علوم المواد
داخل المختبرات المدعومة بالذكاء الاصطناعي: عصر جديد لاكتشاف المواد
أضف Securities.io إلى مصادرك المفضلة على Google
مثل عدد متزايد من الصناعات، علم المواد أيضًا يتلقى المساعدة من الذكاء الاصطناعي (AI).
هنا، تحلل خوارزميات التعلم الآلي (ML) مجموعات بيانات هائلة وتحدد الأنماط لتقترح مرشحين واعدين للمواد في وقت قصير، مع استهلاك موارد أقل بكثير مقارنةً بأساليب التجربة والخطأ.
العمل اليدوي التقليدي المكثف الذي تم تعزيزه بظهور الأنظمة الحاسوبية التي تسمح بالحسابات المعقدة، يتم الآن تحويله بالكامل عبر عمليات آلية ومتوازية وتكرارية يقودها الذكاء الاصطناعي والمحاكاة والأتمتة التجريبية.
نضج تقنية الذكاء الاصطناعي، إلى جانب الحوسبة عالية الأداء وتقنيات السحابة الهجينة، يساعد علم المواد على دخول نموذج جديد يتميز بـ التسريع في اكتشاف مواد جديدة، والنمذجة التنبؤية لخصائص المواد، والتجارب الذاتية.
يسمح هذا التحول للباحثين بالانتقال من أساليب التجربة والخطأ إلى التصميم، مما يقلل بشكل كبير من دورات التطوير ويفتح الطريق أمام مواد متقدمة في تطبيقات الطاقة والإلكترونيات والرعاية الصحية والاستدامة.
مؤخرًا، قام باحثون من جامعة ولاية كارولينا الشمالية بخطوة كبيرة إضافية بإنشاء مختبر ذاتي القيادة لتحقيق قفزة جديدة في أتمتة المختبرات وتسريع اكتشاف المواد للعلماء.
المختبر الآلي يجمع بيانات أكثر بعشر مرات مقارنةً بالطرق التقليدية اليدوية. مع هذه الخطوة، يمكن للباحثين إجراء تجارب كيميائية ديناميكية في الوقت الحقيقي، موفرين الوقت والموارد بينما يتيح تحقيق إنجازات أسرع.
الاكتشافات في المختبر الجديد لن تستغرق سنوات بعد الآن؛ بل نتطلع إلى مستقبل يحدث فيه الاختراعات خلال أيام.
مختبر مدعوم بالذكاء الاصطناعي: التعلم في الوقت الحقيقي لاكتشاف في الوقت الحقيقي
من أجل التغلب على التحديات العالمية في الطاقة النظيفة، رفاهية الإنسان، والاستدامة، من الضروري إجراء اكتشافات سريعة للمواد الوظيفية المتقدمة. اكتشاف وتوليف مواد جديدة هما أيضًا مفتاح للتقنيات المبتكرة مثل البطاريات، الرقائق الحاسوبية، الألواح الشمسية، والكثير غيرها.
وبالتالي، تم إحراز تقدم كبير في منصات تسريع المواد والمختبرات ذاتية القيادة.
على الرغم من هذا التقدم، فإن قدرة هذه المنصات والمختبرات على استكشاف فضاءات المعلمات المعقدة تُعوق بسبب انخفاض معدل نقل البيانات. تؤدي عمليات نقل ومعالجة البيانات البطيئة إلى تقليل الإنتاجية.
لذلك، قدم باحثو جامعة ولاية كارولينا الشمالية “تجارب تدفق ديناميكية كاستراتيجية لتكثيف البيانات لتوليف المواد غير العضوية داخل مختبرات سائلة ذاتية القيادة من خلال رسم خريطة مستمرة لظروف التفاعل المتقلبة إلى ما يعادلها في الحالة المستقرة.”
نُشر في Nature Chemical Engineering1, توضح الدراسة مختبرًا ذاتيًا متطورًا يستخدم تجارب في الوقت الحقيقي لجمع البيانات باستمرار، وبالتالي جعل اكتشاف المواد أسرع وأكثر كفاءة مع تقليل التكاليف والأثر البيئي.
تلقت الدراسة دعمًا من المؤسسة الوطنية للعلوم وبرنامج مبادرة فرص البحث بجامعة نورث كارولينا.
الآن، ماذا يعني المختبرات ذاتية القيادة (SDLs)؟ حسنًا، هذه منصات روبوتية تجمع بين التعلم الآلي والأتمتة مع علوم الكيمياء والمواد للعثور على مواد بسرعة أكبر. في هذه المنصات التجريبية المعيارية المدعومة بالذكاء الآلي، تُجرى سلسلة من التجارب التي يختارها خوارزمية التعلم الآلي بشكل تكراري لتحقيق الهدف المبرمج.
“تخيل لو كان بإمكان العلماء اكتشاف مواد رائدة للطاقة النظيفة، أو إلكترونيات جديدة، أو مواد كيميائية مستدامة خلال أيام بدلًا من سنوات، باستخدام جزء بسيط من المواد وتوليد نفايات أقل بكثير من الوضع الحالي.”
– مؤلف الورقة، Milad Abolhasani، أستاذ ALCOA في الهندسة الكيميائية والبيومولكولية بجامعة ولاية كارولينا الشمالية
أضاف:
“هذا العمل يقرّب ذلك المستقبل خطوةً أخرى.”
ممثلاً نهجًا تحوليًا لتسريع الاكتشاف العلمي، تزداد شعبية المختبرات ذاتية القيادة في مجالي الكيمياء وعلوم المواد.
المختبرات ذاتية القيادة التي تستخدم مفاعلات تدفق مستمر غالبًا ما تعتمد على تجارب تدفق ثابتة، حيث تُدمج مواد أولية مختلفة قبل حدوث التفاعلات الكيميائية، ويتدفق المزيج باستمرار عبر قناة دقيقة.
المنتج الناتج من ذلك يُcharacterized بواسطة مجموعة من المستشعرات بمجرد اكتمال التفاعل.
“هذا النهج الراسخ للمختبرات ذاتية القيادة كان له تأثير كبير على اكتشاف المواد”، أشار أبولهاساني، مشيرًا إلى أن ذلك مكن العلماء من “تحديد مرشحين واعدين للمواد لتطبيقات محددة خلال بضعة أشهر أو أسابيع، بدلًا من سنوات، مع تقليل كل من التكاليف والأثر البيئي للعمل”. لكن لم يكن مثاليًا بأي حال، فهناك ما يزال مجالًا للتحسين.
على وجه الخصوص، يتوقف النظام عندما يحدث التفاعل الكيميائي قبل أن يتم characterised المادة الناتجة. يمكن أن يصل وقت الانتظار للمختبرات ذاتية القيادة إلى ساعة لكل تجربة تدفق ثابتة.
“لقد أنشأنا الآن مختبرًا ذاتيًا يستخدم تجارب تدفق ديناميكية، حيث يتم تعديل خلطات كيميائية باستمرار عبر النظام ويتم مراقبتها في الوقت الحقيقي.”
– Abolhasani
ما يعنيه ذلك هو أنهم يلغون عملية تشغيل عينات منفصلة عبر النظام واختبار كل واحدة على حدة بعد وصولها إلى حالة ثابتة.
بدلاً من ذلك، بنوا نظامًا لا يتوقف ببساطة عن التشغيل. تتحرك العينات باستمرار عبر النظام. هذا لأن “النظام لا يتوقف أبدًا عن تحليل العينة”، ويمكن للباحث “التقاط بيانات حول ما يحدث في العينة كل نصف ثانية”.
إن دمج تجارب التدفق الديناميكي داخل المختبرات السائلة ذاتية القيادة يمثل خروجًا عن التجارب الدفعية التقليدية.
على عكس الأساليب التقليدية، حيث تُجمع نقاط بيانات منفصلة تحت ظروف ثابتة، فإن تجارب التدفق الديناميكي، تُستَخدم مبادئ الميكروفلويديك لتوفير رسم خريطة سريع لظروف التفاعل.
من خلال إنشاء تدفق مستمر للبيانات، يتم توسيع نطاق البيانات التجريبية المتاحة بشكل هائل.
أظهر أبولهاساني أن الفريق الآن يحصل على 20 نقطة بيانات حول ما ينتجه التجربة، بدءًا بنقطة واحدة بعد 0.5 ثانية من زمن التفاعل، ثم نقطة بعد ثانية واحدة، وهكذا، على عكس نقطة واحدة كانوا يحصلون عليها بعد 10 ثوانٍ من زمن التفاعل. وأضاف:
“إنه كأنك تنتقل من لقطة واحدة إلى فيلم كامل للتفاعل كما يحدث. بدلاً من الانتظار حتى ينتهي كل تجربة، نظامنا يعمل دائمًا، ويتعلم دائمًا.”
امتلاك بيانات أكثر يمكن أن يكون له تأثير هائل على أداء المختبر المدعوم بالذكاء الاصطناعي. فالبيانات، في النهاية، هي المفتاح للخوارزمية. الذكاء الاصطناعي جائع للبيانات، وبناءً على البيانات التي يُغذى بها، تقوم الخوارزمية بإصدار تنبؤات.
وفقًا لأبولهاساني:
“أهم جزء في أي مختبر ذاتي القيادة هو خوارزمية التعلم الآلي التي يستخدمها النظام لتوقع أي تجربة يجب أن يجريها بعد ذلك.”
وبالتالي، يتيح نهج تدفق البيانات المستمر للدماغ الآلي للمختبر اتخاذ قرارات ليس فقط أسرع بل أذكى، “مُحسِّنًا للمواد والعمليات في جزء من الوقت.”
جودة البيانات تحدد أيضًا دقة التنبؤات. لذا، من خلال الحصول على بيانات تجريبية عالية الجودة أكثر، يمكن للخوارزمية إصدار تنبؤات أكثر دقة، ثم يمكنها حلّ مشكلة بسرعة أكبر.
“هذا له الفائدة الإضافية المتمثلة في تقليل كمية المواد الكيميائية المطلوبة للوصول إلى حل.”
– Abolhasani
لإظهار قدرات نظامهم، طبّق الفريق تجارب تدفق ديناميكي على نقاط كوانتية كولودية من CdSe. استُخدم ذلك كنقطة اختبار بسبب كونه نظامًا غير عضويًا راسخًا مع تبعيات معلمية غنية وإمكانات تكنولوجية كبيرة.
في هذه الحالة، وجد الفريق أن مختبرهم، الذي دمج نظام تدفق ديناميكي، حقق “تحسينًا بمرتبة من حيث كفاءة جمع البيانات.”
وقد أنتج ما لا يقل عن 10 أضعاف البيانات مقارنةً بالمختبرات ذاتية القيادة الأخرى التي استخدمت تجارب تدفق ثابتة. علاوة على ذلك، بمجرد تدريب النموذج، كان المختبر ذاتيًا قادرًا على اكتشاف أفضل المرشحين في محاولته الأولى.
هذا الاختراق، كما قال أبولهاساني، “ليس مجرد مسألة سرعة”، بل يتعلق بتحقيق الاستدامة. من خلال تقليل عدد التجارب المطلوبة، يقلل النظام بشكل كبير من استهلاك المواد الكيميائية والنفايات، مما يعزز ممارسات البحث المستدامة. قال أبولهاساني:
“مستقبل اكتشاف المواد ليس فقط حول مدى سرعتنا، بل حول مدى مسؤوليتنا في الوصول إلى ذلك. نهجنا يعني موادًا كيميائية أقل، نفايات أقل، وحلول أسرع لتحديات المجتمع الأصعب.”
دور الذكاء الاصطناعي المتوسع في علم المواد: اكتشافات حديثة مثيرة
الذكاء الاصطناعي يُعيد تشكيل الصناعات عالميًا، وذلك يشمل علم المواد، الذي يُعد أساسيًا للعديد من الابتكارات التقنية والتحديات المجتمعية.
وبالتالي، فإن استخدام الذكاء الاصطناعي في اكتشاف وتطوير مواد جديدة مستمر منذ سنوات عديدة، لكنه اكتسب زخمًا ملحوظًا في السنوات الأخيرة مع تقدم التكنولوجيا وتطورها.
“مع استمرار التطور، نتوقع أن الروبوتات والأتمتة ستحسن السرعة والدقة وإعادة إنتاج التجارب عبر أدوات متعددة وتخصصات، مُولدةً البيانات التي يمكن للأنظمة الذكائية تحليلها لتوجيه تجارب إضافية.”
– Dr. James Cahoon، أحد مؤلفي الورقة ‘Transforming Science Labs into Automated Factories of Discovery.2′
مع ذلك، دعونا نلقي نظرة على بعض التقدم الرئيسي الذي أُحرز في علم المواد هذا العام عبر تطبيقات مختلفة.
للبدء، كما شاركنا مؤخرًا، بمساعدة الذكاء الاصطناعي، تمكن العلماء من تصميم ميتا‑مُشعِّرات حرارية ثلاثية الأبعاد معقدة يمكنها خفض درجات الحرارة الداخلية وتوفير تكاليف الطاقة. المادة التي صُممت باستخدام تقنية تعلم آلي جديدة يمكن أن تُطبق في المباني السكنية والتجارية، المركبات الفضائية، الأقمشة والنسيج، السيارات، وأكثر.
“من خلال أتمتة العملية وتوسيع مساحة التصميم، يمكننا إنشاء مواد بأداء فائق لم يكن ممكنًا من قبل.”
– القائد المشارك للدراسة، Yuebing Zheng
تطوير مواد معدنية جديدة ذات قوة فائقة
منذ بضعة أشهر، أبلغ العلماء عن استخدام الذكاء الاصطناعي لتصميم سبيكة MPEA أو سبيكة متعددة العناصر الرئيسية، والتي تُستخدم في مكونات الطائرات، محولات العادم، وبدائل المفاصل.
السبيكة MPEA المصممة حديثًا تتمتع بخصائص ميكانيكية فائقة، وقد صرح سانكيت ديشموخ، أستاذ مشارك في الهندسة الكيميائية بجامعة فرجينيا تك، بأنها “تُظهر كيف يمكن للأطر والذكاء الاصطناعي القابل للتفسير أن يفتح آفاقًا جديدة في تصميم المواد.”
لتفسير التحليل الذي أجرته نموذج الذكاء الاصطناعي، استخدم ديشموخ وفريقه تحليل SHAP (SHapley Additive exPlanations)، مما مكّنهم من فهم كيف تؤثر العناصر المختلفة وبيئاتها المحلية على خصائص سبيكات MPEA، وبالتالي توفير رؤى أكثر دقة وتنبؤات محسنة.
إلى جانب تسريع اكتشاف سبائك معدنية متقدمة، يعتقد ديشموخ أن دمج التعلم الآلي مع خوارزميات التطور والتحقق التجريبي يمكن أن يساعدنا أيضًا في إنشاء أدوات “يمكن توسيعها إلى أنظمة مواد معقدة مثل الجليكومواد – مواد بوليمرية تحتوي على سكريات”.
كشف أسرار نمو الدندريت في الأفلام الرقيقة
أجرى البحث3 من جامعة طوكيو للعلوم (TUS) نموذجًا للذكاء الاصطناعي القابل للتفسير يتنبأ بنمو الدندريت (نمط تشجيري شجري) في الأفلام الرقيقة، وهو عائق رئيسي في تصنيعها على نطاق واسع ويقيد تسويقها.
من خلال كشف الظروف والآليات المحددة وراء تشعب الدندريت، يساعد نموذج الذكاء الاصطناعي في تحسين عملية نمو الأفلام الرقيقة. الأفلام الرقيقة ضرورية في تقنيات مثل أشباه الموصلات.
دمج النموذج الجديد للذكاء الاصطناعي طريقة التعلم الآلي المسماة تحليل المكونات الرئيسية (PCA) وتقنية الطوبولوجيا المسماة الهومولوجيا المستمرة مع تحليل الطاقة الحرة.
“من خلال دمج الطوبولوجيا والطاقة الحرة، تقدم طريقتنا نهجًا متعدد الاستخدامات لتحليل المواد. عبر هذا الدمج، يمكننا إنشاء صلة هرمية بين البُنى الدقيقة على المستوى الذري والوظائف الماكروية عبر مجموعة واسعة من المواد، ممهداً الطريق لتقدمات مستقبلية في علم المواد.”
– الأستاذ ماساتو كوتسوجي من قسم علم وتكنولوجيا المواد بجامعة طوكيو للعلوم
فهم أفضل للجسيمات النانوية
اجتمع فريق من العلماء من عدة جامعات لتطوير طريقة لفهم السلوك الديناميكي للجسيمات النانوية4 ، وهي اللبنات الأساسية للإلكترونيات، الصيدلة، والمواد الصناعية.
دمجوا الميكروسكوب الإلكتروني مع الذكاء الاصطناعي لتصوير هياكل وحركات الجزيئات بدقة زمنية غير مسبوقة.
كما أوضح بيتر أ. كروزر، أستاذ علوم وهندسة المواد بجامعة ولاية أريزونا:
“يمكن للميكروسكوب الإلكتروني التقاط صور بدقة مكانية عالية، لكن بسبب السرعة التي يتغير بها الهيكل الذري للجسيمات النانوية أثناء التفاعلات الكيميائية، نحتاج إلى جمع بيانات بسرعة عالية لفهم وظيفتها.”
لتقليل هذا الضجيج، طوروا طريقة ذكاء اصطناعي تُزيله تلقائيًا، “مما يتيح تصور الديناميكيات الأساسية على المستوى الذري.”
في الوقت نفسه، يعمل فريق بحثي من جامعة غراتس للتكنولوجيا على رفع مستوى بناء البنى النانوية باستخدام الذكاء الاصطناعي.
من أجل ذلك، هم يطورون نظام ذكاء اصطناعي ذاتي التعلم يضع الجزيئات الفردية بسرعة وفي الاتجاه الصحيح باستخدام المجاهر الماسحة، وهي عملية صعبة وتستغرق وقتًا، للسماح بـ بناء “هياكل جزيئية معقدة للغاية، بما في ذلك دوائر منطقية على نطاق النانومتر.”
الهدف هو في النهاية بناء “كورالات كمية”، وهي هياكل نانوية على شكل بوابة يمكنها حجز الإلكترونات، واستخدامها لبناء دوائر منطقية لدراسة كيفية عملها على المستوى الجزيئي.
اكتشاف مواد فوتوفولطية أفضل
بديل مستدام للخلايا الشمسية التقليدية القائمة على السيليكون، تُظهر خلايا الشمسية البيروڤيسكايت وعدًا كبيرًا كتقنية فوتوفولطية من الجيل التالي لتحويل ضوء الشمس إلى كهرباء.
يمكن تعزيز فعاليتها من خلال جزيئات تنقل الشحنات الموجبة، لكن هناك ملايين الجزيئات المختلفة، مما يعني الحاجة إلى توليف واختبار جميعها. مع ذلك، باستخدام الذكاء الاصطناعي مع التوليف عالي الإنتاجية الآلي، تمكن فريق من معهد كارلسروه للتقنية (KIT) من اكتشاف جزيئات عضوية جديدة5 خلال أسابيع قليلة، مع 150 تجربة مستهدفة فقط.
زادت المواد المكتشفة حديثًا من كفاءة خلية شمسية مرجعية بنحو نقطتين مئويتين.
لتحقيق ذلك، لجأ العلماء إلى قاعدة بيانات تحتوي على مليون جزيء افتراضي واختاروا عشوائيًا 13,000 منها قبل اختيار 101 جزيء. كانت الجزيئات المختارة ذات اختلافات كبيرة في خصائصها، وتم توليفها باستخدام أنظمة روبوتية قبل استخدامها في تصنيع خلايا شمسية.
وضع الأساس لاكتشاف المواد المدفوع بالذكاء الاصطناعي
بينما تُجرى كل هذه الاكتشافات، لكي يتمكن الذكاء الاصطناعي من تحقيق ذلك، يحتاج إلى بيانات. هذا يشمل بيانات عن المواد وكذلك بيانات من محاكاة واسعة النطاق.
على الرغم من توفر العديد من قواعد البيانات، إلا أنها معزولة إلى حد كبير، لذا هناك حاجة إلى معيار موحد “حتى يتمكن المستخدمون من التواصل مع جميع مكتبات البيانات هذه وفهم المعلومات التي يتلقونها”،“ أشار جيان-ماركو ريجنانسي، أستاذ في معهد المادة المكثفة وعلوم النانو بجامعة لوفين في بلجيكا.
لذلك، في الصيف الماضي، أطلقت تعاون دولي كبير إصدارًا موسعًا لمعيار OPTIMADE لتسهيل اكتشاف المواد المدفوع بالذكاء الاصطناعي.
معيار OPTIMADE (Open databases integration for materials design) مدعوم بشبكة دولية واسعة من المؤسسات وقواعد بيانات المواد. بهدف توفير وصول أسهل للمستخدمين إلى قواعد البيانات الرائدة وكذلك الأقل شهرة، تم تقديم نسخة جديدة منه تُسهم في تسريع اكتشاف المواد المدفوع بالذكاء الاصطناعي المستمر.
الاستثمار في الذكاء الاصطناعي لاكتشاف المواد
عند النظر في الاستثمار في هذا المجال، Alphabet Inc. (GOOGL ) التي تملك Google هي واحدة من الشركات التي أطلقت أداة ذكاء اصطناعي تُدعى Gnome. وقد أفادت الأداة باكتشاف 2.2 مليون بلورة جديدة. ثم هناك Microsoft (MSFT )، التي قدمت MatterGen وMatterSim لإنشاء مواد مرشحة جديدة والتحقق منها.
لكن هناك عملاق آخر للذكاء الاصطناعي أطلق نموذجه الخاص لتعزيز نطاق ودقة أبحاث المواد.
NVIDIA Corporation (NVDA )
هذا هو بالضبط نيفيديا، محبوبة الذكاء الاصطناعي. في أواخر العام الماضي، قدمت الشركة منصة NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).
تهدف المنصة إلى تسريع البحث والتطوير في الكيمياء وعلوم المواد من خلال قوة الذكاء الاصطناعي، ولتحقيق ذلك، تشمل واجهات برمجة التطبيقات وخدمات الاستدلال المتسارعة. سيمكن ذلك من إنشاء ونشر نماذج الذكاء الاصطناعي العامة لاستكشاف الكون الواسع للمواد واقتراح مرشحين جدد، وتطوير واستخدام نماذج بديلة لتحقيق توازن بين تكلفة الحوسبة والدقة. كما سيسمح بأدوات معلوماتية متاحة ونماذج أساسية مدربة مسبقًا لعمليات الفحص السريع وأدوات المحاكاة لتدريب وتخصيص نماذج الذكاء الاصطناعي لحالات استخدام جديدة.
من خلال ALCHEMI، تسعى NVIDIA إلى تسريع سير عمل الاكتشاف و”إدخال عصر جديد من الاكتشافات الرائدة التي تدعم مستقبلًا أكثر استدامة وصحة.”
NVDA مخطط السعر
تُقدر قيمة نيفيديا بـ 4.22 تريليون دولار، وتُتداول أسهمها حول 173.5 دولار، بارتفاع 28.8% منذ بداية العام. ربح السهم (TTM) هو 3.10، نسبة السعر إلى الأرباح (TTM) هي 55.73، وعائد السهم الموزع هو 0.02%.
Latest NVIDIA Corporation (NVDA) Stock News and Developments
Conclusion
مع تلاقي الذكاء الاصطناعي، الأتمتة، والحوسبة عالية الأداء، يدخل علم المواد عصره الأكثر تحولًا، مسجلاً تحولًا ضروريًا من التجربة البشرية القائمة على التجربة والخطأ إلى الاكتشاف الذاتي.
في ظل ذلك، تُعيد المختبرات المدعومة بالذكاء الاصطناعي والمنصات التجريبية ذاتية القيادة تشكيل طريقة اكتشاف العلماء للمواد واختبارها وتحسينها. علاوة على ذلك، مع مبادرات مثل ALCHEMI من NVIDIA، وGnome من Google، وMatterGen من Microsoft، تراهن الشركات التقنية الكبرى على الذكاء الاصطناعي لتغذية موجة الابتكار القادمة!
انقر هنا لتتعرف على كل ما يتعلق بالاستثمار في الذكاء الاصطناعي.
References:
1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. Flow‑Driven Data Intensification to Accelerate Autonomous Inorganic Materials Discovery. Nature Chemical Engineering, published online 14 يوليو 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Transforming Science Labs into Automated Factories of Discovery. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. Linking Structure and Process in Dendritic Growth Using Persistent Homology with Energy Analysis. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A.; M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. Visualizing Nanoparticle Surface Dynamics and Instabilities Enabled by Deep Denoising. Science 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, J. S.; Wang, L.; Xie, Z.; Zhang, K.; Park, B.‑W.; Barabash, A.; Zhao, Y.; Luo, J.; Wang, Y.; Lüer, L.; Deng, L.‑L.; Hauch, J. A.; Guldi, D. M.; Pérez‑Ojeda, M. E.; Seok, S. I.; Friederich, P.; Brabec, C. J. Inverse Design Workflow Discovers Hole‑Transport Materials Tailored for Perovskite Solar Cells. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901
