5 AI-gennembrud, der transformerer materialeforskning i dag

Kunstig intelligens (AI) fortsætter med at transformere verden og forme fremtiden for menneskeheden.

Teknologien driver forandringer på tværs af næsten alle sektorer ved at udføre opgaver, der typisk kræver menneskelig intelligens. AI‑systemer udnytter enorme datamængder til at identificere mønstre og træffe beslutninger.

På denne måde kan AI simulere visse niveauer af menneskelignende ræsonnement og kognitive processer.

Ifølge World Trade Report kan AI’s produktivitetsgevinster og omkostningsfordele øge den globale BNP med 12‑13 % inden 2040.

Ved at indsnævre deres digitale infrastrukturkløft med højindkomstøkonomier med 50 % og ved at tage AI i bredere brug, kan lav‑ og mellemindkomstøkonomier opleve en stigning på op til 15 % i deres indkomster.

Udover at hjælpe nationer med at styrke deres produktivitet, handel og økonomiske position, kan AI hjælpe samfundet ved at drive innovation på tværs af industrier. En af de måder teknologien i øjeblikket gør dette på er gennem materialeforskning.

Løftet om AI i materialeforskning

Opdagelsen af materialer har altid været nøglen til innovation. For mange århundreder siden førte blandingen af kobber og tin til bronzealderen, hvor stærkere værktøjer og våben transformerede handel og samfund.

Derefter kom jernalderen, hvor mestring af jern omformede økonomier. Frem til det 19. århundrede fik stål bred udbredelse. En legering af jern og kulstof, stål, var rygraden i jernbaner, skyskrabere, skibe og maskiner og drev den industrielle revolution og global ekspansion.

I slutningen af det 20. århundrede transformerede silicialderen verden med opdagelsen og forfinelsen af halvledere, som er grundlaget for moderne elektronik. Vi befinder os nu i en æra af avancerede materialer, hvor grafen, kulstofnanorør og kvantematerialer åbner døre til renere energi, lettere fly og hurtigere beregning.

Indtoget af AI og maskinlæring (ML) bidrager til innovation inden for materialer og, i forlængelse heraf, forskellige industrier ved at accelerere processen for materialeforskning, design og optimering betydeligt.

Til dette bruger AI algoritmer og modeller til at screene enorme databaser af kandidater til specifikke anvendelsesbehov. Her er dybdelæringsmodeller som Graph Neural Networks (GNNs) og Recurrent Neural Networks (RNNs) afgørende for at analysere de komplekse datasæt, der findes i materialvidenskaben.

De kan også identificere eksisterende materialer med ønskede egenskaber fra disse databaser og endda forudsige materialers egenskaber baseret på deres sammensætning og struktur.

Med hjælp fra AI kan feltet materialvidenskab bevæge sig ud over de traditionelle prøve‑og‑fejl‑metoder, som er tidskrævende og dyre.

Desuden kan AI‑modeller generere nye materialestrukturer skræddersyet til specifikke krav. Når de integreres med automatiserede eksperimentelle platforme, kan AI fremskynde den lange proces fra materialeforskning til produktion.

På trods af disse fordele forbliver udfordringer i form af manglende kvalitet og omfattende data for visse materialer. En vellykket syntese af nyfundne og designede materialer i laboratoriet er en anden stor udfordring.

Som materialeforsker Anthony Cheetham fra UCSB bemærkede¹ i Nature efter at have undersøgt listen over 2,2 millioner hypotetiske krystaller fundet af GNoME, et AI‑værktøj fra DeepMind, et datterselskab af Alphabet (Google): “Det er én ting at opdage en forbindelse, og en helt anden ting at opdage et nyt funktionelt materiale.”

Han påpegede også den upraktiskhed, som mange AI‑forudsagte forbindelser har, og sagde:

“Vi fandt en hel del ting, der var latterlige.”

Dette viser kløften mellem forudsigelse og praktisk realisering. Hvad denne kløft kræver, er kombinationen af AI med menneskelig ekspertise og eksperimentel videnskab.

