AI giver turbo til jagten på næste generations bæredygtige kølematerialer

I materialverdenen er termisk nanofotonik afgørende for at muliggøre grundlæggende gennembrud på tværs af teknologiske anvendelser.

Termisk nanofotonik kombinerer nanofotonik og termisk videnskab for at manipulere og kontrollere varmetransport på nanoskalering. Den udnytter nanostrukturer og materialer til at tilpasse termisk stråling og varmestrøm, hvilket fører til fremskridt inden for forskellige anvendelser, herunder energihøstning, termisk styring og sensoring.

Nanofotonik beskæftiger sig med lysets opførsel på nanometerskala. Nanofotoniske materialer tilbyder derimod spektral og retningsbestemt kontrol over termisk emission.

Den traditionelle metode til at finde sådanne materialer hæmmes af trial‑and‑error‑tilgange, men fremkomsten af maskinlæring (ML) og kunstig intelligens (AI) har revolutioneret materialvidenskaben ved at accelerere processerne for materialefindelse, design og optimering betydeligt.

Selvom teknologien har vist sine kraftfulde evner i design af nanofotoniske og metamaterialer, er det en udfordring at udvikle en generel designmetodologi til at tilpasse højtydende nanofotoniske emittere med ultrabredbåndskontrol og præcis båndselektivitet. 

Dette skyldes begrænsninger fra traditionelle algoritmer, lokale optimeringsfælder og foruddefinerede geometrier og materialer. 

Dette adresseres nu af forskere fra University of Texas at Austin, som har samarbejdet med forskere fra Umeå University i Sverige, National University of Singapore og Shanghai Jiao Tong University.

Sammen har designet en ML‑teknik¹ til at designe komplekse, 3D termiske meta‑emittere. 

Meta‑emittere er konstruerede materialer designet til at kontrollere og manipulere elektromagnetisk stråling, med anvendelser inden for energieffektivitet og termisk styring. 

“Vores maskinlæringsramme repræsenterer et betydeligt skridt fremad i design af termiske meta‑emittere. Ved at automatisere processen og udvide designrummet kan vi skabe materialer med overlegen ydeevne, som tidligere var ubegribelige.”

– Studie‑co‑lead Yuebing Zheng, professor i Cockrell School of Engineering’s Walker Department of Mechanical Engineering

AI‑drevne materialer til klimaresistent bydesign

Publiceret i Nature beskriver studiet den nye ML‑baserede ramme, der hjalp med at designe materialer, som kan sænke indendørstemperaturer og dermed energiforbruget.

Ved hjælp af deres ramme har forskerne faktisk kunnet generere mere end 1.500 nye materialer, som selektivt kan udsende varme på en kontrolleret måde. De kan også tilbyde højere nøjagtighed i opvarmning og køling for at opnå forbedret energieffektivitet.

Deres ramme kan designe ultrabredbånds‑ og bånd‑selektive termiske meta‑emittere ved at optimere flere parametre med begrænsede data, der dækker materialemangfoldighed og 3D‑strukturel kompleksitet.

Ifølge studiet muliggør deres arkitektur dobbelte designkapaciteter. For det første automatiserer den den inverse design af et væld af mulige metastrukturer samt materialekombinationer for spektral tilpasning. For det andet har den en “uforudset evne” til at designe forskellige 3D meta‑emittere ved at anvende en tre‑plan modellering, der overvinder begrænsningerne i traditionelle, flade 2D‑strukturer. 

I deres studie præsenterer teamet syv proof‑of‑concept meta‑emittere, som demonstrerer overlegen optisk og strålings‑køleydelse, der overgår de nuværende avancerede designs. De syv klasser af meta‑emittere er skræddersyet til specifikke funktioner.

Den generaliserbare ramme, der er udviklet, er til fremstilling af 3D nanofotoniske materialer, som forskerne bemærkede, “faciliterer global optimering gennem udvidet geometrisk frihed og dimensionalitet samt en omfattende materialedatabase.”

For at vurdere levedygtigheden af deres designsystem producerede forskerne fire prøve‑materialer og testede derefter deres ydeevne. 

Et af meta‑emitter‑materialerne blev anvendt på taget af et modelhus. For at analysere dets køleevne blev materialet sammenlignet med standard kommercielle hvide og grå malinger. Det, forskerne observerede efter fire timers direkte middagssol, var, at det ny‑skabte materiale i gennemsnit var 5 til 20 grader Celsius køligere end traditionelle malinger.

