Im KI‑gestützten Labor: Eine neue Ära der Materialentdeckung

Wie in einer wachsenden Zahl von Branchen, wird die Materialwissenschaft ebenfalls unterstützt durch künstliche Intelligenz (KI).

Hier analysieren Machine‑Learning‑Algorithmen (ML) riesige Datensätze und erkennen Muster, um vielversprechende Materialkandidaten in minimaler Zeit vorzuschlagen, während sie deutlich weniger Ressourcen verbrauchen als Trial‑and‑Error‑Methoden.

Die traditionelle manuelle, menschlich intensive Arbeit, die durch das Aufkommen von Computersystemen, die komplexe Berechnungen ermöglichen, erweitert wurde, wird nun vollständig durch automatisierte, parallele und iterative Prozesse, die von KI, Simulation und experimenteller Automatisierung angetrieben werden, revolutioniert.

Die Reifung der KI‑Technologie, kombiniert mit Hochleistungsrechnen und hybriden Cloud‑Technologien, hilft der Materialwissenschaft, ein neues Paradigma zu betreten, das durch die beschleunigte Entdeckung neuer Materialien, prädiktive Modellierung von Materialeigenschaften und autonome Experimente gekennzeichnet ist.

Dieser Paradigmenwechsel ermöglicht es Forschern, von Trial‑and‑Error‑Ansätzen zum Design überzugehen, wodurch Entwicklungszyklen erheblich verkürzt und der Weg für fortschrittliche Materialien in Energie, Elektronik, Gesundheitswesen und Nachhaltigkeitsanwendungen geebnet wird.

Kürzlich haben Forscher der North Carolina State University einen großen Schritt weiter gemacht, indem sie ein selbstfahrendes Labor geschaffen haben, um einen neuen Sprung in der Laborautomation zu erreichen und die Entdeckung von Materialien durch Wissenschaftler weiter zu beschleunigen.

Das automatisierte Labor sammelt zehnmal mehr Daten als traditionelle, manuelle Methoden. Mit diesem Ansatz können Forscher Echtzeit‑, dynamische chemische Experimente durchführen, Zeit und Ressourcen sparen und gleichzeitig schnellere Durchbrüche ermöglichen.

Neue Laborentdeckungen werden nicht mehr Jahre dauern; vielmehr blicken wir in eine Zukunft, in der Erfindungen in Tagen stattfinden.

Ein KI‑gestütztes Labor: Echtzeit‑Lernen für Echtzeit‑Entdeckungen

Um die globalen Herausforderungen in sauberer Energie, menschlichem Wohlergehen und Nachhaltigkeit zu bewältigen, ist es entscheidend, schnelle Entdeckungen fortschrittlicher funktionaler Materialien zu erzielen. Die Entdeckung und Synthese neuer Materialien sind zudem Schlüssel für innovative Technologien wie Batterien, Computerchips, Solarmodule und viel mehr.

Infolgedessen wurde viel Fortschritt in Plattformen zur Beschleunigung von Materialien und selbstfahrenden Laboren erzielt.

Trotz des Fortschritts wird die Fähigkeit dieser Plattformen und Labore, komplexe Parameterbereiche zu erforschen, durch geringe Daten‑durchsatzraten behindert. Langsame Datenübertragungen und -verarbeitung führen zu verringerter Produktivität.

Daher haben Forscher der NC State University „dynamische Fließversuche als Datenintensivierungsstrategie für anorganische Materialsynthesen in selbstfahrenden fluidischen Laboren eingeführt, indem sie transiente Reaktionsbedingungen kontinuierlich auf Gleichgewichtszustände abbilden.“

Veröffentlicht in Nature Chemical Engineering¹, beschreibt die Studie ein hochmodernes selbstfahrendes Labor, das Echtzeit‑Experimente nutzt, um kontinuierlich Daten zu sammeln, wodurch die Materialentdeckung schneller und effizienter wird, während Kosten und Umweltauswirkungen reduziert werden.

Für ihre Arbeit erhielt die Studie Unterstützung von der National Science Foundation und dem University of North Carolina Research Opportunities Initiative‑Programm.

Was bedeuten selbstfahrende Labore (SDLs) überhaupt? Nun, das sind robotische Plattformen, die ML und Automatisierung mit chemischen und Materialwissenschaften kombinieren, um Materialien schneller zu finden. In diesen ML‑unterstützten modularen Experimentierplattformen wird eine Reihe von Experimenten, die vom ML‑Algorithmus ausgewählt werden, iterativ durchgeführt, um das programmierte Ziel zu erreichen.

“Stellen Sie sich vor, Wissenschaftler könnten bahnbrechende Materialien für saubere Energie, neue Elektronik oder nachhaltige Chemikalien in Tagen statt Jahren entdecken, dabei nur einen Bruchteil der Materialien verwenden und deutlich weniger Abfall erzeugen als der aktuelle Stand.”

– Mitautor des Papiers, Milad Abolhasani, ALCOA‑Professor für Chemie‑ und Biomolekulare Ingenieurwissenschaften an der North Carolina State University

Er fügte hinzu:

“Diese Arbeit bringt diese Zukunft einen Schritt näher.”

Als ein transformativer Ansatz zur Beschleunigung wissenschaftlicher Entdeckungen gewinnen selbstfahrende Labore in den Bereichen Chemie und Materialwissenschaften an Popularität.

Selbstfahrende Labore, die kontinuierliche Fließreaktoren nutzen, basieren häufig auf Gleichgewicht‑Fluss‑Experimenten, bei denen verschiedene Vorläufer vor den chemischen Reaktionen kombiniert werden und die Mischung kontinuierlich durch einen Mikrokanal fließt.

Das daraus entstehende Produkt wird anschließend, sobald die Reaktion abgeschlossen ist, durch eine Reihe von Sensoren charakterisiert.

“Dieser etablierte Ansatz für selbstfahrende Labore hat einen dramatischen Einfluss auf die Materialentdeckung gehabt”, bemerkte Abolhasani, und teilte mit, dass er Wissenschaftlern ermöglicht hat, “vielversprechende Materialkandidaten für spezifische Anwendungen in wenigen Monaten oder Wochen statt Jahren zu identifizieren, während sowohl Kosten als auch die Umweltbelastung reduziert werden.” Aber er war keineswegs perfekt, es gibt noch Verbesserungsbereiche.

Insbesondere das Leerlaufen des Systems, wenn die chemische Reaktion stattfindet, bevor das resultierende Material charakterisiert werden kann. Die Wartezeit für selbstfahrende Labore kann bei jedem Gleichgewicht‑Fluss‑Experiment bis zu einer Stunde betragen.

“Wir haben jetzt ein selbstfahrendes Labor geschaffen, das dynamische Fließversuche nutzt, bei denen chemische Mischungen kontinuierlich durch das System variiert und in Echtzeit überwacht werden.”

– Abolhasani 

Das bedeutet, dass sie den Prozess eliminieren, separate Proben durch das System zu führen und jede einzeln zu testen, nachdem sie einen Zustand erreicht haben.

Stattdessen haben sie ein System gebaut, das einfach nicht stoppt. Die Proben bewegen sich kontinuierlich durch das System. Das liegt daran, dass “das System nie aufhört, die Probe zu charakterisieren”, und der Forscher “alle halbe Sekunde Daten darüber erfassen kann, was in der Probe geschieht.”

Die Integration dynamischer Fließversuche in selbstfahrende fluidische Labore markiert einen Bruch mit traditionellen Batch‑Experimenten.

Im Gegensatz zu konventionellen Ansätzen, bei denen isolierte Datenpunkte unter Gleichgewichtszuständen gesammelt werden, werden bei dynamischen Fließversuchen mikrofluidische Prinzipien für die schnelle Abbildung von Reaktionsbedingungen genutzt.

Durch die Erzeugung eines konstanten Datenstroms wird das verfügbare experimentelle Datenvolumen drastisch erweitert.

Abolhasani zeigte, dass das Team jetzt 20 Datenpunkte darüber erhält, was das Experiment produziert, beginnend mit einem nach 0,5 Sekunden Reaktionszeit, dann einem nach 1 Sekunde, usw., im Gegensatz zu einem Datenpunkt, den sie nach 10 Sekunden erhalten hätten. Er fügte hinzu:

“Es ist, als würde man von einem einzelnen Schnappschuss zu einem kompletten Film der Reaktion wechseln, während sie stattfindet. Anstatt darauf zu warten, dass jedes Experiment endet, läuft unser System ständig, lernt ständig.”

Viel mehr Daten können einen enormen Einfluss auf die Leistung eines KI‑gestützten Labors haben. Daten sind schließlich der Schlüssel zu einem Algorithmus. KI ist datenhungrig, und basierend auf den ihr zugeführten Daten trifft der Algorithmus Vorhersagen.

Laut Abolhasani:

“Der wichtigste Teil jedes selbstfahrenden Labors ist der Machine‑Learning‑Algorithmus, den das System verwendet, um vorherzusagen, welches Experiment als Nächstes durchgeführt werden soll.”

Daher ermöglicht der Streaming‑Daten‑Ansatz dem ML‑Gehirn des selbstfahrenden Labors, nicht nur schnellere, sondern auch intelligentere Entscheidungen zu treffen, “optimale Materialien und Prozesse in einem Bruchteil der Zeit zu fokussieren.”

Die Qualität der Daten bestimmt ebenfalls die Genauigkeit der Vorhersagen. Durch mehr hochwertige experimentelle Daten kann der Algorithmus genauere Vorhersagen treffen und dadurch ein Problem schneller lösen.

“Dies hat den zusätzlichen Vorteil, die Menge an Chemikalien zu reduzieren, die für eine Lösung benötigt werden.”

– Abolhasani

Um die Fähigkeiten ihres Systems zu demonstrieren, wendete das Team dynamische Fließversuche auf CdSe‑kolloidale Quantenpunkte an. Diese wurden als Testplattform verwendet, da sie ein gut etabliertes anorganisches System mit reichen Parameterabhängigkeiten und erheblichem technologischem Potenzial darstellen.

In diesem Fall stellte das Team fest, dass ihr Labor, das ein dynamisches Fließsystem integrierte, eine um eine Größenordnung verbesserte Datenerfassungs‑Effizienz erreichte.

Es lieferte mindestens das Zehnfache an Daten im Vergleich zu anderen selbstfahrenden Laboren, die Gleichgewicht‑Fluss‑Experimente nutzten. Darüber hinaus konnte das selbstfahrende Labor nach dem Training die besten Kandidaten bereits beim ersten Versuch entdecken.

Dieser Durchbruch, wie Abolhasani sagte, „geht nicht nur um Geschwindigkeit“, sondern um Nachhaltigkeit. Durch die Reduzierung der erforderlichen Experimente senkt das System deutlich sowohl den Chemikalienverbrauch als auch den Abfall, was nachhaltigere Forschungsmethoden fördert. Abolhasani sagte:

“Die Zukunft der Materialentdeckung dreht sich nicht nur darum, wie schnell wir vorankommen, sondern auch darum, wie verantwortungsbewusst wir dorthin gelangen. Unser Ansatz bedeutet weniger Chemikalien, weniger Abfall und schnellere Lösungen für die größten Herausforderungen der Gesellschaft.”

Die wachsende Rolle der KI in der Materialwissenschaft: Spannende aktuelle Entdeckungen

KI transformiert weltweit Branchen, und das schließt die Materialwissenschaft ein, die grundlegend für viele technologische Innovationen und gesellschaftliche Herausforderungen ist.

Infolgedessen wird KI seit vielen Jahren bei der Entdeckung und Entwicklung neuer Materialien eingesetzt, hat jedoch in den letzten Jahren deutlich an Bedeutung gewonnen, da die Technologie immer fortschrittlicher und leistungsfähiger wird.

“Mit fortgesetzter Entwicklung erwarten wir, dass Robotik und Automatisierung die Geschwindigkeit, Präzision und Reproduzierbarkeit von Experimenten über verschiedene Instrumente und Disziplinen hinweg verbessern werden, wodurch Daten erzeugt werden, die KI‑Systeme analysieren können, um weitere Experimente zu steuern.”

– Dr. James Cahoon, Mitautor des Papiers ‘Transforming Science Labs into Automated Factories of Discovery’.²

Damit wollen wir uns einige wichtige Fortschritte in der Materialwissenschaft dieses Jahres in verschiedenen Anwendungsbereichen ansehen.

Zunächst, wie wir kürzlich mitteilten, konnten Wissenschaftler mit Hilfe von KI komplexe, 3D‑thermische Meta‑Emitter entwerfen, die Innenraumtemperaturen senken und Energiekosten sparen können. Das mit einer neu entwickelten ML‑Technik erstellte Material kann in Wohn- und Geschäftsgebäuden, Raumfahrzeugen, Stoffen und Textilien, Autos und mehr Anwendung finden.

“Durch die Automatisierung des Prozesses und die Erweiterung des Designraums können wir Materialien mit überlegener Leistung schaffen, die zuvor unvorstellbar waren.”

– Mitautor der Studie, Yuebing Zheng

Entwicklung neuer metallischer Materialien mit überlegener Festigkeit

Vor ein paar Monaten berichteten Wissenschaftler berichtet unter Verwendung von KI, ein neues MPEA bzw. Mehrkomponenten‑Legierungssystem zu entwerfen, Legierungen, die in Flugzeugkomponenten, Katalysatoren und Knieprothesen vorkommen.

Die neu entworfene MPEA weist überlegene mechanische Eigenschaften auf, was Sanket Deshmukh, außerordentlicher Professor für Chemieingenieurwesen an der Virginia Tech, sagte: „zeigt, wie Rahmenwerke und erklärbare KI neue Möglichkeiten im Materialdesign erschließen können.“

Um die Analyse des KI‑Modells zu interpretieren, nutzten Deshmukh und sein Team die SHAP‑Analyse (SHapley Additive exPlanations), die ihnen ermöglichte zu verstehen, wie verschiedene Elemente und ihre lokalen Umgebungen die Eigenschaften von MPEAs beeinflussen und damit mehr Einblick und genauere Vorhersagen liefern.

Neben der Beschleunigung der Entdeckung fortschrittlicher Metalllegierungen glaubt Deshmukh, dass die Integration von ML mit evolutionären Algorithmen und experimenteller Validierung uns auch Werkzeuge ermöglichen kann, die „auf komplexe Materialsyst­eme wie Glykomaterialien – polymerbasierte Materialien, die Kohlenhydrate enthalten – ausgeweitet werden können.“

Entschlüsselung der Geheimnisse des dendritischen Wachstums in Dünnschichten

Die Forschung³ der Tokyo University of Science (TUS) hat ein erklärbares KI‑Modell entwickelt, das das Wachstum von Dendriten (baumartige Verzweigungsmuster) in Dünnschichten vorhersagt, was ein großes Hindernis bei der großflächigen Fertigung darstellt und ihre Kommerzialisierung einschränkt.

Durch die Aufdeckung der spezifischen Bedingungen und Mechanismen hinter der Dendritenbildung hilft das KI‑Modell, den Wachstumsprozess von Dünnschichten zu verbessern. Dünnschicht‑Geräte sind entscheidend für Technologien wie Halbleiter.

Das neuartige KI‑Modell integrierte die Machine‑Learning‑Methode der Hauptkomponentenanalyse (PCA) und die topologische Technik der persistierenden Homologie mit einer Freie‑Energie‑Analyse.

“Durch die Integration von Topologie und freier Energie bietet unsere Methode einen vielseitigen Ansatz zur Materialanalyse. Durch diese Integration können wir eine hierarchische Verbindung zwischen atomaren Mikrostrukturen und makroskopischen Funktionalitäten über ein breites Materialspektrum herstellen und damit den Weg für zukünftige Fortschritte in der Materialwissenschaft ebnen.” – Professor Masato Kotsugi von der Abteilung für Materialwissenschaft und Technologie an der TUS

Ein besseres Verständnis von Nanopartikeln gewinnen

Ein Team von Wissenschaftlern mehrerer Universitäten kam zusammen, um eine Methode zu entwickeln⁴ die das dynamische Verhalten von Nanopartikeln besser zu verstehen, welche die Bausteine von Elektronik, Pharmazeutika und industriellen Materialien sind.