Alligevel kan løftet om AI til at revolutionere materialvidenskab ikke afvises. Givet dens evne til at føre til hurtigere udvikling af materialer til energi, sundhedspleje, bilindustri, rumfart og andre kritiske anvendelser, er påvirkningen for stor til at ignoreres.

Lad os derfor se på nogle af de mest fremtrædende eksempler på AI’s anvendelse i materialvidenskab, som demonstrerer potentialet til at skubbe grænserne for materialeforskning og innovation.

Swipe to scroll →

1. Perovskit solceller: AI‑optimerede materialer og forarbejdning

En af de mest lovende løsninger for at opnå bæredygtig energi er solenergi, og dens udbredelse vokser hurtigt. I 2024 installerede verden en rekord på ca. 600 GW solenergi, en stigning på 33 % i forhold til 2023. Mod slutningen af årtiet forventes dette at nå ca. 1 TW om året.

Den stigende efterspørgsel efter solenergi skaber behovet for mere effektive, alsidige og omkostningseffektive materialer til solceller.

Perovskit er et sådant materiale, der tilbyder en unik krystallinsk struktur. Det naturligt forekommende mineral kan nu genskabes syntetisk. Ved at blande organiske og uorganiske elementer skaber forskere syntetiske perovskitter med bemærkelsesværdige lysabsorberende egenskaber, hvilket gør dem særdeles velegnede til solapplikationer.

Udover høj effektivitet giver disse materialer fordele som fleksibilitet og justerbar båndbredde, men skalerings‑ og stabilitetsproblemer vedvarer; derfor søges der efter nye sammensætninger.

Forskere vendte sig derfor til AI for at korrelere ydeevnen af perovskit‑solceller (PSC) med materialegenskaber og energikonverteringsprocesser for mere end et årti siden. De brugte derefter teknologien til at optimere materialesammensætning, udvikle designstrategier og forudsige ydeevne.

I 2019 gennemgik forskere fra University of Central Florida over 2 000 fagfællebedømte publikationer² om perovskit for at indsamle over 200 datapunkter, som blev fodret ind i det AI‑system, de udviklede, for at få den bedste opskrift på perovskit‑solceller (PSC). Samme år udviklede forskere ved MIT en model³ der accelererede syntese og analyse af nye forbindelser ti‑fold og fandt to nye blyfri perovskitter, som er værd at undersøge nærmere.

I 2022 rapporterede forskere fra MIT og Stanford University at de med AI skalerede fremstillingen af avancerede solceller.⁴

Til dette blev der oprettet et system, som har været under udvikling i flere år, for at integrere data fra tidligere eksperimenter samt information baseret på erfarne arbejderes personlige observationer. Denne integration gjorde resultaterne mere præcise og førte til fremstilling af perovskit‑celler med en energikonverteringseffektivitet på 18,5 %.

Dette adskiller sig fra de fleste maskinlæringssystemer, som primært bruger rådata og typisk ikke inkorporerer menneskelig erfaring. For at inkludere ekstern information i deres model brugte de en sandsynlighedsfaktor baseret på Bayesian Optimization, hvilket gjorde det muligt at “finde trends, vi ikke kunne se før.”

Opdagelsen af avanceret perovskit‑solteknologi med AI‑hjælp fortsætter og får øget hastighed for at hæve PSC‑effektiviteten. I en sådan undersøgelse⁵ blev effektiviteten øget til 26,2 % samtidig med at “enormt meget tid og ressourcer” blev sparet.

⬆ Tilbage til tabel

2. AI‑opdagede elektrokatalysatorer til hydrogenproduktion

Et lovende alternativ til ikke‑fornybare fossile brændstoffer, som er ansvarlige for enorme mængder drivhusgasemissioner, er hydrogen. Det mest udbredte element i universet, hydrogen, er fremkommet som en ren og vedvarende energikilde.

Dog er effektiv produktion af hydrogen i kommerciel skala en alvorlig udfordring. Her tilbyder vandspaltningselektrolyse en lovende vej, hvor elektrokatalyse spiller en kritisk rolle. Dette gør udviklingen af lav‑pris, aktiv og stabil elektrokatalysator til en nødvendig forudsætning for ønsket elektrokatalytisk hydrogenproduktion fra vandspaltning.

Elektrokatalysatorer accelererer hydrogenproduktionen ved at sænke den energi, der kræves for vandspaltning, ved at anvende dyre ædelmetaller som platin eller mere overkommelige alternativer som nikkel, kobolt, grafen, MXenes og andre.

Udover materialets egenskaber og omkostninger vælges en specifik katalysator baseret på, om reaktionen er sur, alkalisk eller foregår ved høje temperaturer.

Det er dog meget tidskrævende og dyrt at bruge den traditionelle prøve‑og‑fejl‑metode til at søge efter eksisterende og nye egnede materialer for at forbedre reaktionerne, så AI anvendes⁶ for at overvinde begrænsningerne ved traditionelle tilgange, opdage nye kandidater og forbedre kendte produkter.

En nylig undersøgelse rapportered⁷ at dens entropi‑screenede AI, trænet på et DoE‑datasæt, gennemgik 16,2 millioner kemiske sammensætninger for at identificere Fe12Co28Ni33Mo17Pd5Pt5 som den bedste sammensætning til vandspaltning. Legeringen viser ultralave overpotentialer for både de grundlæggende elektrokatalytiske reaktioner, HER og OER, samtidig med at den har robust stabilitet.

For et par år siden bidrog Googles AI‑laboratorium DeepMind med 380 000 nye forbindelser til Materials Project, en platform der understøtter mange katalysatorsøgninger og autonome eksperimenter.

Den åbne database, grundlagt ved Department of Energy’s Berkeley Lab, er blevet brugt af forskere til eksperimentelt at bekræfte nyttige egenskaber i nye materialer med potentiale til kulstoffangst samt som fotokatalysatorer, termoelektriske materialer og transparente ledere.

Databasen indeholder hvordan atomer i et materiale er arrangeret og hvor stabilt det er. GNoME blev trænet ved brug af data og arbejdsgange, der blev udviklet af projektet, og derefter forbedret via aktiv læring.

Ved at bruge beregningerne fra Googles DeepMinds GNoME sammen med data fra Materials Project testede forskerne A‑Lab, en facilitet ved Berkeley Lab hvor AI guider robotter i fremstilling af nye materialer. A‑Lab producerede succesfuldt 41 nye forbindelser⁸.

⬆ Tilbage til tabel

3. Superhårde materialer: ML‑støttet opdagelse ud over diamant

Industrier som militær, rumfart og energiproduktion kræver superhårde materialer, som er praktisk talt ukomprimerbare faste stoffer. Hårdhedsværdien for disse materialer overstiger 40 GPa på Vickers‑skalaen, og de har høj kovalent binding og høj elektrontæthed.

Diamant er det hårdeste kendte materiale til dato med en hårdhed på 70‑150 GPa. Det betyder, at der kræves mere end dette (70‑150 GPa) tryk for at efterlade en indrykning på diamantens overflade. Som følge heraf bruges den i skæreværktøjer, slibemidler, slidstærke belægninger og til at skabe høj‑tryk‑eksperimenter.

Disse ædelsten, som er en fast form af grundstoffet kulstof med atomer arrangeret i en diamant‑kubisk krystalstruktur, anvendes også af forskere til at finde nye egnede materialer. Men AI har ændret dette.

Gennem årene har flere forskere fundet⁹ nye superhårde faser, hvor én rapportere¹⁰ BC10N, B4C5N3 og B2C3N som viser dynamisk stabile faser med hårdhedsværdier > 40 GPa.

I 2020 udnyttede forskere fra University of Houston og Manhattan College et ML‑model¹¹ til præcist at forudsige hårdheden af nye materialer, hvilket gjorde det muligt for dem at finde passende forbindelser hurtigere.

Mængden af højt tryk, der kræves for at lave et mærke på et materiales overflade, gør dem sjældne, og “at identificere nye materialer er udfordrende.” Dette er netop grunden til, at “materialer som syntetisk diamant stadig anvendes, selvom de er udfordrende og dyre at fremstille,” sagde papirens medforfatter Jakoah Brgoch, som er lektor i kemi ved University of Houston.

En komplicerende faktor er belastningsafhængighed, hvilket betyder at et materiales hårdhed kan variere afhængigt af den påførte tryk. Dette gør eksperimentel test af et materiale komplekst. Selv brug af beregningsmodeller er næsten umuligt, så forskerne skabte en model, der overvinder udfordringen ved kun at forudsige belastningsafhængig Vickers‑hårdhed baseret på materialets kemiske sammensætning.

Algoritmen “handlet” på en database, der omfattede 560 forskellige forbindelser, som krævede gennemgang af hundredvis af akademiske artikler. “Alle gode maskinlæringsprojekter starter med et godt datasæt,” sagde Brgoch. “Den sande succes ligger i udviklingen af dette datasæt.”

Som resultat fandt de over 10 nye stabile borocarbid‑faser, og med modellens nøjagtighed på 97 % føler de sig håbefulde omkring succes i laboratoriet.

AI er dog ikke uden begrænsninger, som Brgoch bemærkede: “Ideen med maskinlæring er ikke at sige ‘Her er det næste største materiale’, men at hjælpe med at guide vores eksperimentelle søgning.” Teknologien gør “den ved at fortælle dig, hvor du skal kigge.”

⬆ Tilbage til tabel

4. Polymer dielektrika: AI‑accelereret energilagringsmaterialer

Et essentielt komponent i moderne energilagring er dielektrika, som er ikke‑ledende materialer såsom luft, glas og plast.

Valget af dielektrisk materiale bestemmer energitætheden i kondensatorer, og polymer dielektrika anvendes bredt til energilagring på grund af deres lave omkostninger, mekaniske fleksibilitet, pålidelighed, hurtig udladningshastighed og lette bearbejdning. Men igen er deres lave energitæthed et problem.

Som følge heraf søger forskere løbende at forbedre ydeevnen ved at udvikle nye polymer dielektrika for at øge deres energilagringskapacitet til anvendelser i elsystemer, elektronik og el‑biler (EV’er).

AI har gjort fantastiske fremskridt inden for polymermaterialer. For blot et par måneder siden samarbejdede forskere ved MIT og Duke University om at skabe¹² mere holdbare polymerer ved at inkorporere stress‑responsive kryds‑linkermolekyler, som blev identificeret af AI. MIT‑forskerne har også bygget¹³ et system, der finder, blander og tester op til 700 nye polymerblandinger om dagen til anvendelser som batterielektrolytter, protein‑stabilisering eller lægemiddelleveringsmaterialer.

Design af nye polymerblandinger præsenterer problemet med et næsten uendeligt antal mulige polymerer at starte med, og når et par er udvalgt til at blive blandet, skal sammensætningen af hver polymer vælges samt koncentrationen af polymererne i blandingen.

“At have så stort et designrum kræver algoritmiske løsninger og høj‑gennemløbs‑arbejdsgange, fordi man simpelthen ikke kunne teste alle kombinationerne ved brute‑force.”

– Papirets seniorforfatter, Connor Coley

Deres AI‑system leverede optimale blandinger, hvor den bedste præsterede 18 % bedre end de enkelte komponenter.

Givet den effektivitet, hvormed AI leverer nye polymermuligheder og blandinger, giver det mening at anvende teknologien¹⁴ til at identificere bedre polymer dielektrika¹⁵.

Et forskerteam gjorde netop dette og opdagede¹⁶ dielektrika med 11‑gange energitætheden af kommercielle alternativer ved forhøjede temperaturer.

Den innovative algoritme er udviklet til at forudsige egenskaber og formuleringer af polymerer, før de faktisk fremstilles. Til dette definerede de først specifikke krav og trænede derefter ML‑modeller på eksisterende material‑egenskabsdata for at forudsige ønskede resultater.

Udover AI anvendte forskerne etableret polymerkemi og molekylær ingeniørkunst til at opdage en række dielektrika i polynorbornen‑ og polyimid‑familierne, hvor mange af de opdagede dielektrika udviser høj energitæthed og høj termisk stabilitet over et bredt temperaturområde.

Men én i særdeleshed udviste en energitæthed på 8,3 J cc⁻¹ ved 200 °C, hvilket er meget højere end det kommercielt tilgængelige polymerdielektrikum.

“I de tidlige dage af AI i materialvidenskab, drevet af Det Hvide Hus’ Materials Genome Initiative for over et årti siden, var forskning på dette område primært nysgerrighedsdrevet. Først for nylig er vi begyndt at se håndgribelige, virkelige succeshistorier i AI‑drevet accelereret polymeropdagelse,” sagde medforfatter Rampi Ramprasad, professor ved Georgia Institute of Technology. “Disse succeser inspirerer nu betydelige transformationer i den industrielle material‑R&D‑landskab.”

⬆ Tilbage til tabel

5. Faststoffelektrolytter: AI for sikrere, højere energitætte batterier

Drivet af den udbredte adoption af bærbare enheder og el‑biler samt den stigende efterspørgsel efter vedvarende energilagringsløsninger, udvikler det globale batterimarked sig hurtigt¹⁷. Givet den vigtige rolle batterier spiller i den moderne verden, forsøger forskere konstant at udvikle mere energieffektive og sikrere batteriteknologier.

Mens lithium‑ion‑batterier er de mest udbredte i dag, har de begrænset levetid og sikkerhedsrisici, som adres­seres af faststoff‑batterier (SSB’er).

Disse batterier erstatter flydende elektrolytter med faststoff‑elektrolytter for at eliminere risikoen for brand ved høje temperaturer, samtidig med at de muliggør højere energitæthed og forbedret holdbarhed, hvilket skaber sikrere og mere kraftfulde batterier.

Men disse batterier med faste elektrolytter står over for deres egne udfordringer, såsom lav ionisk ledningsevne, elektrodematerialekompatibilitet, mekanisk og kemisk stabilitet samt omkostningseffektiv fremstilling. Så forskere udforsker materialer, der kan overvinde disse problemer gennem AI.

Udover de andre felter, vi har diskuteret i dag, er batterier et af de varmeste områder, hvor anvendelsen af AI¹⁸ er eksploderet på grund af involveringen af førende bilproducenter og startups, der investerer store summer i SSB‑F&U. Ud over sikkerhedsrisikoen har sektoren også akkumuleret store databaser, som er rige nok til at træne ML‑modeller.

Endda regeringer har listet SSB’er som en strategisk prioritet for at sikre indenlandske forsyningskæder og nå nationale energi‑ og klimamål.

Der er derfor flere tilfælde, hvor AI har hjulpet¹⁹ forskere og virksomheder med at opdage nye faste elektrolytter.

Sidste år brugte Microsoft‑forskere AI sammen med supercomputere til at gennemsøge 32 millioner potentielle uorganiske materialer for at finde 18 lovende kandidater²⁰ på blot få dage. Det nye materiale, N2116, er en faststoff‑elektrolyt, der kan reducere lithium‑forbruget i batterier med 70 % og er blevet testet til at drive en lyspære.

DeepMinds AI‑værktøj GNoME har i mellemtiden identificeret²¹ 528 lovende lithium‑ion‑ledere, som kan hjælpe med at gøre batterier mere effektive.

Derefter er der LBS²² (Li8B10S19) fra Stanford‑forskere, som de kaldte “den mest stabile, svovl‑baserede lithium‑ion‑elektrolyt, vi nogensinde har set eksperimentelt.” Forskerne identificerede²³ faste elektrolytter for at på et tidspunkt erstatte brandfarlige flydende elektrolytter i Li‑ion‑batterier via AI for omkring et årti siden.

⬆ Tilbage til tabel

Konklusion

Disse eksempler viser, at AI kan fremskynde, hvordan vi opdager nye materialer. Udfordringen nu er at omsætte computer‑forudsigelser til virkelige resultater, hvilket betyder at kombinere AI med erfarne forskere og pålidelig data.

Swipe to scroll →

Det, vi ser, er de tidlige dage. Disse opdagelser fører os mod renere energi, sikrere teknologi, hårdere materialer og industrier, der ikke udtømmer planeten. AI ændrer, hvordan vi udfører materialvidenskab, og det betyder noget for fremtiden.

Klik her for at lære alt om investering i kunstig intelligens.

Referencer

1. Peplow, M. (2025). AI drømmer om millioner af nye materialer. Er de nogen værd? Nature, 646, 22–25. Published 1 October 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (2019, December 16). Kunstig intelligens kan hjælpe forskere med at lave spray‑on solceller. ScienceDaily. Published 16 December 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Høj‑effektivitet perovskit solceller via enkelt‑kilde dampaflejring. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Maskinlæring med vidensbegrænsninger til procesoptimering af åben‑luft perovskit solcelleproduktion. 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, 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. (2024). Invers design‑arbejdsgang opdager hul‑transportmaterialer skræddersyet til perovskit solceller. Science, 386(6727), 1256‑1264. Published 13 December 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Låse op for potentialet: maskinlæringsapplikationer i design af elektrokatalysatorer til elektro‑kemisk hydrogen‑energiomdannelse. Chemical Society Reviews, 53, 11390–11461. Published 9 October 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). AI‑drevet design af multiprincipalelement‑legeringer til optimal vandspaltning. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Published 15 July 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). Et autonomt laboratorium for accelereret syntese af nye materialer. Nature, 624, 86–91. Published 29 November 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Forudsigelse af superhårde materialer via en maskinlæring‑informeret evolutionær struktur‑søgning. npj Computational Materials, 5, 89. Published 03 September 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Maskinlæring og evolutionær forudsigelse af superhårde B‑C‑N‑forbindelser. npj Computational Materials, 7, 114. Published 21 July 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Find den næste superhårde materiale gennem ensemble‑læring. Advanced Materials, 33(5), e2005112. Published 4 December 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, August 5). AI hjælper kemikere med at udvikle stærkere plast. MIT News. Retrieved August 5, 2025, from https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805?utm_source=chatgpt.com
13. MIT News. (2025, July 28). Nyt system accelererer søgningen efter polymermaterialer dramatisk. MIT News. Retrieved August 5, 2025, from https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728?utm_source=chatgpt.com
14. Tan, D. Q. (2020). Jagten på forbedret dielektrisk styrke af polymer‑baserede dielektrika: En fokuseret gennemgang af polymer‑nanokompositter. Journal of Applied Polymer Science, 137, e49379. Published 5 April 2020. https://doi.org/10.1002/app.49379
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Høj‑dielektrisk design af polymer‑kompositter ved brug af kunstig neuralt netværk. Applied Sciences, 12, 12592. Published 25 December 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, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). AI‑assisteret opdagelse af høj‑temperatur dielektrika til energilagring. Nature Communications, 15(1), 6107. Published 19 July 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). Batteriindustrien er trådt ind i en ny fase. IEA Commentary. Published 5 March 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase?utm_source=chatgpt.com
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Accelerering af udviklingen af fast‑stofelektrolyt ved maskinlæring. Next Energy, 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). Kunstig intelligens styrker fast‑stofbatterier til materialescreening og præstationsvurdering. Nano‑Micro Letters, 17, 287. Published 6 June 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMinds Gnome skubber AI ind i materialvidenskab. Time Magazine. Published 6 June 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Hvordan AI og HPC fremskynder videnskabelig opdagelse. Microsoft Source – Innovation Features. Published 29 October 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). Eksperimentel opdagelse af en hurtig og stabil lithium‑thioborat fast‑stofelektrolyt, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). Ingen brændende batterier: Stanford‑forskere vender sig mod AI for at skabe sikrere lithium‑ion‑batterier. Stanford News. Published 12 December 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries