5 Terobosan AI yang Mengubah Penemuan Material Saat Ini

Kecerdasan buatan (AI) terus mengubah dunia dan membentuk kembali masa depan umat manusia.

Teknologi ini mendorong perubahan di hampir setiap sektor dengan melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia. Sistem AI memanfaatkan data dalam jumlah besar untuk mengidentifikasi pola dan mengambil keputusan. 

Dengan cara ini, AI mampu mensimulasikan tingkat tertentu penalaran dan proses kognitif seperti manusia.

Menurut Laporan Perdagangan DuniaKeuntungan produktivitas dan manfaat biaya AI dapat meningkatkan PDB global sebesar 12-13% pada tahun 2040.

Dengan mempersempit kesenjangan infrastruktur digital dengan negara-negara berpendapatan tinggi sebesar 50% dan mengadopsi AI secara lebih luas, negara-negara berpendapatan rendah dan menengah dapat melihat peningkatan hingga 15% meningkat dalam pendapatan mereka.

Selain membantu negara-negara meningkatkan produktivitas, perdagangan, dan posisi ekonomi mereka, AI dapat membantu masyarakat dengan mendorong inovasi di berbagai industri. Salah satu cara teknologi saat ini melakukannya adalah melalui penemuan material. 

Janji AI dalam Penemuan Material

Penemuan material selalu menjadi kunci inovasi. Berabad-abad yang lalu, mencampur tembaga dan timah menyebabkan Zaman Perunggu, ketika alat dan senjata yang lebih kuat berubah perdagangan dan masyarakat.

Kemudian tibalah Zaman Besi, ketika penguasaan besi mengubah perekonomian. Melompat ke abad ke-19, baja mulai diadopsi secara luas. Paduan besi dan karbon, baja menjadi tulang punggung rel kereta api, gedung pencakar langit, kapal, dan mesin, yang memicu Revolusi Industri dan ekspansi global.

Pada akhir abad ke-20, Zaman Silikon mengubah dunia dengan penemuan dan penyempurnaan semikonduktor yang menjadi fondasi elektronika modern. Kita kini berada di era material canggih, di mana grafena, karbon nanotube, dan material kuantum membuka pintu menuju energi yang lebih bersih, pesawat yang lebih ringan, dan komputasi yang lebih cepat.

Kehadiran AI dan pembelajaran mesin (ML) berkontribusi pada inovasi dalam material dan, dengan perluasan, berbagai industri dengan mempercepat proses penemuan material, desain, dan operasi secara signifikan.pengaturan waktu.

Untuk ini, AI memanfaatkan algoritma dan model untuk menyaring basis data kandidat yang luas untuk kebutuhan aplikasi tertentu. Di sini, model pembelajaran mendalam 'like' Graph Neural Networks (GNNs) dan Recurrent Neural Networks (RNNs) sangat penting untuk menganalisis kumpulan data yang kompleks bahwa adalah ditemukan dalam materials science.

Mereka juga dapat mengidentifikasi material yang ada dengan sifat yang diinginkan dari basis data ini dan bahkan memprediksi sifat material berdasarkan komposisi dan strukturnya. 

Dengan bantuan AI, bidang ilmu material dapat melampaui metode coba-coba tradisional, yang memakan waktu dan mahal.

Selain itu, model AI dapat menghasilkan struktur material baru yang disesuaikan dengan persyaratan khusus. Ketika diintegrasikan dengan platform eksperimen otomatis, AI dapat mempercepat proses panjang penemuan material hingga produksi.

Meskipun ada manfaatnya, ada tantangan tinggal dalam hal kurangnya kualitas dan luas data untuk bahan tertentu. Sukses sintesis baru ditemukan dan merancang bahan di laboratorium adalah hal lain besar tantangan.

Sebagai ilmuwan material Anthony Cheetham dari UCSB berkomentar¹ di Alam setelah memeriksa daftar 2.2 juta kristal hipotetis yang ditemukan oleh GNoME, alat AI oleh DeepMind, anak perusahaan Alphabet (Google), “Menemukan suatu senyawa adalah satu hal, dan menemukan material fungsional baru adalah hal yang sama sekali berbeda.”

