Einblicke in KI-gestützte Labore: Eine neue Ära der Materialforschung

Wie eine wachsende Zahl von Branchen ist auch die Materialwissenschaft unterstützt werden durch künstliche Intelligenz (KI).

Dabei analysieren Algorithmen des maschinellen Lernens (ML) riesige Datensätze und identifizieren Muster, um in kürzester Zeit vielversprechende Materialkandidaten vorzuschlagen. Dabei wird deutlich weniger Ressourcen verbraucht als bei Versuch und Irrtum.

Die traditionelle manuelle, arbeitsintensive Arbeit, die wurde erweitert durch das Aufkommen von Computersystemen, die komplexe Berechnungen ermöglichen, wird nun durch automatisierte, parallele und iterative Prozesse, die durch KI, Simulation und experimentelle Automatisierung gesteuert werden, völlig revolutioniert. 

Die Weiterentwicklung der KI-Technologie, kombiniert mit High-Performance Computing und Hybrid-Cloud-Technologien, ist der Materialwissenschaft zu einem neuen Paradigmenwechsel verhelfen markiert durch die beschleunigte Entdeckung neuer Materialien, prädiktive Modellierung von Materialeigenschaften und autonomes Experimentieren. 

This paradigm shift enables researchers to transition from trial-and-error approaches to design, significantly reducing development cycles and paving the way for advanced materials in Energie-, Elektronik-, Gesundheits- und Nachhaltigkeitsanwendungen.

Kürzlich gingen Forscher der North Carolina State University einen großen Schritt weiter und schufen ein selbstfahrendes Labor, um einen neuen Sprung in der Laborautomatisierung zu erreichen und die Entdeckung neuer Materialien durch Wissenschaftler weiter zu beschleunigen..

Das automatisierte Labor sammelt zehnmal mehr Daten als herkömmliche, manuelle Methoden. Mit diesem Schritt können Forscher dynamische chemische Experimente in Echtzeit durchführen und so Zeit und Ressourcen sparen. ermöglichen schnellere Durchbrüche.

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

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

Um die globalen Herausforderungen in den Bereichen saubere Energie, menschliches Wohlergehen und Nachhaltigkeit zu bewältigen, ist es kritischem um schnell zu Entdeckungen fortschrittlicher Funktionsmaterialien zu gelangen. Bewertung und die Synthese neuer Materialien sind auch der Schlüssel zu innovativen Technologien Google Trends, Amazons Bestseller Batterien, Computerchips, Solarmodule und viel more.

Dadurch viel Fortschritt hat gemacht worden in Materialbeschleunigungsplattformen und selbstfahrenden Laboren.

Trotz der Fortschritte ist die Kapazität dieser Plattformen und Labore, komplexe Parameterräume zu erforschen, wird behindert durch geringen Datendurchsatz. Schleppend Datenübertragungen und -verarbeitung führen zu einer verringerten Produktivität.

Daher haben Forscher der NC State University „dynamische Strömungsexperimente als Strategie zur Datenintensivierung für die Synthese anorganischer Materialien in selbstfahrenden Fluidiklaboren eingeführt, indem sie vorübergehende Reaktionsbedingungen kontinuierlich auf stationäre Äquivalente abbilden.“

Veröffentlicht in Naturchemikalien Engineering¹Die Studie beschreibt ein hochmodernes Labor für autonomes Fahren, das mithilfe von Echtzeit-Experimenten ständig Daten sammelt und so Herstellung Materialentdeckung schneller und effizienter bei gleichzeitiger Reduzierung der Kosten und der Umweltbelastung.

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

Was bedeutet selbstfahrende Labore (SDLs) überhaupt? Dabei handelt es sich um Roboterplattformen, die ML und Automatisierung mit Chemie- und Materialwissenschaften kombinieren, um Materialien schneller zu finden. In diesen ML-gestützten modularen Experimentalplattformen wird eine Reihe von Experimenten durchgeführt, die ausgewählt sind durch den ML-Algorithmus, 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 innerhalb von Tagen statt Jahren entdecken, wobei sie nur einen Bruchteil der Materialien verbrauchen und weitaus weniger Abfall erzeugen würden als beim Status Quo.“

– Co-Autor des Artikels, Milad Abolhasani, ALCOA-Professor für chemische und biomolekulare Technik an der North Carolina State University

Er fügte hinzu:

"Diese Arbeit bringt diese Zukunft einen Schritt näher.“ 

Selbstfahrende Labore stellen einen transformativen Ansatz zur Beschleunigung wissenschaftlicher Entdeckungen dar und erfreuen sich in den Bereichen Chemie und Materialwissenschaften zunehmender Beliebtheit.. 

Selbstfahrende Labore, die kontinuierliche Durchflussreaktoren verwenden, basieren oft auf stationären Durchflussexperimenten, bei denen verschiedene Vorläufer kombiniert werden, bevor chemische Reaktionen stattfinden, und die Mischung kontinuierlich durchfließt ein Mikrokanal. 

Das Produkt, das kommt daraus wird dann nach Abschluss der Reaktion durch eine Reihe von Sensoren charakterisiert.

„Dieser etablierte Ansatz für selbstfahrende Labore hatte dramatische Auswirkungen auf die Materialforschung“, bemerkte Abolhasani und erklärte, dass Wissenschaftler dadurch „vielversprechende Materialkandidaten für bestimmte Anwendungen innerhalb weniger Monate oder Wochen statt Jahren identifizieren und gleichzeitig sowohl die Kosten als auch die Umweltauswirkungen der Arbeit reduzieren konnten“. Aber es war keineswegs perfekt, und es gab noch Bereiche, in denen Verbesserungen möglich waren.

Insbesondere der Leerlauf des Systems, wenn die chemische Reaktion stattfinden bevor das entstehende Material be dadurch gekennzeichnet. Die Wartezeit für selbstfahrende Labore kann für jedes stationäre Strömungsexperiment bis zu einer Stunde betragen.

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

– Abolhasani 

Was dies Mittel verbinden ist, dass Sie eliminieren den Prozess, separate Proben durch das System laufen zu lassen und jede einzelne zu testen ihrer dank One zu einer Zeit nachdem sie einen Zustand erreicht haben. 

Stattdessen haben sie ein System aufgebaut, das einfach hört nicht auf zu laufen. Die Proben bewegen sich kontinuierlich durch das System. Dieser liegt daran, dass „das System nie aufhört, die Probe zu charakterisieren“ und der Forscher „jede halbe Sekunde Daten darüber erfassen kann, was in der Probe vor sich geht“.

Die Integration dynamischer Strömungsexperimente in selbstfahrende Fluidiklabore stellt eine Abkehr von herkömmlichen Batch-Experimenten dar. 

Im Gegensatz zu herkömmlichen Ansätzen, bei denen isolierte Datenpunkte sind versammelt unter stationären Bedingungen, in dynamische Strömungsexperimente, Mikrofluidische Prinzipien werden ausgenutzt für schnell Abbildung der Reaktionsbedingungen.

Durch die Erstellung eines konstanten Datenstroms werden die zugänglichen experimentellen Daten drastisch erweitert.

Abolhasani verdeutlichte, dass das Team nun bekommt 20 Datenpunkte darüber, was das Experiment ergibt, beginnend mit einem nach 0.5 Sekunden Reaktionszeit, dann einem nach 1 Sekunde Reaktionszeit und so weiter, im Gegensatz zu den dank One Datenpunkt, den sie bekommen nach 10 Sekunden Reaktionszeit. Er fügte hinzu:

„Es ist, als würde man von einer einzelnen Momentaufnahme zu einem vollständigen Film der Reaktion wechseln, während sie stattfindet. Anstatt darauf zu warten, dass jedes Experiment abgeschlossen ist, läuft unser System immer und lernt ständig dazu.“ 

Der Zugriff auf so viele Daten kann die Leistung eines KI-gestützten Labors enorm beeinflussen. Daten sind schließlich der Schlüssel zu einem Algorithmus. KI ist datenhungrig, und basierend auf den Daten, die sie ist gefüttert, der Algorithmus macht Vorhersagen.

Laut Abolhasani:

„Der wichtigste Teil jedes selbstfahrenden Labors ist der maschinelle Lernalgorithmus, den das System verwendet, um vorherzusagen, welches Experiment es als nächstes durchführen soll.“ 

Der Streaming-Data-Ansatz ermöglicht es dem ML-Gehirn des selbstfahrenden Labors, nicht nur schnellere, sondern auch intelligentere Entscheidungen zu treffen und „in einem Bruchteil der Zeit optimale Materialien und Prozesse zu finden“.

Die Qualität der Daten bestimmt auch die Genauigkeit der Vorhersagen. Also, von Mit qualitativ hochwertigeren experimentellen Daten kann der Algorithmus genauere Vorhersagen treffen. und dann it können. lösen ein Problem schneller. 

„Dies hat den zusätzlichen Vorteil, dass weniger Chemikalien benötigt werden, um eine Lösung zu finden.“ 

– Abolhasani

Um die Leistungsfähigkeit ihres Systems zu demonstrieren, führte das Team dynamische Strömungsexperimente mit kolloidalen CdSe-Quantenpunkten durch. Diese dienten als Testumgebung, da es sich um ein etabliertes anorganisches System handelt, das nicht nur vielfältige Parameterabhängigkeiten, sondern auch erhebliches technologisches Potenzial aufweist.

In diesem Fall stellte das Team fest, dass sein Labor, das über ein dynamisches Strömungssystem verfügte, „eine um ein Vielfaches höhere Effizienz bei der Datenerfassung“ erreichte.

Es lieferte mindestens zehnmal mehr Daten als andere Labore für autonomes Fahren, in denen stationäre Strömungsexperimente durchgeführt wurden. Darüber hinaus konnte das selbstfahrende Labor nach dem Training die besten Kandidaten beim ersten Versuch erkennen.

Bei diesem Durchbruch geht es, wie Abolhasani sagte, „nicht nur um Geschwindigkeit“, sondern auch um Nachhaltigkeit. Durch die Reduzierung der erforderlichen Anzahl von Experimenten reduziert das System sowohl den Chemikalienverbrauch als auch Abfall und fördert nachhaltigere Forschungspraktiken. Abolhasani sagte:

„Die Zukunft der Materialforschung hängt nicht nur davon ab, wie schnell wir vorankommen, sondern auch davon, wie verantwortungsvoll wir dieses Ziel erreichen. 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 neue Entdeckungen

KI verändert Branchen weltweit, und dazu gehört Materialwissenschaft, die für viele technologische Innovationen und gesellschaftliche Herausforderungen von grundlegender Bedeutung ist. 

Als Ergebnis der Verwendung Der Einsatz von KI bei der Entdeckung und Entwicklung neuer Materialien ist los seit vielen Jahren jetzt an, aber es hat sicherlich hat in den letzten Jahren an Bedeutung gewonnen, da die Technologie wird fortschrittlicher und leistungsfähiger. 

„Wir gehen davon aus, dass Robotik und Automatisierung mit der fortschreitenden Entwicklung die Geschwindigkeit, Präzision und Reproduzierbarkeit von Experimenten über verschiedene Instrumente und Disziplinen hinweg verbessern und Daten generieren werden, die von Systemen künstlicher Intelligenz analysiert werden können, um weitere Experimente zu steuern."

– Dr. James Cahoon, Co-Autor des Artikels „Umwandlung von Wissenschaftslaboren in automatisierte Entdeckungsfabriken.^2'

Lassen Sie uns nun einen Blick auf einige wichtige Fortschritte werfen, die in diesem Jahr in der Materialwissenschaft in verschiedenen Anwendungsbereichen erzielt wurden.

Zunächst einmal konnten Wissenschaftler, wie wir kürzlich berichteten, mithilfe von KI komplexe dreidimensionale thermische Metaemitter entwickeln, die erlegen Innentemperaturen und helfen Speichern Energiekosten. Das mit einer neu entwickelten ML-Technik hergestellte Material kann in Wohn- und Geschäftsgebäuden, Raumfahrzeugen, Stoffen und Textilien, Autos und vielem mehr Anwendung finden.

„Durch die Automatisierung des Prozesses und die Erweiterung des Designspielraums können wir Materialien mit überlegener Leistung schaffen, die bisher undenkbar waren."

– Der Co-Leiter der Studie, Yuebing Zheng

Entwicklung neuer metallischer Werkstoffe mit überlegener Festigkeit

Vor ein paar Monaten haben Wissenschaftler berichtet Verwenden von KI zum Entwerfen eines neuen MPEA oder mehrerer Hauptelemente Legierungen, Die Diese gefunden in Flugzeugkomponenten, Katalysatoren und Knieprothesen.

The newly designed MPEA comes with superior mechanical properties, which Sanket Deshmukh, associate professor in chemical engineering at Virginia Tech, said, “demonstrates how frameworks and explainable AI can unlock new possibilities in materials design."

So interpretieren Sie die Analyse gemacht durch das KI-Modell, Deshmukh und sein Team benutzt SHAP (SHapley Additive exPlanations) Analyse, die erlaubt ihnen zu verstehen, wie verschiedene Elemente und ihre lokalen Umgebungen beeinflussen Eigenschaften der MPEAs, wiederum, Bereitstellung von mehr Einblicken und genaueren Vorhersagen.

Neben der Beschleunigung der Entdeckung fortschrittlicher metallischer LegierungenDeshmukh glaubt, dass die Integration von ML mit evolutionären Algorithmen und experimenteller Validierung uns auch dabei helfen kann, Werkzeuge zu entwickeln, die „auf komplexe Materialsysteme wie Glykomaterialien – Polymermaterialien, die Kohlenhydrate enthalten – erweitert werden können.“

Die Geheimnisse des dendritischen Wachstums in dünnen Filmen entschlüsseln

Die Forschungsprojekte³ von der Tokyo University of Science (TUS) hat ein erklärbares KI-Modell entwickelt, das das Wachstum von Dendriten (baumartiges Verzweigungsmuster) in dünnen Filmen vorhersagt, was ein großes Hindernis bei ihrer großflächigen Herstellung darstellt und ihre Kommerzialisierung einschränkt.

Durch die Aufdeckung der spezifischen Bedingungen und Mechanismen hinter der Dendritenverzweigung trägt das KI-Modell dazu bei, den Wachstumsprozess dünner Filme zu verbessern. Dünnschichtbauelemente sind kritischem in Technik wie Halbleiter.

Das neuartige KI-Modell integriert die maschinelle Lernmethode namens Hauptkomponentenanalyse (PCA) und die Topologietechnik namens persistente Homologie mit freier Energieanalyse. 

„Durch die Integration von Topologie und freier Energie bietet unsere Methode einen vielseitigen Ansatz für die Materialanalyse. Durch diese Integration können wir eine hierarchische Verbindung zwischen Mikrostrukturen auf atomarer Ebene und makroskopischen Funktionalitäten über ein breites Spektrum von Materialien hinweg herstellen und so den Weg für zukünftige Fortschritte in der Materialwissenschaft ebnen.“"

– Professor Masato Kotsugi von der Fakultät für Materialwissenschaft und -technologie der TUS

Nanopartikel besser verstehen

Ein Team von Wissenschaftlern mehrerer Universitäten kamen zusammen zu entwickeln eine Methode⁴ zu leben verstehen das dynamische Verhalten von Nanopartikeln, den Bausteinen von Elektronik, Pharmazeutika und Industriematerialien.

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

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

„Die Elektronenmikroskopie kann Bilder mit einer hohen räumlichen Auflösung aufnehmen, aber aufgrund der Geschwindigkeit, mit der sich die atomare Struktur von Nanopartikeln während chemischer Reaktionen verändert, müssen wir Daten mit sehr hoher Geschwindigkeit sammeln, um ihre Funktionalität zu verstehen.“

Um dieses Rauschen zu mildern, entwickelten sie eine KI-Methode, die es automatisch entfernt und „so die Visualisierung wichtiger Dynamiken auf atomarer Ebene ermöglicht“.

Unterdessen hebt eine Forschungsgruppe der TU Graz den Aufbau von Nanostrukturen mithilfe von KI auf ein neues Niveau.

Dafür sind sie Entwicklung ein selbstlernendes KI-System, das einzelne Moleküle selbstständig schnell und in der Recht Orientierung mit Rastertunnelmikroskopen, ansonsten ein schwieriger und zeitaufwändiger Prozess, damit die Gebäude von „hochkomplexen Molekülstrukturen, einschließlich logischer Schaltkreise im Nanometerbereich."

Das Ziel besteht letztlich darin, Quantenkorrals zu bauen, also Nanostrukturen in Form eines Tors, das Elektronen einfangen kann, und diese zum Aufbau logischer Schaltkreise zu verwenden, um deren Funktionsweise auf molekularer Ebene zu untersuchen. 

Entdeckung besserer Photovoltaikmaterialien

Eine nachhaltige Alternative zu herkömmlichen Solarzellen auf Siliziumbasis: Perowskit-Solarzellen erklären vielversprechend als Photovoltaik-Technologie der nächsten Generation umwandeln Sonnenlicht in Elektrizität um. 

Ihre Wirksamkeit kann durch Moleküle, die positive Ladungen leiten, noch weiter erhöht werden. Es gibt jedoch Millionen verschiedener Moleküle, was bedeutet, dass man sie synthetisieren muss. und sie alle zu testen. Durch den Einsatz von KI mit automatisierter Hochdurchsatzsynthese gelang es einem Forscherteam des Karlsruher Instituts für Technologie (KIT), neue organische Moleküle entdecken⁵ in nur wenigen Wochen, mit nur 150 gezielten Experimenten.

Die neu entdeckten Materialien steigerten zudem die Effizienz einer Referenz-Solarzelle um etwa zwei Prozentpunkte.

Dazu griffen die Wissenschaftler auf eine Datenbank mit einer Million virtueller Moleküle zurück und wählten daraus zufällig 13,000 aus, bevor sie sich für 101 entschieden. Die Auserwählten hätten die größten Unterschiede in ihren Eigenschaften, und sie wurden synthetisiert und Robotersysteme vor benutze sie zur Herstellung von Solarzellen.

Grundsteinlegung für KI-gestützte Materialforschung

Während alle diese Entdeckungen Gemacht werden, damit KI es tatsächlich möglich macht, es braucht Daten. Dieser umfasst Daten zu Materialien sowie Daten aus groß angelegten Simulationen. 

Obwohl es viele solcher Datenbanken gibt, sind sie ziemlich isoliert und benötigen daher einen Standard, „damit die Benutzer mit all diesen Datenbibliotheken kommunizieren und die erhaltenen Informationen verstehen können." bemerkte Gian-Marco Rignanese, Professor am Institut für Kondensierte Materie und Nanowissenschaften an der UCLouvain in Belgien.

Im letzten Sommer fand eine große internationale Zusammenarbeit statt freigegeben eine erweiterte Version des OPTIMADE-Standards zur Erleichterung der KI-gesteuerten Materialentdeckung.

Das OPTIMADE (Open Datenbankintegration für Materialdesign) Standard ist unterstützt durch ein großes internationales Netzwerk von Institutionen und Materialdatenbanken. Mit dem Ziel, den Benutzern einen einfacheren Zugang zu führenden und weniger bekannten Materialdatenbanken zu ermöglichen, wurde eine neue Version davon wurde vorgestellt die die laufende KI-gesteuerte Materialentdeckung weiter beschleunigen können.

Investitionen in KI zur Materialentdeckung

Wenn die Funktion über Investitionen nachdenken in diesem Raum, Alphabet Inc. (GOOGL ) im Besitz von Google ist einer der hat ein KI-Tool namens Gnome veröffentlicht. Es hat Fund gemeldet 2.2 Millionen neue Kristalle damit. Dann gibt es Microsoft (MSFT ), das MatterGen und MatterSim eingeführt hat, um neue Kandidatenmaterialien zu erstellen und zu validieren.

Doch es gibt noch einen anderen KI-Giganten, der sein eigenes Modell auf den Markt gebracht hat, um den Umfang 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).

Ziel der Plattform ist es, die Forschung und Entwicklung in Chemie und Materialwissenschaften durch die Nutzung der KI zu beschleunigen., es umfasst APIs und Microservices für beschleunigte Inferenz. Dieser ermöglicht die Erstellung und Bereitstellung von Art KI-Modelle zur Erforschung des riesigen Materialuniversums und zur Vorschlagung neuer Kandidaten, , die Entwicklung und Verwendung von Ersatzmodellen zu Erzielen ein Gleichgewicht zwischen die kosten der Berechnung und Genauigkeit. Es wird auch erlauben für zugängliche Informatik-Tools und vortrainierte Basismodelle für schnelle Screening- und Simulationstools trainieren , Feinabstimmung KI-Modelle für neue Anwendungsfälle.

Mit ALCHEMI möchte NVIDIA den Entdeckungsworkflow beschleunigen und „eine neue Ära bahnbrechender Entdeckungen einläuten, die eine nachhaltigere und gesündere Zukunft ermöglichen.“

Nvidia ist ein Unternehmen mit einer Marktkapitalisierung von 4.22 Billionen US-Dollar. Die Aktien notieren derzeit bei rund 173.5 Milliarden US-Dollar, ein Plus von 28.8 % seit Jahresbeginn. Der Gewinn pro Aktie (EPS) liegt bei 3.10, das KGV (TTM) bei 55.73 und die Dividendenrendite bei 0.02 %.

Aktuelle Aktiennachrichten und Entwicklungen der NVIDIA Corporation (NVDA)

Fazit

Da KI, Automatisierung und Hochleistungsrechnen komm zusammenDie Materialwissenschaft tritt in ihre transformativste Ära ein und markiert einen dringend notwendigen Wandel von der vom Menschen geleiteten Trial-and-Error to, autonomous discovery.

KI-gestützte Labore und selbstfahrende Versuchsplattformen verändern die Art und Weise, wie Wissenschaftler Materialien nicht nur entdecken, sondern auch testen und optimieren, grundlegend. Mit Initiativen wie NVIDIAs ALCHEMI, Googles Gnome und Microsofts MatterGen setzen auch die großen Technologieunternehmen auf KI, um die nächste Innovationswelle voranzutreiben!

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

Referenzen: (Die Referenzliste bleibt in der wissenschaftlichen Zitierweise erhalten)

1. Delgado-Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, RB; Bennett, JA; Jha, P.; Muchin, N.; Li, J.; López-Guajardo, EA; Sadeghi, S.; Bateni, F.; Abolhasani, M. Flussgesteuerte Datenintensivierung zur Beschleunigung der autonomen Entdeckung anorganischer Materialien. 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. Die Transformation von Wissenschaftslaboren in automatisierte Entdeckungsfabriken. 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. Verknüpfung von Struktur und Prozess beim dendritischen Wachstum mithilfe persistenter Homologie und Energieanalyse. Wissenschaft. Technol. Adv. Mater. Methoden 2025, 5 (1), Artikel 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. Visualisierung der Oberflächendynamik und Instabilitäten von Nanopartikeln durch tiefe Rauschunterdrückung. Forschung 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 entdeckt Lochtransportmaterialien, die maßgeschneidert für Perowskit-Solarzellen sind. Wissenschaft 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901