Baseret på dette anslår teamet, at deres materiale vil spare cirka 15.800 kilowatt‑timer (kWh) om året i køleomkostninger for en lejlighedsbebyggelse i en varm by som Bangkok. En standard AC‑enhed forbruger typisk omkring 1.500 kWh årligt.

Så kan materialerne, som teamet har skabt, anvendes til energibesparelser i boliger og kommercielle bygninger. I byer kan de hjælpe med at sænke temperaturerne ved at reflektere sollys og udsende varme ved målrettede bølgelængder. På denne måde kan materialet potentielt reducere den urbane varmeø‑effekt, som skyldes begrænset grønne områder og tætte betonstrukturer.

Men det er ikke hele omfanget af deres anvendelse. Materialet kan også bruges i rumapplikationer, hvor det effektivt håndterer indkommende solstråling og udsendt varme, hvilket hjælper med at regulere rumfartøjets temperatur.

Anvendelsesområderne for termiske meta‑emittere strækker sig langt ud over dette. For eksempel kan vi ved at integrere dem i stoffer og tekstiler forbedre køleteknologien i tøj og udendørsudstyr. 

Biler er endnu et eksempel. Ved at omslutte biler med termiske meta‑emittere og indlejre dem i interiørmaterialer kan den varme, der opbygges, når biler står i solen, også reduceres.

På trods af deres mange fordele har disse materialer ikke kunnet opnå bred anvendelse på grund af deres arbejdsintensive designproces, og selv automatiserede muligheder har haft svært ved at håndtere deres komplekse 3D‑hierarkiske struktur. Men alt dette kan endelig ændres med den nyeste AI‑ramme.

“Traditionelt har design af disse materialer været langsomt og arbejdsintensivt, baseret på trial‑and‑error metoder. Denne tilgang fører ofte til suboptimale designs og begrænser evnen til at skabe materialer med de nødvendige egenskaber for at være effektive.”

– Zheng

Derfor vil forskerne fortsætte med at arbejde på deres teknologi, finjustere den og anvende den på yderligere aspekter af nanofotonik.

“Maskinlæring er måske ikke løsningen på alt, men de unikke spektrale krav til termisk styring gør den særligt egnet til at designe højtydende termiske emittere.”

– Co‑author Kan Yao

Hvordan AI accelererer opdagelsen af nye materialer

Fokuseret på struktur, egenskaber, bearbejdning og ydeevne af materialer udgør materialvidenskaben grundlaget for alt fra rumfart, elektronik og energi til medicin og mange andre områder. 

Faktisk har opdagelsen og udviklingen af nye materialer været afgørende for at forme menneskehedens historie i århundreder og fremme teknologien.

I årtier har vi været afhængige af trial‑and‑error‑tilgangen for at finde nye uorganiske materialer med gunstige egenskaber. Denne tilgang er ekstremt ressourcekrævende og kræver hundredtusinder af timers eksperimenter for først at identificere og derefter syntetisere kun en håndfuld potentielle nye materialer.

Kompleksiteten af materialer på deres molekylære og atomare niveauer er det, der gør opdagelsen af nye materialer til en langvarig og dyr proces. Så ændrede den øgede tilgængelighed af supercomputere materialvidenskaben ved at muliggøre simulering af materialers opførsel.

Og nu fører ankomsten af AI til en revolution inden for feltet ved at accelerere den beregningsmæssige tilgang til materialvidenskab. Ved at angive de ønskede egenskaber for et materiale samt begrænsninger kan generativ AI nu skabe helt nye materialer.

Efter alt er dagens avancerede modeller, trænet på massive datasæt, når de kombineres med høj‑gennemløbsberegning, i stand til hurtigt at screene kandidatmaterialer mod ønskede parametre, og dermed forudsige egenskaber for talrige stoffer på meget kort tid.

AI kan ikke kun spare betydelig udviklingstid og menneskelige og materialressourcer, men også gøre det, mens den præcist opfylder komplekse og varierende markedskrav.

Som Kristin Persson, professor i materialvidenskab ved University of California, Berkeley, bemærkede, er vi i øjeblikket i et paradigme, hvor videnskaben drives af big data og AI. I dag har vi nok data til at træne maskinlæringsalgoritmer, og “det giver et helt nyt niveau af hastighed i forhold til innovation,” sagde hun.

Interessant nok drager AI også fordel af opdagelsen af nye materialer. AI er data‑hungrig, og materialvidenskaben mangler data. Ved at udnytte denne teknologi kan materialegenskaber simuleres, og de resulterende data kan bruges til at træne maskinlæringsmodeller.

Persson leder i øjeblikket den multinationale, multi‑institutionelle indsats kaldet Materials Project, som udnytter supercomputing og avancerede simuleringsmetoder til at beregne egenskaberne for alle kendte uorganiske materialer og mere. Dataene stilles frit til rådighed for at designe nye materialer.

Klik her for at lære om de adaptive tagfliser, der kan hjælpe med at reducere opvarmnings-/kølingsenergiforbruget.

Gennembrud inden for AI‑drevet materialopdagelse

Forskere fra U of T Engineering introducerede for nylig et nyt værktøj², som forudsiger, hvordan et nyt materiale bedst kan anvendes for at reducere tidsrummet mellem opdagelsen af et materiale og dets implementering.

Det multimodale AI‑værktøj bruger tidlige data til at forudsige den potentielle virkelige anvendelse af et nyt materiale med fokus på en specifik kategori af porøse materialer kaldet metal‑organiske rammer (MOF). 

Kun sidste år udviklede forskere over 5.000 forskellige typer af disse materialer, som har justerbare egenskaber, bemærkede studielederen professor Seyed Mohamad Moosavi fra University of Toronto (ChemE). Han tilføjede, at udfordringen er, at et MOF skabt til en bestemt anvendelse ofte viser sig at have passende egenskaber til en helt anden.

“I materialopdagelse er det typiske spørgsmål, ‘Hvad er det bedste materiale til denne anvendelse?’” sagde Moosavi. “Vi vendte spørgsmålet om og spurgte, ‘Hvad er den bedste anvendelse for dette nye materiale?’ Med så mange materialer fremstillet hver dag ønsker vi at flytte fokus fra ‘hvilket materiale skal vi lave næste’ til ‘hvilken evaluering skal vi foretage næste.’”

Så udviklede ChemE PhD‑studerende Sartaaj Khan et multimodalt maskinlæringssystem trænet på forskellige typer data. Multimodalitet var nøglen her, da den gav modellen “et mere komplet billede” for at foretage mere præcise forudsigelser uden at kræve post‑syntese.

Forskere fra Argonne National Laboratory brugte imidlertid en generativ AI‑diffusionsmodel til at generere over 120.000 MOF‑kandidater på blot lidt over en halv time ved hjælp af en supercomputer. Den modificerede neurale netværk reducerede antallet af MOF til 364, som menes at være højtydende.

Efter et par dage og yderligere beregningsanalyse fandt teamet 102 stabile MOF i datasættet. 6 af disse havde en CO2‑kapacitet, der rangerede blandt de top 5 % af materialerne i den populære hMOF‑database.

I et andet eksempel brugte videnskabsfolk AI til at designe helt nye nanomaterialer, der er så lette som skumplast, men har styrken af kulstofstål. 

Styrke og sejhed er ofte i konflikt i mange materialer, inklusive nano‑arkitekturerede, som er sammensat af ultralette byggeklodser. Når disse byggeklodser gentages, gør de materialet stærkt, men kan også forårsage spændingskoncentrationer, der fører til pludselige brud. 

For at finde bedre måder at designe nanomaterialer på, simulerede forskerne mulige geometrier og kørte dem derefter gennem en algoritme, der lærte af deres designs for at forudsige de bedste former til jævn fordeling af påførte spændinger, mens den bærer en tung belastning.

Forskerne brugte en 3D‑printer til at bringe disse former til live og fandt, at de kunne modstå en stress på 2,03 megapascal (MPa) per kubikmeter per kilogram, hvilket er fem gange højere end titanium.

Forskerne ser deres potentielle anvendelse som ultralette komponenter i rumfartsapplikationer for at reducere brændstofforbruget og det høje CO₂‑aftryk ved flyvning.

According to first-author Peter Serles, an engineering researcher at Caltech:

“Dette er første gang, maskinlæring er blevet anvendt til at optimere nano‑arkitekturerede materialer, og vi var chokerede over forbedringerne. Det replikerede ikke blot succesfulde geometrier fra træningsdataene; det lærte af, hvilke ændringer i formerne der virkede, og hvilke der ikke gjorde, hvilket gjorde det i stand til at forudsige helt nye gittergeometrier.”

AI‑baseret materialopdagelse bruges også i vid udstrækning til byplanlægning. Et samarbejdsforskningsprojekt fra Peking University og University of Southern Denmark udviklede en avanceret ramme, der integrerer dyb læring med fjernmåling for at identificere byggematerialer med hidtil uset præcision.

Udover energieffektivitet kan AI løfte byplanlægning ved at hjælpe med miljøovervågning og bevaring, bolig‑ og infrastrukturudvikling samt offentlig sikkerhed og katastroferespons.

Klik her for at lære om de bladløse vindmøller, ofte omtalt som fremtiden for ren energi.

Investering i AI‑baseret materialopdagelse

Hvis vi ser på investeringspotentialet for AI, er det enormt, med markedet forventet at være værd trillioner i de kommende år. Når det kommer til virksomheder, der leder denne teknologiske fremgang, især inden for materialvidenskab, skiller to navne sig ud: Microsoft (MSFT ) og Google (Alphabet Inc.) (GOOG ), som har lanceret deres egne modeller for at hæve skalaen og præcisionen i materialeforskning. For formålet med denne artikel fokuserer vi dog på Alphabet Inc.

Alphabet Inc. (GOOG )

Sent i 2023 frigav Googles DeepMind et AI‑værktøj kaldet Graph Networks for Materials Exploration (Gnome) for at fremskynde materialefindelsesprocessen. På det tidspunkt rapporterede⁶, at de fandt 2,2 millioner nye krystaller med hjælp fra det dybe læringsværktøj.

Dette, bemærkede Google, er “ækvivalent med omkring 800 års viden og demonstrerer en hidtil uset skala og nøjagtighed i forudsigelser.” De nyopdagede krystaller omfattede 380.000 stabile materialer, hvilket gør dem til lovende kandidater for eksperimentel syntese og i stand til at drive fremtidige teknologier.

Gnome‑modellen er en graf‑neural‑netværks‑model (GNN), hvor inputdata repræsenteres som en graf. Gnome blev trænet på data fra Materials Project, inklusive krystalstrukturer og deres stabilitet, for at generere nye kandidat‑krystaller og forudsige deres stabilitet.

Google vurderede sin forudsigelsesstyrke ved gentagne gange at tjekke ydeevnen ved brug af Density Functional Theory (DFT). For ‘træningsprocessen’ brugte de ‘aktiv læring’, hvor de resulterende data blev ført tilbage i modellen, hvilket markant boostede Gnomes præstation.

Ifølge Google steg modellens nøjagtighed i stabilitetsforudsigelser fra 50 % til 80 %. Effektiviteten i modellen skaleredes samtidigt fra under 10 % til over 80 %.

Desuden er omkring 736 materialer forudsagt af Gnome blevet uafhængigt syntetiseret af eksterne forskere. Google samarbejdede også med Lawrence Berkeley National Lab om at syntetisere 41 nye materialer, hvilket bekræfter værktøjets forudsigelsesstyrke og kraften i autonom eksperimentering.

Lad os nu se på den $2,2‑billioner‑store markedsværdi‑gigants præstation. På tidspunktet for skrivning handles aktierne omkring $182, ned 3,86 % YTD. Den har en EPS (TTM) på 8,97 og en P/E (TTM) på 20,29. Udbytteafkastet er 0,46 %.

Hvad angår virksomhedens finanser rapporterede Googles moderselskab, Alphabet, en omsætning på $90,2 milliarder for Q1, der sluttede den 31. march 2025. Indtjening pr. aktie var $2,81. Disse tal sagde CEO Sundar Pichai “reflekterer sund vækst og momentum på tværs af forretningen. Understøttet af denne vækst er vores unikke full‑stack‑tilgang til AI.”

Seneste nyheder og udviklinger om Alphabet Inc. (GOOG) aktien

Konklusion

AI transformerer alle aspekter af vores liv, inklusive hvordan vi designer materialer, der former vores fremtid. Teknologiens integration i materialvidenskaben repræsenterer et sandt paradigmeskift, der accelererer opdagelser, som tidligere tog år at realisere, nu på dage eller endda timer.

Kort sagt driver AI den nære fremtid for materialinnovation ved at udnytte massive datasæt, høj‑gennemløbsberegning og generative modeller, så forskere kan forudsige, designe og optimere nye materialer med hidtil uset effektivitet og præcision.

Klik her for at lære om de ren‑energi aktier med miljøfokus.

Referencer:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabredbånds‑ og bånd‑selektive termiske meta‑emittere ved maskinlæring. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Forbindelse af syntese af metal‑organiske rammer til anvendelser ved brug af multimodal maskinlæring. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Et generativt kunstig intelligens‑ramme baseret på en molekylær diffusionsmodel til design af metal‑organiske rammer til CO₂‑fangst. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Ultrahøj specifik styrke ved Bayesisk optimering af carbon nanolattices. Advanced Materials 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, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Urban Fabric Decoded: Højpræcis identifikation af byggematerialer via dyb læring og fjernmåling. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Skalering af dyb læring til materialopdagelse. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9