Lebih lanjut mencatat ketidakpraktisan banyak senyawa yang diprediksi AI, Cheetham berkata:

“Kami menemukan banyak hal yang konyol.”

Kredensial mikro menunjukkan kesenjangan antara prediksi dan realisasi praktis. Kesenjangan ini membutuhkan kombinasi antara AI dengan keahlian manusia dan sains eksperimental.

Namun, potensi AI untuk merevolusi ilmu material tidak bisa diabaikan begitu saja. Mengingat kemampuannya mempercepat pengembangan material untuk energi, layanan kesehatan, otomotif, kedirgantaraan, dan aplikasi krusial lainnya, dampaknya terlalu besar untuk diabaikan.

Jadi ayo mari kita lihat beberapa contoh penerapan AI yang paling menonjol di bahan sains yang menunjukkan potensinya untuk mendorong batasan penemuan dan inovasi material. 

Geser untuk menggulir →

1. Sel Surya Perovskite: Material dan Pemrosesan yang Dioptimalkan untuk AI

Salah satu solusi yang paling menjanjikan Mencapai energi berkelanjutan adalah tenaga surya, dan adopsinya adalah cepat meningkat. Pada tahun 2024, dunia memasang rekor ~600 GW tenaga surya, kenaikan 33% dari tahun 2023. Pada akhir dekade ini, diharapkan untuk mencapai ~1 TW per tahun.

Meningkatnya permintaan energi surya ini menciptakan kebutuhan akan material sel surya yang lebih efisien, serbaguna, dan hemat biaya.

Perovskite adalah salah satu material yang menawarkan struktur kristal yang unik. Mineral yang terjadi secara alami sekarang dapat diciptakan kembali Dengan mencampurkan unsur organik dan anorganik, para ilmuwan menciptakan perovskit sintetis yang menunjukkan sifat penyerap cahaya yang luar biasa, sehingga sangat cocok untuk aplikasi surya.

Selain efisiensi tinggi, bahan-bahan ini menawarkan manfaat fleksibilitas dan merdu celah pita, tetapi masalah skalabilitas dan stabilitas tetap ada; oleh karena itu, pencarian komposisi barus.

Oleh karena itu, para peneliti beralih ke AI untuk mengkorelasikan kinerja sel surya perovskit (PSC) dengan sifat material dan proses konversi energi lebih dari satu dekade silam. Mereka kemudian memanfaatkan teknologi untuk mengoptimalkan komposisi material, mengembangkan strategi desain, dan memprediksi kinerja.

Pada tahun 2019, para peneliti dari University of Central Florida review jurnal² lebih dari 2,000 publikasi yang ditinjau sejawat tentang perovskit untuk mengumpulkan lebih 200 titik data, yang diberi makan untuk sistem AI yang mereka ciptakan untuk mendapatkan itu terbaik resep untuk sel surya perovskit (PSC). Pada tahun yang sama, para ilmuwan di MIT dikembangkan³ sebuah model untuk mempercepat sintesis dan analisis senyawa baru dengan faktor sepuluh dan ditemukan dua perovskit bebas timbal baru yang layak diselidiki lebih lanjut.

Pada tahun 2022, para peneliti dari MIT dan Universitas Stanford melaporkan⁴ mengambil bantuan dari AI untuk meningkatkan produksi sel surya canggih.

Untuk itu, sebuah sistem yang telah dikembangkan selama beberapa tahun telah diciptakan untuk mengintegrasikan data dari eksperimen sebelumnya serta informasi berdasarkan pengamatan pribadi para pekerja berpengalaman. Integrasi ini membuat hasil lebih akurat dan menghasilkan produksi sel perovskit dengan efisiensi konversi energi sebesar 18.5%.

Kredensial mikro tidak seperti kebanyakan sistem pembelajaran mesin, yang terutama menggunakan data mentah dan biasanya tidak menyertakan pengalaman manusia. Untuk memasukkan informasi eksternal ke dalam model mereka, mereka menggunakan faktor probabilitas berdasarkan Optimasi Bayesian, yang memungkinkan mereka untuk “menemukan tren yang sebelumnya tidak dapat kami lihat.”

Penemuan teknologi surya perovskit canggih dengan bantuan dari AI adalah terus-menerus dan mendapatkan kecepatan untuk meningkat Efisiensi PSC. Dalam satu seperti itu belajar⁵, efisiensinya meningkat menjadi 26.2% sambil menghemat “waktu dan sumber daya dalam jumlah besar.”

⬆ Kembali ke tabel

2. Elektrokatalis yang Ditemukan AI untuk Produksi Hidrogen

Pengganti yang menjanjikan untuk bahan bakar fosil yang tidak terbarukan bahwa adalah tanggung jawab untuk dahsyat jumlah emisi gas rumah kaca (GRK) adalah hidrogen. Unsur yang paling melimpah di alam semesta, hidrogen, telah muncul sebagai sumber energi yang bersih dan terbarukan.

Namun, produksi hidrogen yang efisien Memenuhi permintaan skala komersial merupakan tantangan serius. Dalam hal ini, elektrolisis pemisahan air menawarkan jalur yang menjanjikan, di mana elektrokatalisis memainkan peran penting. Kredensial mikro menjadikan pengembangan elektrokatalis yang aktif, stabil, dan berbiaya rendah sebagai prasyarat penting untuk mendapatkan produksi hidrogen elektrokatalitik yang diinginkan dari pemisahan air.

Elektrokatalis mempercepat produksi hidrogen dengan penurunan energi dibutuhkan untuk pemisahan air by memanfaatkan logam mulia yang mahal seperti platinum atau alternatif yang lebih terjangkau 'like' nikel, kobalt, grafena, MXena, dan lainnya.

Selain sifat dan biaya material, katalis spesifik dipilih berdasarkan apakah reaksinya bersifat asam, basa, atau beroperasi pada suhu tinggi. 

Namun, sangat memakan waktu dan mahal untuk digunakan tradisional coba-coba metode untuk mencari bahan-bahan yang sudah ada dan baru yang sesuai untuk meningkatkan reaksi-reaksi, so AI adalah sedang dimanfaatkan⁶ untuk mengatasi keterbatasan pendekatan tradisional, menemukan kandidat baru, dan memperbaiki produk yang dikenal.

Sebuah studi baru-baru melaporkan⁷ bahwa AI yang disaring entropinya dilatih pada kumpulan data DoE melihat melalui 16.2 juta komposisi kimia untuk mengidentifikasi Fe12Co28Ni33Mo17Pd5Pt5 sebagai terbaik komposisi untuk pemisahan air. Paduan tersebut menunjukkan potensi berlebih yang sangat rendah untuk kedua reaksi elektrokatalitik fundamental, HER dan OER, sembari memiliki stabilitas yang kuat.

Sementara itu, beberapa tahun yang lalu, laboratorium AI Google DeepMind berkontribusi 380,000 senyawa baru untuk Proyek Material, sebuah platform yang mendukung banyak pencarian katalis dan eksperimen otonom. 

Basis data akses terbuka yang didirikan di Laboratorium Berkeley Departemen Energi telah digunakan oleh para peneliti untuk secara eksperimental mengkonfirmasi sifat-sifat bermanfaat dalam material baru yang menunjukkan potensi untuk digunakan dalam penangkapan karbon. dan sebagai fotokatalis, termoelektrik, dan konduktor transparan.

Basis data tersebut mencakup bagaimana atom-atom suatu material sudah diatur dan seberapa stabilnya. GNOME dilatih menggunakan data dan alur kerja itu tadi dikembangkan oleh Proyek dan kemudian ditingkatkan melalui giat belajar.

Menggunakan komputasi dari GNoME milik Google DeepMind beserta data dari Materials Project, para peneliti menguji A-Lab, sebuah fasilitas di Berkeley Lab tempat AI memandu robot dalam membuat material baru. A-Lab berhasil diproduksi⁸ 41 senyawa baru.

⬆ Kembali ke tabel

3. Material Superkeras: Penemuan Terpandu ML Melampaui Berlian

Industri seperti militer, kedirgantaraan, dan produksi energi membutuhkan material superkeras, yang merupakan padatan yang hampir tidak dapat dikompresi. Nilai kekerasan material ini melampaui 40 gigapascal (GPa) pada skala Vickers, dan memiliki kovalensi ikatan yang tinggi serta kerapatan elektron yang tinggi.

Berlian adalah material terkeras yang diketahui hingga saat ini, dengan nilai kekerasan berkisar antara 70-150 GPa. Artinya, dibutuhkan tekanan lebih dari 70-150 GPa untuk meninggalkan lekukan pada permukaan berlian. Akibatnya, digunakan dalam alat pemotong, bahan abrasif, pelapis tahan aus, dan untuk membuat eksperimen bertekanan tinggi.

Batu-batu mulia ini, yang merupakan bentuk padat dari unsur karbon dengan atom-atomnya tersusun dalam struktur kristal kubik berlian, juga digunakan oleh para ilmuwan untuk menemukan material baru yang sesuai. Namun, AI telah mengubahnya.

Selama bertahun-tahun, beberapa peneliti telah ditemukan⁹ fase superkeras baru, dengan satu pelaporan¹⁰ BC10N, B4C5N3, dan B2C3N untuk menunjukkan fase stabil secara dinamis dengan nilai kekerasan >40 GPa.

Pada tahun 2020, para peneliti dari University of Houston dan Manhattan College dimanfaatkan¹¹ model ML untuk memprediksi kekerasan material baru secara akurat, demikian memungkinkan mereka untuk melakukannya menemukan yang sesuai senyawa lebih mudah.

Besarnya tekanan tinggi yang dibutuhkan untuk membuat tanda pada permukaan material membuat material tersebut langka, dan “menantang untuk mengidentifikasi material baru.” Dan inilah alasannya, “material seperti berlian sintetis masih digunakan meskipun sulit dan mahal untuk dibuat,” kata rekan penulis makalah Jakoah Brgoch, yang merupakan profesor madya kimia di Universitas Houston.

Faktor yang mempersulit di sini adalah ketergantungan beban, yang berarti bahwa kekerasan suatu material dapat bervariasi bergantung pada jumlah tekanan yang diberikan. Kredensial mikro membuat pengujian material menjadi rumit secara eksperimental. Bahkan menggunakan pemodelan komputasional pun hampir mustahil, sehingga para peneliti menciptakan model yang mengatasi tantangan tersebut dengan memprediksi kekerasan Vickers yang bergantung pada beban hanya berdasarkan komposisi kimia material.

Algoritmanya adalah perdagangan pada basis data yang melibatkan Senyawa 560 berbeda bahwa wajib melalui ratusan makalah akademis. "Semua proyek pembelajaran mesin yang baik dimulai dengan kumpulan data yang baik," kata Brgoch. "Keberhasilan sejati sebagian besar terletak pada pengembangan kumpulan data ini."

Hasilnya, mereka menemukan lebih dari 10 fase borokarbida stabil yang baru, dan dengan akurasi model sebesar 97%, mereka merasa berharap dapat mencapai keberhasilan di laboratorium.

AI bukannya tanpa keterbatasan, seperti yang dicatat Brgoch, “Ide menggunakan pembelajaran mesin bukanlah untuk mengatakan, 'Inilah materi terbaik berikutnya,' tetapi untuk membantu memandu pencarian eksperimental kami.” Teknologi ini “memberi tahu Anda di mana Anda harus mencari.”

⬆ Kembali ke tabel

4. Dielektrik Polimer: Material Penyimpanan Energi yang Dipercepat AI

Komponen penting penyimpanan energi modern adalah dielektrik, yang merupakan bahan non-konduktif seperti udara, kaca, dan plastik. 

Pemilihan bahan dielektrik apa menentukan kepadatan energi kapasitor, dan dielektrik polimer digunakan secara luas untuk penyimpanan energi karena biayanya rendah, fleksibilitas mekanis, keandalan, kecepatan pembuangan yang cepat, dan kemudahan pemrosesan. Tapi sekali lagikepadatan energinya yang rendah adalah masalah. 

Oleh karena itu, para peneliti terus-menerus melihat untuk meningkatkan kinerja dengan mengembangkan dielektrik polimer baru meningkatkan kapasitas penyimpanan energinya untuk aplikasi dalam sistem tenaga, elektronik, dan kendaraan listrik (EV). 

AI telah membuat kemajuan luar biasa dalam material polimer. Misalnya, beberapa bulan yang lalu, para peneliti di MIT dan Duke University berkolaborasi untuk membuat¹² polimer yang lebih tahan lama dengan menggabungkan molekul pengikat silang yang responsif terhadap stres, yang diidentifikasi oleh AI. Para peneliti MIT juga telah dibangun di¹³ sebuah sistem yang menemukan, mencampur, dan menguji sebanyak 700 campuran polimer baru sehari untuk aplikasi 'like' elektrolit baterai, stabilisasi protein, atau bahan pengantar obat.

Merancang campuran polimer baru menghadirkan masalah jumlah polimer yang hampir tak terbatas untuk memulai, dan sekali beberapa orang memiliki telah dipilih untuk mencampur, kemudian Komposisi setiap polimer harus dipilih, begitu pula konsentrasi polimer dalam campuran.

“Memiliki ruang desain sebesar itu membutuhkan solusi algoritmik dan alur kerja dengan throughput yang lebih tinggi karena Anda tidak bisa menguji semua kombinasi hanya dengan kekuatan kasar.”

– Penulis senior makalah ini, Connor Coley

Sistem AI mereka memberi mereka campuran yang optimal, dengan campuran terbaik berkinerja 18% lebih baik daripada komponen-komponen individualnya.

Mengingat efisiensi AI dalam menyediakan opsi dan campuran polimer baru, masuk akal untuk menerapkan teknologi¹⁴ untuk mengidentifikasi dielektrik polimer yang lebih baik¹⁵.

Sebuah tim peneliti melakukan hal itu dan ditemukan¹⁶ dielektrik dengan kepadatan energi 11 kali lebih besar daripada alternatif komersial pada suhu tinggi.

Algoritma inovatif dikembangkan untuk memprediksi sifat dan formulasi polimer sebelum sebenarnya menciptakannya. Untuk ini, mereka pertama-tama mendefinisikan persyaratan spesifik dan kemudian melatih model ML pada properti material data untuk memprediksi hasil yang diinginkan.

Selain AI, para peneliti menggunakan kimia polimer dan rekayasa molekuler yang mapan untuk menemukan serangkaian dielektrik dalam keluarga polinorbornena dan polimida, dengan banyak dielektrik yang ditemukan menunjukkan kepadatan energi tinggi dan stabilitas termal tinggi pada rentang suhu yang luas. 

Tapi satu khususnya menunjukkan kepadatan energi sebesar 8.3 J cc−1 pada suhu 200 °C, yang merupakan banyak lebih tinggi daripada dielektrik polimer yang tersedia secara komersial.

"Pada masa-masa awal AI dalam ilmu material, yang didorong oleh Inisiatif Genom Material Gedung Putih lebih dari satu dekade lalu, penelitian di bidang ini sebagian besar didorong oleh rasa ingin tahu. Baru dalam beberapa tahun terakhir kita mulai melihat kisah sukses nyata dan nyata dalam penemuan polimer terakselerasi berbasis AI," ujar rekan penulis Rampi Ramprasad, seorang Profesor di Institut Teknologi Georgia. "Keberhasilan ini kini menginspirasi transformasi signifikan dalam lanskap litbang material industri."

⬆ Kembali ke tabel

5. Elektrolit Padat: AI untuk Baterai yang Lebih Aman dan Berdensitas Tinggi

Didorong oleh adopsi perangkat portabel dan EV yang meluas serta meningkatnya permintaan solusi penyimpanan energi terbarukan, pasar baterai global maju dengan cepat¹⁷. Mengingat penting peran baterai dalam dunia modern, para ilmuwan terus menerus mencoba untuk mengembangkan baterai yang lebih hemat energi dan lebih aman teknologi.

Sementara baterai lithium-ion paling banyak digunakan saat ini, mereka memiliki umur pakai dan risiko keselamatan yang terbatas, yang adalah dialamatkan dengan baterai solid-state (SSB). 

Baterai ini menggantikan elektrolit cair dengan elektrolit solid-state untuk mengeliminasi risiko peradangan pada suhu tinggi sekaligus memungkinkan kepadatan energi yang lebih tinggi dan meningkatkan daya tahan, sehingga menciptakan baterai yang lebih aman dan lebih bertenaga. 

Tapi baterai dengan elektrolit padat ini menghadapi tantangannya sendiri, seperti konduktivitas ionik rendah, kompatibilitas antarmuka elektroda, stabilitas mekanis dan kimia, dan manufaktur yang hemat biaya. Jadi, para peneliti sedang mengeksplorasi material yang dapat mengatasi masalah ini melalui AI.

Berbeda dengan bidang lain yang kita bahas hari ini, baterai adalah salah satu area terpanas di mana penerapan AI¹⁸ telah meledak karena keterlibatan produsen mobil dan perusahaan rintisan terkemuka yang menggelontorkan dana untuk penelitian dan pengembangan baterai solid-state. Selain risiko keselamatan, sektor ini juga telah mengumpulkan basis data besar yang cukup kaya untuk melatih model pembelajaran mesin (ML).

Bahkan pemerintah telah mencantumkan SSB sebagai prioritas strategis untuk mengamankan rantai pasokan domestik dan mencapai tujuan energi dan iklim nasional.

Jadi, ada berbagai contoh di mana AI telah membantu¹⁹ peneliti dan perusahaan menemukan elektrolit padat baru.

Tahun lalu, para peneliti Microsoft bekas AI bersama dengan superkomputer untuk menyaring 32 juta bahan anorganik potensial untuk menemukan 18 kandidat yang menjanjikan²⁰ in masalah beberapa hari. Material baru, N2116, adalah elektrolit padat yang dapat mengurangi penggunaan litium dalam baterai hingga 70% dan telah diuji untuk menyalakan bola lampu.

Sementara itu, alat AI DeepMind, GNoME, memiliki diidentifikasi²¹ 528 konduktor lithium-ion yang menjanjikan, beberapa di antaranya dapat membantu membuat baterai lebih efisien. 

Lalu ada LBS²² (Li8B10S19) dari peneliti Stanford, yang menyebutnya “elektrolit lithium-ion berbasis sulfur paling stabil yang pernah kami lihat secara eksperimental.” Para peneliti pertama diidentifikasi²³ elektrolit padat untuk suatu hari nanti mengganti elektrolit cair yang mudah terbakar dalam baterai Li-ion melalui AI sekitar satu dekade lalu.

⬆ Kembali ke tabel

Kesimpulan

Contoh-contoh ini menunjukkan bahwa AI dapat mempercepat penemuan material baru. Tantangannya sekarang adalah mengubah prediksi komputer menjadi hasil nyata, yang berarti memadukan AI dengan peneliti berpengalaman dan data yang andal.

Geser untuk menggulir →

Yang kita saksikan masih tahap awal. Penemuan-penemuan ini mendorong kita menuju energi yang lebih bersih, teknologi yang lebih aman, material yang lebih tangguh, dan industri yang tidak menguras energi planet. AI mengubah cara kita melakukan ilmu material, dan hal itu penting untuk masa depan.

Klik di sini untuk mempelajari semua tentang berinvestasi dalam kecerdasan buatan.

Referensi

1. Peplow, M. (2025). AI sedang menciptakan jutaan material baru. Apakah material-material tersebut bermanfaat? Alam, 646, 22–25. Diterbitkan 1 Oktober 2025. https://doi.org/10.1038/d41586-025-03147-92
2. Universitas Central Florida. (16 Desember 2019). Kecerdasan buatan dapat membantu ilmuwan membuat sel surya semprotScienceDaily. Diterbitkan 16 Desember 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., dan Peng, Y. (2019). Sel surya perovskit efisiensi tinggi melalui deposisi uap sumber tunggalJoule, 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). Pembelajaran mesin dengan batasan pengetahuan untuk optimasi proses manufaktur sel surya perovskit di udara terbuka. 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., Lüer, L., Deng, L.-L., Hauch, JA, Guldi, DM, Pérez-Ojeda, SAYA, Seok, SI, Friederich, P. & Brabec, CJ (2024). Alur kerja desain terbalik menemukan material pengangkut lubang yang disesuaikan untuk sel surya perovskit. Ilmu, 386(6727), 1256-1264. Diterbitkan 13 Desember 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Membuka potensi: aplikasi pembelajaran mesin dalam desain elektrokatalis untuk transformasi energi hidrogen elektrokimia. Ulasan Masyarakat Kimia, 53, 11390–11461. Diterbitkan 9 Oktober 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, DW, Choi, JH, Goddard, WA, & Kang, JK (2025). Desain paduan multi-elemen berbasis AI untuk pemisahan air yang optimal. Prosiding National Academy of Sciences dari Amerika Serikat, 122(28), e2504226122. Diterbitkan 15 Juli 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). Laboratorium otonom untuk percepatan sintesis material baru. Alam, 624, 86–91. Diterbitkan 29 November 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). Memprediksi material superkeras melalui pencarian struktur evolusioner berbasis pembelajaran mesin. npj Bahan Komputasi, 5, 89. Diterbitkan 03 September 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). Pembelajaran mesin dan prediksi evolusi senyawa BCN superkeras. npj Bahan Komputasi, 7, 114. Diterbitkan 21 Juli 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Menemukan Material Superkeras Berikutnya melalui Pembelajaran Ensemble. advanced Material, 33(5), e2005112. Diterbitkan 4 Desember 2020. https://doi.org/10.1002/adma.202005112
12. Berita MIT. (5 Agustus 2025). AI membantu ahli kimia mengembangkan plastik yang lebih kuatMIT News. Diakses tanggal 5 Agustus 2025, dari https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. Berita MIT. (28 Juli 2025). Sistem baru secara dramatis mempercepat pencarian bahan polimerMIT News. Diakses tanggal 5 Agustus 2025, dari https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, DQ (2020). Pencarian peningkatan kekuatan dielektrik dari dielektrik berbasis polimer: Tinjauan terfokus pada nanokomposit polimer. Jurnal Ilmu Polimer Terapan, 137, e49379. Diterbitkan 5 April 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Desain Dielektrik Tinggi Komposit Polimer Menggunakan Jaringan Syaraf Tiruan. Ilmu Terapan, 12, 12592. Diterbitkan 25 Desember 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). Penemuan dielektrik suhu tinggi yang dibantu AI untuk penyimpanan energi. Alam Komunikasi, 15(1), 6107. Diterbitkan 19 Juli 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). Industri baterai telah memasuki fase baru. Komentar IEADiterbitkan 5 Maret 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). Mempercepat pengembangan elektrolit padat dengan pembelajaran mesin. Energi Berikutnya, 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). Kecerdasan Buatan Memberdayakan Baterai Solid-State untuk Penyaringan Material dan Evaluasi Kinerja. Huruf Nano-Mikro, 17, 287. Diterbitkan 6 Juni 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). Gnome milik DeepMind mendorong AI ke dalam ilmu material. Majalah TimeDiterbitkan 6 Juni 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Bagaimana AI dan HPC mempercepat penemuan ilmiah. Sumber Microsoft – Fitur InovasiDiterbitkan 29 Oktober 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). Penemuan eksperimental elektrolit padat litium tioborat yang cepat dan stabil, Li6+2x[B10S18]Sx (x ≈ 1). Surat Energi ACS, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Universitas Stanford. (2016). Tanpa baterai yang terbakar: Ilmuwan Stanford beralih ke AI untuk menciptakan baterai litium-ion yang lebih aman. Berita StanfordDiterbitkan 12 Desember 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries