Di Dalam Laboratorium Berbasis AI: Era Baru Penemuan Material

Seperti halnya sejumlah industri yang terus berkembang, ilmu material juga dibantu oleh kecerdasan buatan (AI).

Di sini, algoritma pembelajaran mesin (ML) menganalisis kumpulan data yang besar dan mengidentifikasi pola untuk menyarankan kandidat material yang menjanjikan dalam waktu minimal, sambil mengonsumsi sumber daya yang jauh lebih sedikit daripada metode coba-coba.

Pekerjaan manual tradisional yang padat karya manusia yang telah ditingkatkan dengan munculnya sistem komputasi, yang memungkinkan perhitungan rumit, kini sepenuhnya direvolusi oleh proses otomatis, paralel, dan berulang yang didorong oleh AI, simulasi, dan otomatisasi eksperimental. 

Perkembangan teknologi AI yang dipadukan dengan komputasi berperforma tinggi dan teknologi cloud hybrid, membantu ilmu material memasuki paradigma baru ditandai oleh penemuan material baru yang dipercepat, pemodelan prediktif sifat material, dan eksperimen otonom. 

This paradigm shift enables researchers to transition from trial-and-error approaches to design, significantly reducing development cycles and paving the way for advanced materials in aplikasi energi, elektronik, perawatan kesehatan, dan keberlanjutan.

Baru-baru ini, para peneliti dari North Carolina State University mengambil langkah besar lebih jauh dengan menciptakan laboratorium self-driving untuk mencapai lompatan baru dalam otomatisasi laboratorium dan lebih mempercepat penemuan material oleh para ilmuwan..

Laboratorium otomatis mengumpulkan data sepuluh kali lebih banyak daripada laboratorium manual tradisional. metode. Dengan langkah ini, para peneliti dapat melakukan eksperimen kimia dinamis secara real-time, menghemat waktu dan sumber daya sekaligus memungkinkan terobosan yang lebih cepat.

Penemuan-penemuan laboratorium baru tidak akan memakan waktu bertahun-tahun lagi; sebaliknya, kita melihat masa depan di mana penemuan-penemuan akan terjadi dalam hitungan hari.

Lab Bertenaga AI: Pembelajaran Real-Time untuk Penemuan Real-Time

Agar mengatasi tantangan global dalam energi bersih, kesejahteraan manusia, dan keberlanjutan, hal ini kritis untuk membuat penemuan cepat terhadap material fungsional tingkat lanjut. penemuan dan sintesis material baru juga merupakan kunci bagi teknologi inovatif 'like' baterai, chip komputer, panel surya, dan banyak lebih.

Akibatnya, banyak sekali kemajuan telah telah dibuat dalam platform percepatan material dan laboratorium kendaraan otonom.

Meskipun ada kemajuan, kapasitas platform dan laboratorium ini untuk mengeksplorasi ruang parameter yang kompleks terhambat dengan throughput data yang rendah. Lambat transfer dan pemrosesan data menyebabkan berkurangnya produktivitas.

Oleh karena itu, para peneliti di Universitas Negeri Carolina Utara telah “memperkenalkan eksperimen aliran dinamis sebagai strategi intensifikasi data untuk sintesis material anorganik dalam laboratorium fluida otomatis melalui pemetaan berkelanjutan kondisi reaksi transien ke ekuivalen kondisi tunak.”

Diterbitkan di Nature Chemical Teknik¹, penelitian ini merinci laboratorium self-driving canggih yang menggunakan eksperimen waktu nyata untuk terus mengumpulkan data, sehingga penyusunan penemuan material lebih cepat dan efisien sambil mengurangi biaya dan dampak lingkungan.

Atas pekerjaan mereka, penelitian ini menerima dukungan dari National Science Foundation dan program Inisiatif Peluang Penelitian Universitas North Carolina.

Sekarang, apa sebenarnya arti dari laboratorium pengemudian mandiri (SDL)? Nah, ini adalah platform robotik yang menggabungkan pembelajaran mesin dan otomatisasi dengan ilmu kimia dan material untuk menemukan material lebih cepat. Dalam platform eksperimental modular berbantuan pembelajaran mesin ini, serangkaian eksperimen, yang dipilih oleh algoritma ML, dilakukan secara berulang untuk mencapai tujuan yang diprogramkan.

Bayangkan jika para ilmuwan dapat menemukan material terobosan untuk energi bersih, perangkat elektronik baru, atau bahan kimia berkelanjutan dalam hitungan hari, alih-alih tahun, hanya menggunakan sebagian kecil material dan menghasilkan limbah yang jauh lebih sedikit daripada kondisi saat ini.

– Rekan penulis makalah ini, Milad Abolhasani, Profesor Teknik Kimia dan Biomolekuler ALCOA di North Carolina State University

Dia menambahkan:

"“Karya ini membawa masa depan itu selangkah lebih dekat.” 

Mewakili pendekatan transformatif untuk mempercepat penemuan ilmiah, laboratorium self-driving semakin populer di bidang kimia dan ilmu material.. 

Laboratorium swakemudi yang menggunakan reaktor aliran kontinu sering kali mengandalkan eksperimen aliran keadaan tetap, di mana berbagai prekursor digabungkan sebelum reaksi kimia terjadi, dan campuran tersebut mengalir terus menerus sebuah mikrokanal. 

Produk yang keluar dari situ kemudian dikarakterisasi oleh serangkaian sensor setelah reaksi selesai.

“Pendekatan yang mapan terhadap laboratorium swakemudi ini telah memberikan dampak yang dramatis terhadap penemuan material,” ujar Abolhasani, seraya menyampaikan bahwa hal ini memungkinkan para ilmuwan untuk “mengidentifikasi kandidat material yang menjanjikan untuk aplikasi spesifik dalam hitungan bulan atau minggu, alih-alih tahun, sekaligus mengurangi biaya dan dampak lingkungan dari pekerjaan tersebut.” Namun itu tidak sempurna sama sekali, masih ada yang perlu diperbaiki.

Khususnya, sistem diam ketika reaksi kimia terjadi sebelum material yang dihasilkan dapat be ditandai. Waktu tunggu untuk laboratorium swakemudi dapat mencapai satu jam untuk setiap percobaan aliran kondisi tetap.

“Kami sekarang telah menciptakan laboratorium self-driving yang memanfaatkan eksperimen aliran dinamis, di mana campuran kimia terus-menerus divariasikan melalui sistem dan dipantau secara real time.”

– Abolhasani 

Apa ini cara adalah bahwa mereka menghilangkan proses menjalankan sampel terpisah melalui sistem dan menguji masing-masing atau mereka satu pada suatu waktu setelah mereka mencapai suatu keadaan. 

Sebaliknya, mereka telah membangun sebuah sistem yang hanya tidak berhenti berjalan. Sampel terus bergerak melalui sistem. Kredensial mikro adalah karena “sistem tidak pernah berhenti mengkarakterisasi sampel,” dan peneliti dapat “menangkap data tentang apa yang terjadi dalam sampel setiap setengah detik.”

Integrasi eksperimen aliran dinamis dalam laboratorium fluida otomatis menandai keberangkatan dari eksperimen batch tradisional. 

Berbeda dengan pendekatan konvensional, di mana titik data terisolasi dikumpulkan dalam kondisi stabil, in eksperimen aliran dinamis, prinsip mikrofluida dimanfaatkan untuk cepat pemetaan kondisi reaksi.

Dengan menciptakan aliran data yang konstan, secara drastis memperluas data eksperimen yang dapat diakses.

Abolhasani menggambarkan bahwa tim sekarang mendapat 20 titik data tentang apa yang dihasilkan percobaan, dimulai dengan satu setelah 0.5 detik waktu reaksi, kemudian satu setelah 1 detik waktu reaksi, dan seterusnya, tidak seperti satu titik data yang mereka inginkan mendapatkan setelah 10 detik waktu reaksi. Dia menambahkan:

"Rasanya seperti beralih dari satu cuplikan menjadi film penuh reaksi yang terjadi. Alih-alih menunggu setiap eksperimen selesai, sistem kami selalu berjalan, selalu belajar." 

Memiliki lebih banyak data dapat memberikan dampak yang luar biasa terhadap kinerja lab yang didukung AI. Data, bagaimanapun juga, adalah kunci dari sebuah algoritma. AI sangat bergantung pada data, dan berdasarkan data tersebut, sudah diberi makan, algoritma membuat prediksi.

Menurut Abolhasani:

“Bagian terpenting dari setiap laboratorium kendaraan otonom adalah algoritma pembelajaran mesin yang digunakan sistem untuk memprediksi eksperimen mana yang harus dilakukan selanjutnya.” 

Dengan demikian, pendekatan streaming data memungkinkan otak ML di laboratorium swakemudi untuk membuat keputusan yang tidak hanya lebih cepat tetapi juga lebih cerdas, “mengasah material dan proses yang optimal dalam waktu yang lebih singkat.”

Kualitas data juga menentukan keakuratan prediksi. Jadi, oleh memiliki data eksperimen berkualitas lebih tinggi, algoritma dapat membuat prediksi yang lebih akurat, lalu it bisa memecahkan masalah lebih cepat. 

“Hal ini memiliki manfaat tambahan yaitu mengurangi jumlah bahan kimia yang dibutuhkan untuk menghasilkan solusi.” 

– Abolhasani

Untuk mendemonstrasikan kemampuan sistem mereka, tim menerapkan eksperimen aliran dinamis pada titik kuantum koloid CdSe. Titik kuantum ini digunakan sebagai uji coba karena statusnya sebagai sistem anorganik yang mapan, tidak hanya dengan ketergantungan parameter yang kaya tetapi juga potensi teknologi yang substansial.

Dalam kasus ini, tim menemukan bahwa lab mereka, yang menggabungkan sistem aliran dinamis, mencapai “peningkatan efisiensi akuisisi data sebesar satu orde magnitudo.”

Hasilnya setidaknya 10x lebih banyak data daripada laboratorium kendaraan otonom lain yang memanfaatkan eksperimen aliran kondisi tetap. Selain itu, setelah dilatih, laboratorium kendaraan otonom mampu menemukan kandidat terbaik pada percobaan pertamanya.

Terobosan ini, seperti yang dikatakan Abolhasani, “bukan hanya tentang kecepatan,” tetapi tentang mencapai keberlanjutan. Dengan mengurangi jumlah percobaan yang diperlukan, sistem ini secara signifikan mengurangi konsumsi bahan kimia dan limbah, mempromosikan praktik penelitian yang lebih berkelanjutan. Abolhasani berkata:

Masa depan penemuan material bukan hanya tentang seberapa cepat kita bisa bergerak, tetapi juga tentang seberapa bertanggung jawab kita mencapainya. Pendekatan kami berarti lebih sedikit bahan kimia, lebih sedikit limbah, dan solusi yang lebih cepat untuk tantangan terberat masyarakat.

Peran AI yang Semakin Luas dalam Ilmu Material: Penemuan Terbaru yang Menarik

AI sedang mengubah industri di seluruh dunia, dan itu termasuk ilmu material, yang mendasar bagi banyak inovasi teknologi dan tantangan sosial. 

Akibatnya, pemakaian Penggunaan AI dalam penemuan dan pengembangan material baru telah sedang terjadi bertahun-tahun sekarang, tetapi memiliki Pasti mendapatkan perhatian dalam beberapa tahun terakhir seiring dengan perkembangan teknologi menjadi lebih maju dan berkemampuan. 

Dengan pengembangan yang berkelanjutan, kami berharap robotika dan otomatisasi akan meningkatkan kecepatan, ketepatan, dan reproduktifitas eksperimen di berbagai instrumen dan disiplin ilmu, menghasilkan data yang dapat dianalisis oleh sistem kecerdasan buatan untuk memandu eksperimen lebih lanjut."

– Dr. James Cahoon, salah satu penulis makalah 'Mengubah Laboratorium Sains Menjadi Pabrik Penemuan Otomatis.^{2 '}

Dengan itu, mari kita lihat beberapa kemajuan utama yang dibuat dalam ilmu material tahun ini di berbagai aplikasi.

Sebagai permulaan, seperti yang baru-baru ini kami bagikan, dengan bantuan AI, para ilmuwan telah mampu merancang meta-emitor termal 3D yang kompleks yang dapat menurunkan suhu dalam ruangan dan bantuan menyimpan biaya energi. Material yang dibuat menggunakan teknik ML yang baru dirancang dapat diaplikasikan pada bangunan perumahan dan komersial, pesawat ruang angkasa, kain dan tekstil, mobil, dan masih banyak lagi.

“Dengan mengotomatiskan proses dan memperluas ruang desain, kami dapat menciptakan material dengan kinerja unggul yang sebelumnya tak terbayangkan."

– Rekan pemimpin studi ini, Yuebing Zheng

Mengembangkan Material Logam Baru dengan Kekuatan Unggul

Beberapa bulan yang lalu, para ilmuwan melaporkan menggunakan AI untuk merancang MPEA baru atau beberapa elemen utama paduan, yang adalah ditemukan dalam komponen pesawat, konverter katalitik, dan penggantian lutut.

The newly designed MPEA comes with superior mechanical properties, which Sanket Deshmukh, associate professor in chemical engineering at Virginia Tech, said, “demonstrates how frameworks and explainable AI can unlock new possibilities in materials design."

Untuk menafsirkan analisis terbuat oleh model AI, Deshmukh dan timnya bekas Analisis SHAP (SHapley Additive exPlanations), yang diizinkan mereka untuk memahami bagaimana berbagai elemen dan lingkungan lokalnya mempengaruhi Properti MPEA, pada gilirannya, memberikan lebih banyak wawasan dan prediksi yang akurat.

Selain mempercepat penemuan paduan logam canggihDeshmukh percaya bahwa mengintegrasikan ML dengan algoritma evolusi dan validasi eksperimental juga dapat membantu kita menciptakan alat yang “dapat diperluas ke sistem material kompleks seperti glikomaterial – material polimer yang mengandung karbohidrat.”

Mengungkap Rahasia Pertumbuhan Dendritik dalam Lapisan Tipis

The penelitian³ dari Universitas Sains Tokyo (TUS) telah mengembangkan model AI yang dapat dijelaskan yang memprediksi pertumbuhan dendrit (pola percabangan seperti pohon) dalam film tipis, yang merupakan kendala utama dalam fabrikasi area besar dan membatasi komersialisasinya.

Dengan mengungkap kondisi dan mekanisme spesifik di balik percabangan dendrit, model AI membantu meningkatkan proses pertumbuhan film tipis. Perangkat film tipis adalah kritis in seperti teknologi semikonduktor.

Model AI baru ini mengintegrasikan metode pembelajaran mesin yang disebut analisis komponen utama (PCA) dan teknik topologi yang disebut homologi persisten dengan analisis energi bebas. 

Dengan mengintegrasikan topologi dan energi bebas, metode kami menawarkan pendekatan serbaguna untuk analisis material. Melalui integrasi ini, kami dapat membangun hubungan hierarkis antara struktur mikro skala atom dan fungsionalitas makroskopis di berbagai material, membuka jalan bagi kemajuan ilmu material di masa depan."

– Profesor Masato Kotsugi dari Departemen Ilmu Material dan Teknologi di TUS

Mendapatkan Pemahaman Lebih Baik tentang Nanopartikel

Sebuah tim ilmuwan dari beberapa universitas datang bersama untuk mengembangkan sebuah metode⁴ untuk lebih baik memahami perilaku dinamis nanopartikel, yang merupakan bahan dasar elektronik, farmasi, dan bahan industri.

Ia memadukan mikroskop elektron dengan AI untuk memvisualisasikan struktur dan pergerakan molekul pada resolusi waktu yang belum pernah terjadi sebelumnya.

Seperti yang dijelaskan oleh Peter A. Crozier, seorang profesor ilmu material dan teknik di Arizona State University:

Mikroskopi elektron dapat menangkap gambar dengan resolusi spasial yang tinggi, tetapi karena kecepatan perubahan struktur atom nanopartikel selama reaksi kimia, kita perlu mengumpulkan data dengan kecepatan yang sangat tinggi untuk memahami fungsinya.

Untuk mengurangi kebisingan ini, mereka mengembangkan metode AI yang secara otomatis menghilangkannya, “memungkinkan visualisasi dinamika tingkat atom yang penting.”

Sementara itu, kelompok penelitian dari Universitas Teknologi Graz membawa konstruksi nanostruktur ke tingkat baru menggunakan AI.

Untuk itu, mereka berkembang sistem AI pembelajaran mandiri yang secara otomatis memposisikan molekul individu dengan cepat dan di benar orientasi menggunakan mikroskop pemindaian terowongan, jika tidak, proses ini akan sulit dan memakan waktu, untuk memungkinkan itu bangunan “struktur molekul yang sangat kompleks, termasuk sirkuit logika dalam kisaran nanometer."

Tujuan akhirnya adalah untuk membangun koral kuantum, yang merupakan nanostruktur berbentuk gerbang yang dapat menjebak elektron, dan menggunakannya untuk membangun sirkuit logika guna mempelajari cara kerjanya pada tingkat molekuler. 

Menemukan Material Fotovoltaik yang Lebih Baik

Alternatif berkelanjutan untuk sel surya berbasis silikon konvensional, sel surya perovskit Menunjukkan janji besar sebagai teknologi fotovoltaik generasi berikutnya untuk mengubah sinar matahari menjadi listrik. 

Khasiatnya dapat ditingkatkan lebih lanjut melalui molekul yang menghantarkan muatan positif, namun ada jutaan molekul yang berbeda, yang berarti mensintesis dan menguji semuanya. Namun, dengan memanfaatkan AI dengan sintesis throughput tinggi otomatis, tim peneliti dari Institut Teknologi Karlsruhe (KIT) mampu menemukan molekul organik baru⁵ hanya dalam beberapa minggu, dengan hanya 150 percobaan yang ditargetkan.

Bahan yang baru ditemukan ini juga meningkatkan efisiensi sel surya referensi sekitar dua poin persentase.

Untuk ini, para ilmuwan beralih ke basis data dengan satu juta molekul virtual dan secara acak memilih 13,000 di antaranya sebelum memilih 101 di antaranya. Yang terpilih memiliki perbedaan terbesar dalam properti mereka, dan mereka disintesis dengan sistem robotik sebelumnya menggunakan mereka untuk memproduksi sel surya.

Meletakkan Fondasi untuk Penemuan Material Berbasis AI

Meskipun semua penemuan ini sedang dibuat, agar AI benar-benar mewujudkannya, perlu data. Kredensial mikro mencakup data tentang material serta data dari simulasi skala besar. 

Meskipun banyak database seperti itu tersedia, mereka cukup terisolasi, sehingga membutuhkan standar “agar pengguna dapat berkomunikasi dengan semua perpustakaan data ini dan memahami informasi yang mereka terima," kata Gian-Marco Rignanese, profesor di Institut Materi Terkondensasi dan Nanosains di UCLouvain di Belgia.

Jadi, musim panas lalu, sebuah kolaborasi internasional besar dirilis versi lanjutan dari standar OPTIMADE untuk memfasilitasi penemuan material berbasis AI.

OPTIMADE (Terbuka integrasi basis data untuk desain material) standar adalah bersandaran oleh jaringan besar lembaga dan basis data material internasional. Dengan tujuan memberikan pengguna akses yang lebih mudah ke database material terkemuka maupun yang kurang dikenal, versi baru dari database ini diperkenalkan yang dapat lebih mempercepat penemuan material berbasis AI yang sedang berlangsung.

Berinvestasi dalam AI untuk Penemuan Material

Ketika mencari peluang investasi di ruang ini, Alphabet Inc. (GOOGL ) milik Google adalah salah satunya telah merilis alat AI bernama Gnome. Ini telah temuan yang dilaporkan 2.2 juta kristal baru dengan itu. Lalu ada Microsoft (MSFT ), yang telah memperkenalkan MatterGen dan MatterSim untuk membuat material kandidat baru dan memvalidasinya.

Namun, ada raksasa AI lain yang telah meluncurkan modelnya sendiri untuk meningkatkan skala dan ketepatan penelitian material.

NVIDIA Perusahaan (NVDA )

Tak lain dan tak bukan, Nvidia, sang kesayangan AI. Akhir tahun lalu, perusahaan diperkenalkan NVIDIA ALCHEMI (Laboratorium AI untuk Inovasi Kimia dan Material).

Platform ini bertujuan untuk mempercepat penelitian dan pengembangan dalam bidang kimia dan ilmu material melalui kekuatan AI, dan untuk mencapai hal ini, termasuk API dan layanan mikro inferensi yang dipercepat. Kredensial mikro akan memungkinkan penciptaan dan penyebaran gen Model AI untuk menjelajahi alam semesta material yang luas dan menyarankan kandidat baru, dan pengembangan dan pemakaian model pengganti untuk mencapai keseimbangan antara itu biaya komputasi dan akurasi. Itu juga akan diizinkan untuk perkakas informatika yang dapat diakses dan model dasar yang telah dilatih sebelumnya untuk alat penyaringan dan simulasi cepat untuk melatih dan menyempurnakan Model AI untuk kasus penggunaan baru.

Melalui ALCHEMI, NVIDIA bertujuan untuk mempercepat alur kerja penemuan dan “memasuki era baru penemuan terobosan yang mendorong masa depan yang lebih berkelanjutan dan lebih sehat.”

Nvidia adalah perusahaan dengan kapitalisasi pasar $4.22 triliun, yang sahamnya diperdagangkan sekitar $173.5, naik 28.8% YTD. EPS (TTM)-nya adalah 3.10, P/E (TTM) adalah 55.73, dan imbal hasil dividen yang ditawarkan adalah 0.02%.

Berita dan Perkembangan Saham NVIDIA Corporation (NVDA) Terbaru

Kesimpulan

Ketika AI, otomatisasi, dan komputasi berkinerja tinggi datang bersamaIlmu material memasuki era yang paling transformatif, menandai pergeseran yang sangat dibutuhkan dari ilmu yang dipimpin manusia coba-coba to, autonomous discovery.

Di tengah situasi ini, laboratorium bertenaga AI dan platform eksperimental swakemudi benar-benar mengubah cara para ilmuwan tidak hanya menemukan tetapi juga menguji dan mengoptimalkan material. Terlebih lagi, dengan inisiatif seperti ALCHEMI dari NVIDIA, Gnome dari Google, dan MatterGen dari Microsoft, perusahaan teknologi besar juga mengandalkan AI untuk mendorong gelombang inovasi berikutnya!

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

Referensi:

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, RB; Bennett, JA; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, EA; Sadeghi, S.; Bateni, F.; Abolhasani, M. Intensifikasi Data Berbasis Aliran untuk Mempercepat Penemuan Bahan Anorganik Otonom. Nature Chemical Engineering, diterbitkan online 14 Juli 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Mengubah Laboratorium Sains menjadi Pabrik Penemuan Otomatis. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Nada, M.; Sato, S.; Kunii, S.; Obayashi, saya.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, AL; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, PR; Matsuda, saya.; Kotsugi, M.; dkk. Menghubungkan Struktur dan Proses Pertumbuhan Dendritik Menggunakan Homologi Persisten dengan Analisis Energi. Sains. Teknologi. Adv. Materi. Metode 2025, 5 (1), Pasal 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, PA; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, AM; Vincent, J.; Mohan, S.; Morales, AM; Kulkarni, SA; Matteson, DS; Wang, Y.; Fernandez‑Granda, C. Memvisualisasikan Dinamika Permukaan Nanopartikel dan Ketidakstabilan yang Dihasilkan oleh Denoising Mendalam. Ilmu 2025, 387 (6737), 949 – 954. https://doi.org/10.1126/science.ads2688
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.; Luer, L.; Deng, L.‑L.; Hauch, JA; Guldi, DM; Pérez‑Ojeda, M.E.; Seok, SI; Friederich, P.; Brabec, C. J. Alur Kerja Desain Terbalik Menemukan Material Pengangkut Lubang yang Disesuaikan untuk Sel Surya Perovskit. Sains 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901