokatalyyttien kehittämisestä olennaisen edellytyksen halutun elektrokatalyyttisen vedyn tuotannon saavuttamiseksi veden pilkkomisesta.

Elektrokatalyytit kiihdyttävät vedyn tuotantoa alentamalla energiaa tarvitaan veden jakamiseen by käyttämällä kalliita jalometalleja, kuten platinaa tai edullisempia vaihtoehtoja pitää nikkeli, koboltti, grafeeni, MXeenit ja muut.

Materiaalin ominaisuuksien ja kustannusten lisäksi tietty katalyytti valitaan sen perusteella, onko reaktio hapan, emäksinen vai toimiiko se korkeissa lämpötiloissa. 

Kuitenkin, sen käyttö on erittäin aikaa vievää ja kallista perinteinen yritys ja erehdys menetelmä olemassa olevien ja uusien sopivien materiaalien etsimiseksi parannusta varten reaktiot, so AI on käytössä⁶ voittaa perinteisten lähestymistapojen rajoitukset, löytää uusia ehdokkaita ja parantaa tunnettuja tuotteita.

Tuoreessa tutkimuksessa raportoitu⁷ että sen entropiaseulonnalla testattu tekoäly on koulutettu DoE-tietojoukolla katsoi läpi 16.2 miljoonaa kemiallista koostumusta Fe12Co28Ni33Mo17Pd5Pt5:n tunnistamiseksi parhaat koostumus veden hajotukselle. Seoksella on erittäin alhaiset ylipotentiaalit sekä perustavanlaatuisissa sähkökatalyyttisissä reaktioissa, HER:ssä että OER:ssä, samalla kun sillä on vankka stabiilius.

Samaan aikaan, pari vuotta sitten, Googlen tekoälylaboratorio DeepMind osaltaan 380 000 uutta yhdistettä Materials Projectiin, alustaan, joka tukee monia katalyyttihakuja ja autonomisia kokeita. 

Energiaministeriön Berkeleyn laboratoriossa perustettua avoimen saatavuuden tietokantaa on tutkijoiden käyttäessä kokeellisesti vahvistettuja hyödyllisiä ominaisuuksia uusissa materiaaleissa, joilla on potentiaalia hiilen talteenottoon. ja kuten fotokatalyyttejä, termoelektrisiä aineita ja läpinäkyviä johtimia.

Tietokanta sisältää tietoa siitä, miten materiaalin atomit on järjestetty ja kuinka vakaa se on. GNoME oli koulutettu datan ja työnkulkujen käyttäminen se oli projektin kehittämä ja sitten parannettu kautta aktiivinen oppiminen.

Käyttäen Google DeepMindin GNoME:n laskelmia yhdessä Materials Projectin datan kanssa tutkijat testasivat A-Labia, Berkeley Labin laitosta, jossa tekoäly ohjaa robotteja uusien materiaalien valmistuksessa. A-Lab onnistui valmistettu⁸ 41 uutta yhdistettä.

⬆ Takaisin pöytään

3. Superkovat materiaalit: koneoppimisen ohjaama löytö timantin tuolle puolen

Sotilas-, ilmailu- ja energiateollisuus sekä energiantuotanto vaativat superkovia materiaaleja, jotka ovat käytännössä kokoonpuristumattomia kiinteitä aineita. Näiden materiaalien kovuusarvo ylittää 40 gigapascalia (GPa) Vickersin asteikolla, ja niillä on korkea sidoskovalenssi ja korkea elektronitiheys.

Timantti on tähän mennessä kovin tunnettu materiaali, jonka kovuus on 70–150 GPa. Tämä tarkoittaa, että timantin pintaan painauman tekemiseen tarvittaisiin enemmän kuin tämä (70–150 GPa) paine. Tämän seurauksena se käytetään leikkaustyökaluissa, hioma-aineissa, kulutusta kestävissä pinnoitteissa ja korkeapainekokeiden luomisessa.

Näitä jalokiviä, jotka ovat hiili-alkuaineen kiinteää muotoa, jonka atomit ovat järjestäytyneet timantin kuutiolliseen kiderakenteeseen, käyttävät myös tiedemiehet uusien sopivien materiaalien löytämiseen. Mutta tekoäly on muuttanut tämän.