Es kombinierte Elektronenmikroskopie mit KI, um die Strukturen und Bewegungen von Molekülen bei einer beispiellosen zeitlichen Auflösung zu visualisieren.

Wie Peter A. Crozier, Professor für Materialwissenschaft und -technik an der Arizona State University, erklärte:

“Die Elektronenmikroskopie kann Bilder mit hoher räumlicher Auflösung erfassen, aber aufgrund der Geschwindigkeit, mit der sich die atomare Struktur von Nanopartikeln während chemischer Reaktionen ändert, müssen wir Daten mit sehr hoher Geschwindigkeit sammeln, um ihre Funktionalität zu verstehen.”

Um dieses Rauschen zu reduzieren, entwickelten sie eine KI‑Methode, die es automatisch entfernt und damit die Visualisierung wichtiger atomarer Dynamiken ermöglicht.

Unterdessen hebt eine Forschungsgruppe der Technischen Universität Graz den Bau von Nanostrukturen mithilfe von KI auf ein neues Niveau.

Dafür entwickeln sie ein selbstlernendes KI‑System, das einzelne Moleküle autonom, schnell und in der richtigen Orientierung mittels Rastertunnelmikroskopen positioniert – ein sonst schwieriger und zeitaufwändiger Prozess – um den Bau „hochkomplexer molekularer Strukturen, einschließlich Logikschaltungen im Nanometerbereich“ zu ermöglichen.

Ziel ist es letztlich, Quantenkorallen zu bauen, das sind Nanostrukturen in Form eines Tores, die Elektronen einfangen können, und sie zu nutzen, um Logikschaltungen zu bauen und zu untersuchen, wie sie auf molekularer Ebene funktionieren.

Bessere photovoltaische Materialien entdecken

Eine nachhaltige Alternative zu herkömmlichen siliziumbasierten Solarzellen, Perowskit‑Solarzellen zeigen großes Potenzial als nächste Generation von Photovoltaik‑Technologien, um Sonnenlicht in Strom umzuwandeln.

Ihre Wirksamkeit kann weiter gesteigert werden durch Moleküle, die positive Ladungen leiten, aber es gibt Millionen verschiedener Moleküle, was bedeutet, dass man sie alle synthetisieren und testen müsste. Durch den Einsatz von KI mit automatisierter Hochdurchsatz‑Synthese konnte jedoch ein Forscherteam des Karlsruher Instituts für Technologie (KIT) neue organische Moleküle⁵ in nur wenigen Wochen entdecken, und das mit nur 150 gezielten Experimenten.

Die neu entdeckten Materialien erhöhten zudem die Effizienz einer Referenz‑Solarzelle um etwa zwei Prozentpunkte.

Dafür griffen die Wissenschaftler auf eine Datenbank mit einer Million virtueller Moleküle zurück und wählten zufällig 13 000 davon aus, bevor sie 101 davon auswählten. Die ausgewählten Moleküle wiesen die größten Unterschiede in ihren Eigenschaften auf und wurden mit robotergesteuerten Systemen synthetisiert, bevor sie zur Herstellung von Solarzellen verwendet wurden.

Die Grundlagen für KI‑gesteuerte Materialentdeckung legen

Während all diese Entdeckungen gemacht werden, benötigt KI, um sie tatsächlich zu ermöglichen, Daten. Dazu gehören Daten über Materialien sowie Daten aus großskaligen Simulationen.

Obwohl viele solcher Datenbanken verfügbar sind, sind sie ziemlich isoliert, weshalb ein Standard nötig ist, „damit Nutzer mit all diesen Datenbibliotheken kommunizieren und die erhaltenen Informationen verstehen können“, bemerkte Gian‑Marco Rignanese, Professor am Institut für Festkörper‑ und Nanowissenschaften der UCLouvain in Belgien.

Im vergangenen Sommer veröffentlichte eine große internationale Zusammenarbeit eine erweiterte Version des OPTIMADE‑Standards, um KI‑gesteuerte Materialentdeckung zu erleichtern.

Der OPTIMADE (Open Datenbank‑Integration für Materialdesign) Standard wird von einem großen internationalen Netzwerk von Institutionen und Materialdatenbanken unterstützt. Mit dem Ziel, den Nutzern einen einfacheren Zugang zu führenden sowie weniger bekannten Materialdatenbanken zu ermöglichen, wurde eine neue Version davon eingeführt, die die laufende KI‑gesteuerte Materialentdeckung weiter beschleunigen kann.

Investitionen in KI für die Materialentdeckung

Wenn Sie in diesen Bereich investieren, ist Alphabet Inc. (GOOGL ) (Google) eines, das ein KI‑Tool namens Gnome veröffentlicht hat. Es hat damit 2,2 Millionen neue Kristalle gefunden. Dann gibt es Microsoft (MSFT ), das MatterGen und MatterSim eingeführt hat, um neue Kandidatenmaterialien zu erstellen und zu validieren. Aber es gibt einen weiteren KI‑Giganten, der sein eigenes Modell gestartet hat, um das Ausmaß und die Präzision der Materialforschung zu erhöhen.

NVIDIA Corporation (NVDA )

Das ist niemand anderes als der KI‑Liebling Nvidia. Ende letzten Jahres hat das Unternehmen eingeführt NVIDIA ALCHEMI (KI‑Labor für Chemie‑ und Materialinnovation).

Die Plattform zielt darauf ab, F&E in Chemie und Materialwissenschaften durch die Kraft von KI zu beschleunigen, und dazu beinhaltet sie APIs und beschleunigte Inferenz‑Microservices. Dies wird die Erstellung und Bereitstellung generativer KI‑Modelle ermöglichen, um das riesige Materialuniversum zu erkunden und neue Kandidaten vorzuschlagen, sowie die Entwicklung und Nutzung von Ersatzmodellen, um ein Gleichgewicht zwischen den Rechenkosten und der Genauigkeit zu erreichen. Außerdem wird sie zugängliche Informatik‑Tools und vortrainierte Grundmodelle für schnelles Screening und Simulationswerkzeuge bereitstellen, um KI‑Modelle für neue Anwendungsfälle zu trainieren und feinzujustieren.

Durch ALCHEMI will NVIDIA den Entdeckungs‑Workflow beschleunigen und „eine neue Ära bahnbrechender Entdeckungen einläuten, die eine nachhaltigere, gesündere Zukunft ermöglichen.“

Nvidia ist ein Unternehmen mit einer Marktkapitalisierung von 4,22 Billionen $, dessen Aktien bei etwa 173,5 $ gehandelt werden, ein Anstieg von 28,8 % seit Jahresbeginn. Das EPS (TTM) beträgt 3,10, das KGV (TTM) 55,73 und die ausgeschüttete Dividendenrendite liegt bei 0,02 %.

Neueste Nachrichten und Entwicklungen zu NVIDIA Corporation (NVDA) Aktien

Fazit

Da KI, Automatisierung und Hochleistungsrechnen zusammenkommen, tritt die Materialwissenschaft in ihre transformativste Ära ein, was einen dringend benötigten Wandel von menschlich gesteuerten Trial‑and‑Error‑Methoden hin zu autonomer Entdeckung markiert.

In diesem Kontext verändern KI‑gestützte Labore und selbstfahrende Experimentierplattformen die Art und Weise, wie Wissenschaftler Materialien nicht nur entdecken, sondern auch testen und optimieren, vollständig. Darüber hinaus setzen große Technologieunternehmen mit Initiativen wie NVIDIAs ALCHEMI, Googles Gnome und Microsofts MatterGen auf KI, um die nächste Innovationswelle anzutreiben!

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.

Referenzen:

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, online veröffentlicht am 14. Juli 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