AI Meningkatkan Perburuan Material Pendingin Berkelanjutan Generasi Berikutnya

Dalam dunia material, nanofotonik termal sangat penting untuk memungkinkan terobosan mendasar di seluruh aplikasi teknologi.

Nanofotonik termal menggabungkan nanofotonik dan ilmu termal untuk memanipulasi dan mengendalikan perpindahan panas pada skala nano. Nanofotonik termal memanfaatkan nanostruktur dan material untuk menyesuaikan radiasi termal dan aliran panas, menghasilkan kemajuan dalam berbagai aplikasi, termasuk pemanenan energi, manajemen termal, dan penginderaan.

Nanofotonika mempelajari perilaku cahaya pada skala nanometer. Sementara itu, material nanofotonik menawarkan kendali spektral dan arah atas emisi termal.

Metode tradisional untuk menemukan material semacam itu terhambat oleh pendekatan coba-coba, tetapi munculnya pembelajaran mesin (ML) dan kecerdasan buatan (AI) telah merevolusi bidang ilmu material dengan mempercepat proses penemuan, desain, dan pengoptimalan material secara signifikan.

Sementara teknologi telah menunjukkan kemampuannya yang hebat dalam desain nanofotonik dan metamaterial, merupakan tantangan untuk mengembangkan metodologi desain umum guna menyesuaikan pemancar nanofotonik berkinerja tinggi dengan kontrol ultrabroadband dan selektivitas pita yang tepat. 

Hal ini disebabkan oleh keterbatasan algoritma tradisional, perangkap optimasi lokal, serta geometri dan material yang telah ditentukan sebelumnya. 

Namun, hal ini sekarang sedang diatasi oleh para ilmuwan dari Universitas Texas di Austin, yang bekerja sama dengan peneliti dari Universitas Umeå di Swedia, Universitas Nasional Singapura, dan Universitas Shanghai Jiao Tong.

Bersama-sama, mereka memiliki merancang teknik ML¹ untuk merancang meta-emitor termal 3D yang kompleks. 

Meta-emitor adalah material rekayasa yang dirancang untuk mengendalikan dan memanipulasi radiasi elektromagnetik, menawarkan aplikasi dalam efisiensi energi dan manajemen termal. 

Kerangka kerja pembelajaran mesin kami merupakan lompatan maju yang signifikan dalam desain meta-emitor termal. Dengan mengotomatiskan proses dan memperluas ruang desain, kami dapat menciptakan material dengan kinerja superior yang sebelumnya tak terbayangkan.

- Spenelitian ini dipimpin oleh Yuebing Zheng, seorang profesor di Departemen Teknik Mesin Walker, Sekolah Teknik Cockrell

Material Berbasis AI untuk Desain Perkotaan yang Tahan Iklim

Diterbitkan di Nature, studi tersebut merinci kerangka kerja berbasis ML baru yang membantu merancang material yang dapat menurunkan suhu di dalam ruangan dan, pada gilirannya, biaya energi.

Dengan kerangka kerja mereka, para ilmuwan telah berhasil menghasilkan lebih dari 1,500 material baru yang dapat memancarkan panas secara selektif dan terkendali. Material ini juga dapat menawarkan akurasi yang lebih tinggi dalam pemanasan dan pendinginan untuk mencapai efisiensi energi yang lebih baik.

Kerangka kerja mereka dapat merancang meta-emitor termal ultrabroadband dan selektif pita dengan mengoptimalkan beberapa parameter dengan data terbatas yang mencakup keragaman material dan kompleksitas struktural 3D.

Menurut studi tersebut, arsitektur mereka memungkinkan kemampuan desain ganda. Pertama, mengotomatiskan desain invers dari berbagai kemungkinan metastruktur serta kombinasi material untuk penyesuaian spektral. Kedua, arsitektur ini memiliki "kemampuan yang belum pernah ada sebelumnya" untuk merancang berbagai meta-emitor 3D dengan menerapkan metode pemodelan tiga bidang yang mengatasi keterbatasan struktur 2D datar tradisional. 

Dalam studi mereka, tim menyajikan tujuh meta-emitor bukti konsep yang menunjukkan kinerja pendinginan optik dan radiasi yang unggul, melampaui desain canggih saat ini. Tujuh kelas meta-emitor disesuaikan dengan fungsi tertentu.

Kerangka kerja yang dapat digeneralisasikan ini dirancang untuk fabrikasi material nanofotonik 3D, yang menurut para peneliti, “memfasilitasi optimalisasi global melalui kebebasan geometri dan dimensionalitas yang diperluas serta basis data material yang komprehensif.”

Sekarang, untuk menilai kelayakan sistem desain mereka, para peneliti menghasilkan empat sampel bahan dan kemudian menguji kinerjanya. 

Salah satu material meta-emitor diaplikasikan pada atap sebuah rumah model. Untuk menganalisis kemampuan pendinginannya, material tersebut dibandingkan dengan cat putih dan abu-abu komersial standar. Para peneliti mengamati bahwa setelah atap terpapar sinar matahari langsung selama empat jam di siang hari, material baru ini rata-rata 5 hingga 20 derajat Celsius lebih dingin daripada cat tradisional.

Berdasarkan hal ini, tim memperkirakan bahwa material mereka akan menghemat sekitar 15,800 kilowatt-jam (kWh) per tahun dalam biaya pendinginan untuk gedung apartemen di kota panas seperti Bangkok. Unit AC standar umumnya mengonsumsi sekitar 1,500 kWh per tahun.

Dengan demikian, material yang diciptakan oleh tim ini dapat dimanfaatkan untuk penghematan energi di sektor perumahan dan komersial. Di perkotaan, material ini dapat membantu menurunkan suhu dengan memantulkan sinar matahari dan melepaskan panas pada panjang gelombang yang ditargetkan. Dengan demikian, material ini berpotensi mengurangi efek pulau panas perkotaan yang disebabkan oleh terbatasnya ruang terbuka hijau dan struktur beton yang padat.

Namun, penggunaannya tidak terbatas pada itu. Material ini juga dapat digunakan dalam aplikasi luar angkasa, yang secara efisien mengelola radiasi matahari yang masuk dan panas yang dipancarkan, serta membantu mengatur suhu pesawat ruang angkasa.

Penggunaan meta-emitor termal jauh melampaui hal ini. Misalnya, dengan mengintegrasikannya ke dalam kain dan tekstil, kita dapat meningkatkan teknologi pendinginan pada pakaian dan perlengkapan luar ruangan. 

Mobil juga merupakan contoh lainnya. Dengan membungkus mobil dengan meta-emitor termal dan menanamkannya ke dalam material interior, panas yang menumpuk saat mobil terpapar sinar matahari juga dapat dikurangi.

Meskipun memiliki banyak keunggulan, material-material ini belum dapat diadopsi secara luas karena proses desainnya yang rumit, dan bahkan opsi otomatis pun kesulitan menangani struktur hierarki 3D-nya yang kompleks. Namun, semua itu akhirnya dapat diubah dengan kerangka kerja AI terbaru.

Secara tradisional, perancangan material-material ini berjalan lambat dan padat karya, mengandalkan metode coba-coba. Pendekatan ini seringkali menghasilkan desain yang kurang optimal dan membatasi kemampuan untuk menciptakan material dengan sifat-sifat yang dibutuhkan agar efektif.

– Zheng

Oleh karena itu, para peneliti akan terus mengembangkan teknologi mereka, menyempurnakannya, dan menerapkannya pada aspek tambahan nanofotonik.

“Pembelajaran mesin mungkin bukan solusi untuk segala hal, tetapi persyaratan spektral unik dari manajemen termal membuatnya sangat cocok untuk merancang pemancar termal berkinerja tinggi.”

– Penulis bersama Kan Yao

Bagaimana AI Mempercepat Penemuan Material Baru

Berfokus pada struktur, sifat, pemrosesan, dan kinerja material, ilmu material membentuk dasar segala hal mulai dari kedirgantaraan, elektronik, dan energi hingga kedokteran dan banyak bidang lainnya. 

Faktanya, penemuan dan pengembangan material baru sangat penting dalam membentuk sejarah manusia selama berabad-abad, memajukan teknologi.

Selama puluhan tahun, kita telah mengandalkan pendekatan coba-coba untuk menemukan material anorganik baru dengan sifat-sifat yang menguntungkan. Pendekatan ini sangat intensif sumber daya, membutuhkan ratusan ribu jam percobaan untuk pertama-tama mengidentifikasi dan kemudian mensintesis hanya segelintir material baru yang potensial.

Kompleksitas material pada tingkat molekuler dan atomik menjadikan penemuan material baru sebagai proses yang panjang dan mahal. Oleh karena itu, meningkatnya ketersediaan superkomputer telah mengubah ilmu material dengan memungkinkan simulasi perilaku material.

Dan kini, kehadiran AI membawa revolusi di bidang ini dengan mempercepat pendekatan komputasional terhadap ilmu material. Dengan menyediakan sifat-sifat yang diinginkan untuk suatu material serta batasan-batasannya, sistem AI generatif kini dapat menciptakan material yang benar-benar baru.

Lagi pula, model-model canggih masa kini yang dilatih pada kumpulan data besar, bila dikombinasikan dengan komputasi berthroughput tinggi, mampu dengan cepat menyaring bahan-bahan kandidat terhadap parameter yang diinginkan, sehingga dapat memprediksi sifat-sifat banyak zat dalam waktu yang sangat singkat.

AI tidak hanya dapat menghemat waktu pengembangan dan sumber daya manusia dan material secara signifikan, tetapi juga dapat melakukannya sambil memenuhi persyaratan pasar yang kompleks dan beragam secara tepat.

Seperti yang dikatakan Kristin Persson, seorang profesor ilmu material di Universitas California, Berkeley, terkenalSaat ini, kita berada dalam paradigma di mana sains didorong oleh big data dan AI. Saat ini, kita memiliki cukup data untuk melatih algoritma pembelajaran mesin, dan "hal itu membawa tingkat kecepatan yang benar-benar baru dalam hal inovasi," ujarnya.

Menariknya, AI juga diuntungkan dari penemuan material baru. AI membutuhkan banyak data, sementara bidang ilmu material kekurangan data. Dengan memanfaatkan teknologi ini, sifat material dapat disimulasikan, dan data yang dihasilkan dapat digunakan untuk melatih model pembelajaran mesin.

Persson saat ini memimpin upaya multi-institusi dan multi-nasional yang disebut Materials Project, yang memanfaatkan superkomputer dan metode stimulasi canggih untuk menghitung sifat-sifat semua material anorganik yang diketahui dan seterusnya. Data tersebut tersedia secara gratis untuk merancang material baru.

Klik di sini untuk mempelajari tentang genteng adaptif yang dapat membantu mengurangi konsumsi energi pemanas/pendingin.

Terobosan dalam Penemuan Material Berbasis AI

Peneliti dari U of T Engineering memperkenalkan alat baru² baru-baru ini yang memprediksi bagaimana bahan baru dapat digunakan sebaik-baiknya untuk mengurangi jeda antara penemuan bahan dan penerapannya.

Alat AI multimoda menggunakan data tahap awal untuk memprediksi potensi penggunaan dunia nyata untuk material baru dengan fokus pada kategori spesifik material berpori yang disebut kerangka logam-organik (MOF). 

Tahun lalu, para peneliti mengembangkan lebih dari 5,000 jenis material ini, yang memiliki sifat yang dapat disesuaikan, ujar pemimpin studi, Profesor Seyed Mohamad Moosavi dari Universitas Toronto (ChemE). Ia menambahkan bahwa tantangannya adalah MOF yang dibuat untuk satu aplikasi tertentu seringkali ternyata memiliki sifat yang sesuai untuk aplikasi yang sama sekali berbeda.

“Dalam penemuan material, pertanyaan yang umum adalah, 'Material apa yang terbaik untuk aplikasi ini?'” kata Moosavi. “Kami membalik pertanyaan tersebut dan bertanya, 'Apa aplikasi terbaik untuk material baru ini?' Dengan begitu banyak material yang dibuat setiap hari, kami ingin mengalihkan fokus dari 'material apa yang akan kami buat selanjutnya' menjadi 'evaluasi apa yang harus kami lakukan selanjutnya.'”

Oleh karena itu, mahasiswa PhD Kimia, Sartaaj Khan, mengembangkan sistem pembelajaran mesin multimoda yang dilatih pada berbagai jenis data. Multimoda berperan penting di sini karena memberikan model "gambaran yang lebih lengkap" untuk membuat prediksi yang lebih akurat tanpa memerlukan pasca-sintesis.

Sementara itu, para peneliti dari Laboratorium Nasional Argonne menggunakan model difusi AI generatif untuk menghasilkan lebih dari 120,000 MOF³ kandidat dalam waktu lebih dari setengah jam menggunakan superkomputer. Jaringan saraf tiruan yang dimodifikasi mengurangi jumlah MOF menjadi 364, yang diyakini berkinerja tinggi.

Dengan beberapa hari tambahan dan analisis komputasi lebih lanjut, tim menemukan 102 MOF stabil dalam kumpulan data. 6 di antaranya memiliki kapasitas CO2 yang termasuk dalam 5% material teratas dalam basis data hMOF yang populer.

Dalam contoh lain, para ilmuwan menggunakan AI untuk merancang nanomaterial yang benar-benar baru⁴ yang seringan Styrofoam namun memiliki kekuatan seperti baja karbon. 

Kekuatan dan ketangguhan cenderung saling bertentangan pada banyak material, termasuk material berarsitektur nano, yang terdiri dari blok-blok penyusun ultra-kecil. Ketika diulang, blok-blok penyusun ini membuat material kuat, tetapi juga dapat menyebabkan konsentrasi tegangan yang menyebabkan kerusakan mendadak. 

Untuk menemukan cara yang lebih baik dalam merancang nanomaterial, para peneliti mensimulasikan kemungkinan geometri dan kemudian menjalankannya melalui suatu algoritma yang belajar dari desain mereka untuk memprediksi bentuk terbaik untuk mendistribusikan tekanan yang diberikan secara merata sambil membawa beban yang berat.

Para peneliti menggunakan printer 3D untuk mewujudkan bentuk-bentuk ini dan menemukan bahwa bentuk tersebut mampu menahan tekanan sebesar 2.03 megapascal (MPa) per meter kubik per kilogram, yang lima kali lebih tinggi daripada titanium.

Para peneliti melihat potensi penerapannya sebagai komponen yang sangat ringan dalam aplikasi kedirgantaraan untuk mengurangi kebutuhan bahan bakar dan jejak karbon yang tinggi dalam penerbangan.

Menurut penulis pertama Peter Serles, seorang peneliti teknik di Caltech:

Ini adalah pertama kalinya pembelajaran mesin diterapkan untuk mengoptimalkan material berarsitektur nano, dan kami terkejut dengan peningkatannya. Pembelajaran mesin tidak hanya mereplikasi geometri yang berhasil dari data pelatihan; tetapi juga mempelajari perubahan bentuk mana yang berhasil dan mana yang tidak, sehingga memungkinkannya untuk memprediksi geometri kisi yang benar-benar baru.

Penemuan material berbasis AI juga digunakan secara luas untuk perencanaan perkotaan. A penelitian kolaboratif⁵ oleh Universitas Peking dan Universitas Denmark Selatan mengembangkan kerangka kerja canggih yang memadukan pembelajaran mendalam dengan penginderaan jarak jauh untuk mengidentifikasi bahan bangunan dengan presisi yang belum pernah terjadi sebelumnya.

Selain efisiensi energi, AI dapat meningkatkan perencanaan kota dengan membantu pemantauan dan konservasi lingkungan, pembangunan perumahan dan infrastruktur, serta keselamatan publik dan tanggap bencana.

Klik di sini untuk mempelajari turbin angin tanpa bilah, yang sering disebut sebagai masa depan energi bersih.

Berinvestasi dalam Penemuan Material Berbasis AI

Jika kita melihat potensi investasi AI, potensinya sangat besar, dengan pasar diproyeksikan bernilai triliunan Dalam beberapa tahun mendatang. Berbicara tentang perusahaan-perusahaan yang memimpin kemajuan teknologi ini, terutama di bidang ilmu material, ada dua nama yang menonjol: Microsoft (MSFT + 0.12%) dan Google (Alfabet Inc.) (GOOG + 0.15%), yang telah meluncurkan model mereka sendiri untuk meningkatkan skala dan presisi penelitian material. Namun, untuk keperluan artikel ini, kami akan berfokus pada Alphabet Inc.

Alphabet Inc. (GOOG + 0.15%)

Pada akhir tahun 2023, DeepMind milik Google merilis alat AI bernama Graph Networks for Materials Exploration (Gnome) untuk mempercepat proses penemuan material. Saat itu, alat tersebut melaporkan⁶ menemukan 2.2 juta kristal baru dengan bantuan alat pembelajaran mendalam.

Google mencatat, hal ini "setara dengan pengetahuan sekitar 800 tahun dan menunjukkan skala dan tingkat akurasi prediksi yang belum pernah terjadi sebelumnya." Kristal yang baru ditemukan ini mencakup 380,000 material stabil, menjadikannya kandidat yang menjanjikan untuk sintesis eksperimental dan mampu mendukung teknologi masa depan.

Model Gnome adalah model jaringan saraf tiruan graf (GNN), yang data masukannya direpresentasikan sebagai graf. Gnome dilatih menggunakan data dari Proyek Material, termasuk struktur kristal dan stabilitasnya, untuk menghasilkan kandidat kristal baru dan memprediksi stabilitasnya.

Google menilai daya prediktifnya dengan memeriksa performanya secara berulang menggunakan Teori Fungsi Kepadatan (DFT). Untuk "proses pelatihan", Google menggunakan "pembelajaran aktif" di mana data yang dihasilkan dimasukkan kembali ke dalam model, yang secara signifikan meningkatkan performa Gnome. 

Akurasi prediksi stabilitas model, menurut Google, melonjak dari 50% menjadi 80%. Sementara itu, efisiensi model meningkat dari kurang dari 10% menjadi lebih dari 80%.

Lebih lanjut, sekitar 736 material yang diprediksi oleh Genom telah disintesis secara independen oleh peneliti eksternal. Google juga berkolaborasi dengan Lawrence Berkeley National Lab untuk mensintesis 41 material baru, yang memvalidasi kekuatan prediktif alat tersebut dan kekuatan eksperimen otonom.

Sekarang, mari kita lihat kinerja perusahaan raksasa dengan kapitalisasi pasar $2.2 triliun ini. Saat artikel ini ditulis, sahamnya diperdagangkan di kisaran $182, turun 3.86% dari tahun sebelumnya. EPS (TTM) perusahaan ini sebesar 8.97 dan P/E (TTM) sebesar 20.29. Dividen yang dibayarkan adalah 0.46%.

Mengenai keuangan perusahaan, perusahaan induk Google, Alphabet, melaporkan pendapatan sebesar $90.2 miliar untuk kuartal pertama yang berakhir pada 1 Maret 31. Laba per saham mencapai $2025. Angka-angka ini, kata CEO Sundar Pichai, “mencerminkan pertumbuhan dan momentum yang sehat di seluruh bisnis. Yang mendasari pertumbuhan ini adalah pendekatan full-stack kami yang unik terhadap AI.”

Berita dan Perkembangan Saham Alphabet Inc. (GOOG) Terbaru

Kesimpulan

AI mentransformasi setiap aspek kehidupan kita, termasuk cara kita merancang material yang membentuk masa depan kita. Integrasi teknologi ini ke dalam ilmu material merepresentasikan pergeseran paradigma yang sesungguhnya, mempercepat penemuan-penemuan yang dulunya membutuhkan waktu bertahun-tahun untuk membuahkan hasil, kini hanya membutuhkan waktu berhari-hari atau bahkan berjam-jam.

Sederhananya, AI mendorong inovasi material di masa depan dengan memanfaatkan kumpulan data besar, komputasi throughput tinggi, dan model generatif, yang memungkinkan peneliti memprediksi, merancang, dan mengoptimalkan material baru dengan efisiensi dan presisi yang belum pernah terjadi sebelumnya.

Klik di sini untuk mempelajari tentang saham energi bersih dengan fokus lingkungan.

Referensi:

1. Xiao, C.; Liu, M.; Yao, K.; dkk. Meta-Emitter Termal Ultrabroadband dan Selektif Pita dengan Pembelajaran Mesin. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, ST; Moosavi, SM Menghubungkan Sintesis Kerangka Logam-Organik dengan Aplikasi Menggunakan Pembelajaran Mesin Multimodal. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; dkk. Kerangka Kerja Kecerdasan Buatan Generatif Berbasis Model Difusi Molekuler untuk Desain Kerangka Kerja Logam-Organik untuk Penangkapan Karbon. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Hache, M.; Demingo, PG; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, PM; Portela, CM; Wegener, M.; Bagaimana, J.; Singh, CV; Zou, Y.; Ryu, S.; Filleter, T. Kekuatan Spesifik Ultratinggi dengan Optimasi Bayesian dari Karbon Nanolattices. advanced Material 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: Identifikasi Material Bangunan Presisi Tinggi melalui Pembelajaran Mendalam dan Penginderaan Jauh. Ilmu Lingkungan & Ekoteknologi 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, SS; dkk. Penskalaan Pembelajaran Mendalam untuk Penemuan Material. Alam 2023, 624, 80-85. https://doi.org/10.1038/s41586-023-06735-9