Vuosien varrella useat tutkijat ovat löytyi⁹ uudet superkovat vaiheet, yksi raportointi¹⁰ BC10N, B4C5N3 ja B2C3N että osoittavat dynaamisesti stabiileja faaseja kovuusarvoineen >40 GPa.

Vuonna 2020 Houstonin yliopiston ja Manhattan Collegen tutkijat hyödynnetty¹¹ koneoppimismalli ennustaa tarkasti uusien materiaalien kovuutta, näin antaa heille mahdollisuuden löytää sopiva yhdisteitä helpommin.

Materiaalin pintaan minkä tahansa merkin tekemiseen tarvittava korkea paine tekee niistä harvinaisia ​​ja "uusien materiaalien tunnistaminen haastavaa". Ja juuri tästä syystä "materiaalit, kuten synteettinen timantti käytetään edelleen vaikka niiden valmistaminen on haastavaa ja kallista”, sanoi artikkelin toinen kirjoittaja, kemian apulaisprofessori Jakoah Brgoch Houstonin yliopistossa.

Monimutkaistava tekijä tässä on kuormitusriippuvuus, mikä tarkoittaa, että materiaalin kovuus voi vaihdella käytetyn paineen määrästä riippuen. Tämä tekee materiaalin testaamisesta kokeellisesti monimutkaista. Jopa laskennallisen mallinnuksen käyttö on lähes mahdotonta, joten tutkijat loivat mallin, joka ratkaisee haasteen ennustamalla kuormituksesta riippuvan Vickers-kovuuden pelkästään materiaalin kemiallisen koostumuksen perusteella.

Algoritmi oli kaupankäynti tietokannassa joka liittyi 560 eri yhdisteitä että tarvitaan läpi satoja akateemisia julkaisuja. ”Kaikki hyvät koneoppimisprojektit alkavat hyvästä datasetistä”, Brgoch sanoi. ”Todellinen menestys on pitkälti tämän datasetin kehittämisessä.”

Seurauksena he löysivät yli 10 uutta stabiilia boorikarbidifaasia, ja mallin 97 prosentin tarkkuuden ansiosta he ovat toiveikkaita onnistumisesta laboratoriossa.

Tekoälyllä on kuitenkin myös rajoituksensa, kuten Brgoch totesi: ”Koneoppimisen tarkoituksena ei ole sanoa: ’Tässä on seuraavaksi paras materiaali’, vaan auttaa ohjaamaan kokeellista etsintäämme.” Teknologian tehtävä on ”kertoa, mistä kannattaa etsiä”.

⬆ Takaisin pöytään

4. Polymeeridielektriset materiaalit: tekoälyn kiihdyttämät energian varastointimateriaalit

Nykyaikaisen energian varastoinnin olennainen osa on dielektriset aineet, jotka ovat johtamattomia materiaaleja, kuten ilma, lasi ja muovi. 

Dielektrisen materiaalin valinta on mitä määrittää kondensaattoreiden ja polymeeridielektristen materiaalien energiatiheyden ovat laajalti käytössä energian varastointia varten takia niiden alhaiset kustannukset, mekaaninen joustavuus, luotettavuus, nopea purkausnopeus ja helppo käsittely. Mutta taas, niiden alhainen energiatiheys on ongelma. 

Tämän seurauksena tutkijat jatkuvasti katso parantaa suorituskykyä kehittämällä uusia polymeerieristeitä nousevan niiden energianvarastointikapasiteettia sähköjärjestelmissä, elektroniikassa ja sähköajoneuvoissa. 

Tekoäly on edistynyt hämmästyttävästi polymeerimateriaaleissa. Esimerkiksi vain pari kuukautta sitten MIT:n ja Duken yliopiston tutkijat tekivät yhteistyötä luoda¹² kestävämpiä polymeerejä lisäämällä niihin jännitykseen reagoivia silloitinmolekyylejä, jotka tekoäly tunnisti. MIT:n tutkijat ovat myös rakennettu¹³ järjestelmä, joka löydöt, sekoittaa ja testaa jopa 700 uutta polymeeriseosta päivä sovelluksiin pitää akkuelektrolyyttejä, proteiinin stabilointia tai lääkkeiden annostelumateriaaleja.

Uusien polymeeriseosten suunnittelussa on ongelmana lähes loputon määrä mahdollisia polymeerejä., ja kerran muutamat ovat valittu sekoittaa, sitten Kunkin polymeerin koostumus on valittava, samoin kuin polymeerien pitoisuus seoksessa.

”Näin suuri suunnitteluavaruus vaatii algoritmisia ratkaisuja ja nopeampia työnkulkuja, koska kaikkia yhdistelmiä ei yksinkertaisesti voitu testata raa'alla voimalla.”

– Artikkelin vanhempi kirjoittaja, Connor Coley

Heidän tekoälyjärjestelmänsä tarjosi heille optimaaliset seokset, joista paras suoriutui 18 % paremmin kuin sen yksittäiset komponentit.

Ottaen huomioon, miten tehokkaasti tekoäly tarjoaa uusia polymeerivaihtoehtoja ja -sekoituksia, on järkevää soveltaa teknologiaa¹⁴ tunnistaa paremmat polymeerieristeet¹⁵.

Tutkijaryhmä teki juuri niin ja löysi¹⁶ dielektrisiä aineita, joiden energiatiheys on 11 kertaa suurempi kuin kaupallisilla vaihtoehdoilla korotetuissa lämpötiloissa.

Innovatiivinen algoritmi on kehitetty ennustaa polymeerien ominaisuuksia ja koostumuksia ennen itse asiassa luomalla niitä. Tätä varten he määrittelivät ensin erityisvaatimukset ja kouluttivat sitten koneoppimismalleja olemassa olevilla menetelmillä. materiaaliominaisuus dataa haluttujen tulosten ennustamiseksi.

Tekoälyn lisäksi tutkijat käyttivät vakiintunutta polymeerikemiaa ja molekyylimuokkausta löytääkseen joukon polynorborneeni- ja polyimidiperheiden dielektrisiä aineita, ja monilla löydetyistä dielektrisistä aineista on korkea energiatiheys ja korkea lämpöstabiilisuus laajalla lämpötila-alueella. 

Mutta erityisesti yhdellä oli energiatiheys 8.3 J cc−1 200 °C:ssa, joka on paljon korkeampi kuin kaupallisesti saatavilla oleva polymeeridielektrinen materiaali.

”Valkoisen talon yli kymmenen vuotta sitten käynnistämän Materials Genome Initiativen vauhdittaman tekoälyn alkuaikoina materiaalitieteessä alan tutkimus perustui pitkälti uteliaisuuteen. Vasta viime vuosina olemme alkaneet nähdä konkreettisia, tosielämän menestystarinoita tekoälyn avulla tehdyssä kiihdytetyssä polymeerien löytämisessä”, sanoo yksi tutkimuksen kirjoittajista, Georgian teknillisen instituutin professori Rampi Ramprasad. ”Nämä onnistumiset inspiroivat nyt merkittäviä muutoksia teollisten materiaalien tutkimus- ja kehitystyössä.”

⬆ Takaisin pöytään

5. Kiinteät elektrolyytit: tekoäly turvallisempiin ja tiheämpiin akkuihin

Kannettavien laitteiden ja sähköautojen laajamittaisen käyttöönoton sekä uusiutuvan energian varastointiratkaisujen kasvavan kysynnän vauhdittamana maailmanlaajuiset akkumarkkinat ovat nopeasti etenevä¹⁷. Kun otetaan huomioon tärkeä Akkujen rooli nykymaailmassa, tutkijat ovat yrittää jatkuvasti kehittää energiatehokkaampia ja turvallisempia akkuja teknologia.

Vaikka litiumioniakut ovat laajimmin käytettyjä nykyään niiden käyttöikä ja turvallisuusriskit ovat rajalliset, mikä olemme osoitettu puolijohdeakkujen (SSB) avulla. 

Nämä akut korvaavat nestemäiset elektrolyytit kiinteän olomuodon elektrolyyteillä eliminoida vähentää tulehduksen riskiä korkeissa lämpötiloissa ja samalla mahdollistaa suuremman energiatiheyden ja parantaa kestävyyttä, mikä luo turvallisempia ja tehokkaampia akkuja. 

Mutta näillä kiinteitä elektrolyyttejä sisältävissä akuissa on omat haasteensa, kuten alhainen ionijohtavuus, elektrodirajapinnan yhteensopivuus, mekaaninen ja kemiallinen stabiilius sekä kustannustehokas valmistus. Joten tutkijat tutkivat materiaaleja, jotka voivat ratkaista nämä ongelmat tekoälyn avulla.

Toisin kuin muut tänään käsittelemämme alat, akut ovat yksi kuumimmista alueista, joilla tekoälyn käyttö¹⁸ on räjähtänyt johtavien autonvalmistajien ja startup-yritysten osallistumisen myötä, jotka panostavat rahaa puolijohdeakkujen tutkimukseen ja kehitykseen. Turvallisuusriskin lisäksi alalle on myös kertynyt suuria tietokantoja, jotka ovat riittävän rikkaita koneoppimismallien kouluttamiseen.

Jopa hallitukset ovat listanneet SSB:t strategiseksi prioriteetiksi kotimaisten toimitusketjujen turvaamiseksi ja kansallisten energia- ja ilmastotavoitteiden saavuttamiseksi.

Joten on olemassa useita tapauksia, joissa tekoälyllä on auttanut¹⁹ tutkijat ja yritykset löytävät uusia kiinteitä elektrolyyttejä.

Viime vuonna Microsoftin tutkijat käytetty Tekoäly yhdessä supertietokoneiden kanssa seuloo läpi 32 miljoonaa potentiaalista epäorgaanista materiaalia että löytää 18 lupaavaa ehdokasta²⁰ in asia Muutama päivä. Uusi materiaali, N2116, on kiinteän olomuodon elektrolyytti, joka voi vähentää litiumin käyttöä akuissa 70 %, ja sitä on testattu hehkulampun virtalähteenä.

DeepMindin tekoälytyökalu GNoME puolestaan ​​on tunnistettu²¹ 528 lupaavaa litiumioniakkujohdinta, joista osa voi auttaa tekemään akuista tehokkaampia. 

Sitten on LBS²² (Li8B10S19) Stanfordin tutkijoilta, jotka kutsuivat sitä "vakaimmaksi, rikkipohjaiseksi litiumionielektrolyytiksi, jonka olemme koskaan kokeellisesti nähneet". Tutkijat ensin tunnistettu²³ kiinteät elektrolyytit että jonain päivänä korvata syttyvät nestemäiset elektrolyytit litiumioniakuissa tekoälyn avulla noin kymmenen vuotta sitten.

⬆ Takaisin pöytään

Yhteenveto

Nämä esimerkit osoittavat, että tekoäly voi nopeuttaa uusien materiaalien löytämistä. Haasteena on nyt muuttaa tietokoneella tehdyt ennusteet tosielämän tuloksiksi, mikä tarkoittaa tekoälyn yhdistämistä kokeneisiin tutkijoihin ja luotettavaan dataan.

Pyyhkäise vierittääksesi →

Näemme vasta alkuvaiheessa olevan kehityksen. Nämä löydöt vievät meitä kohti puhtaampaa energiaa, turvallisempaa teknologiaa, kestävämpiä materiaaleja ja teollisuudenaloja, jotka eivät kuluta planeettaa. Tekoäly muuttaa tapaamme tehdä materiaalitutkimusta, ja sillä on merkitystä tulevaisuuden kannalta.

Napsauta tätä saadaksesi lisätietoja tekoälyyn sijoittamisesta.

Viitteet

1. Peplow, M. (2025). Tekoäly keksii miljoonia uusia materiaaleja. Ovatko ne hyviä? luonto, 646, 22–25. Julkaistu 1. lokakuuta 2025. https://doi.org/10.1038/d41586-025-03147-92
2. Keski-Floridan yliopisto. (16. joulukuuta 2019). Tekoäly voi auttaa tiedemiehiä tekemään ruiskutettavia aurinkokennojaScienceDaily. Julkaistu 16. joulukuuta 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W. ja Peng, Y. (2019). Tehokkaat perovskiitti-aurinkokennot yhden lähteen höyrypinnoituksen avullaJoule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, AC, Colburn, TW, Ren, Z., Dauskardt, RH & Buonassisi, T. (2022). Koneoppiminen tietorajoitteilla avoimen kerroksen perovskiitti-aurinkokennojen valmistuksen prosessien optimointia varten. Joule, 6 (4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, JS, Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., De Lüng, L, L. DM, Pérez-Ojeda, ME, Seok, SI, Friederich, P. & Brabec, CJ (2024). Käänteisen suunnittelun työnkulku löytää perovskiittisille aurinkokennoille räätälöityjä reikäkuljetusmateriaaleja. tiede, 386(6727), 1256-1264. Julkaistu 13. joulukuuta 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Potentiaalin vapauttaminen: koneoppimisen sovellukset sähkökatalyyttien suunnittelussa sähkökemialliseen vetyenergian muuntamiseen. Chemical Societyn arvostelut, 53, 11390–11461. Julkaistu 9. lokakuuta 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, DW, Choi, JH, Goddard, WA ja Kang, JK (2025). Tekoälypohjainen monipätevien alkuaineseosten suunnittelu optimaalisen veden jakautumisen saavuttamiseksi. Kansallis-Akatemian tiedeakatemian artikkelit, 122(28), e2504226122. Julkaistu 15. heinäkuuta 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, NJ, Rendy, B., Fei, Y., Kumar, RE, He, T., Milsted, D., McDermott, MJ, Gallant, M., Cubuk, ED, Merchant, A., Kim, H., Jain, A., Bartel, CJ, Persson, K. & Zeng, Y. (2023). Autonominen laboratorio uusien materiaalien nopeutettuun synteesiin. luonto, 624, 86–91. Julkaistu 29. marraskuuta 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, MJ, Levy, O., Kramer, MJ & Gaultois, MW (2019). Superkovien materiaalien ennustaminen koneoppimiseen perustuvan evolutiivisen rakennehaun avulla. npj Laskennalliset materiaalit, 5, 89. Julkaistu 03. syyskuuta 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, WC, Schmidt, JN, Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, MJ (2021). Koneoppiminen ja superkovien BCN-yhdisteiden evolutiivinen ennustaminen. npj Laskennalliset materiaalit, 7, 114. Julkaistu 21. heinäkuuta 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Seuraavan superkovan materiaalin löytäminen yhtyeoppimisen avulla. Advanced Materials, 33(5), e2005112. Julkaistu 4. joulukuuta 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (5. elokuuta 2025). Tekoäly auttaa kemistejä kehittämään kestävämpiä muovejaMIT News. Haettu 5. elokuuta 2025 osoitteesta https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (28. heinäkuuta 2025). Uusi järjestelmä nopeuttaa dramaattisesti polymeerimateriaalien etsintääMIT News. Haettu 5. elokuuta 2025 osoitteesta https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, DQ (2020). Polymeeripohjaisten dielektristen materiaalien parannetun dielektrisen lujuuden etsintä: Tarkempi katsaus polymeerinanokomposiitteihin. Journal of Applied Polymer Science, 137, e49379. Julkaistu 5. huhtikuuta 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Polymeerikomposiittien korkeadielektrisyyssuunnittelu keinotekoisen neuroverkon avulla. Ammattikorkeakoulu, 12, 12592. Julkaistu 25. joulukuuta 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, AA, Cao, Y., Sotzing, G. & Ramprasad, R. (2024). Tekoälyn avulla löydetty korkean lämpötilan eristeitä energian varastointia varten. Luonto Viestintä, 15(1), 6107. Julkaistu 19. heinäkuuta 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). Akkuteollisuus on siirtynyt uuteen vaiheeseen. IEA:n kommenttiJulkaistu 5. maaliskuuta 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Kiinteän olomuodon elektrolyytin kehityksen nopeuttaminen koneoppimisen avulla. Seuraava energia, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). Tekoäly mahdollistaa puolijohdeakkujen materiaalien seulonnan ja suorituskyvyn arvioinnin. Nano-mikrokirjaimet, 17, 287. Julkaistu 6. kesäkuuta 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMindin Gnome vie tekoälyä materiaalitieteeseen. Time MagazineJulkaistu 6. kesäkuuta 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Kuinka tekoäly ja suurteholaskenta nopeuttavat tieteellisiä löytöjä. Microsoft Source – InnovaatioominaisuudetJulkaistu 29. lokakuuta 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22. Ma, Y., Wan, J., Xu, X., … (2023). Nopean ja stabiilin litiumtioboraatti-kiinteän elektrolyytin, Li6+2x[B10S18]Sx (x ≈ 1), kokeellinen löytäminen. ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanfordin yliopisto. (2016). Ei palavia akkuja: Stanfordin tiedemiehet kääntyvät tekoälyn puoleen turvallisempien litiumioniakkujen luomiseksi. Stanfordin uutisetJulkaistu 12. joulukuuta 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries