KI treibt die Suche nach nachhaltigen Kühlmaterialien der nächsten Generation voran

In der Welt der Werkstoffe ist die thermische Nanophotonik entscheidend, um grundlegende Durchbrüche in technologischen Anwendungen zu ermöglichen.

Thermische Nanophotonik kombiniert Nanophotonik und Thermowissenschaft, um den Wärmetransfer auf der Nanoskala zu manipulieren und zu steuern. Sie nutzt Nanostrukturen und Materialien, um thermische Strahlung und Wärmefluss zu gestalten, was zu Fortschritten in verschiedenen Anwendungen führt, darunter Energiegewinnung, Thermomanagement und Sensorik.

Nanophotonik befasst sich mit dem Verhalten von Licht auf der Nanometerskala. Nanophotonische Materialien bieten gleichzeitig spektrale und richtungsbezogene Kontrolle über thermische Emission.

Die herkömmliche Methode, solche Materialien zu finden, wird durch Trial-and-Error‑Ansätze behindert, doch das Aufkommen von Machine Learning (ML) und Künstlicher Intelligenz (KI) hat das Feld der Werkstoffwissenschaften revolutioniert, indem es die Prozesse der Materialentdeckung, -gestaltung und -optimierung erheblich beschleunigt.

Obwohl die Technologie ihre leistungsstarken Fähigkeiten bei der Gestaltung von nanophotonischen und Metamaterialien gezeigt hat, ist es eine Herausforderung, eine allgemeine Design‑Methodik zu entwickeln, um Hochleistungs‑nanophotonische Emittoren mit ultrabreitem Spektrum und präziser Bandselektivität anzupassen.

Dies liegt daran, dass traditionelle Algorithmen, lokale Optimierungsfallen und vordefinierte Geometrien sowie Materialien einschränkend wirken.

Dies wird jedoch jetzt von Wissenschaftlern der University of Texas at Austin angegangen, die mit Forschern der Umeå University in Schweden, der National University of Singapore und der Shanghai Jiao Tong University zusammengearbeitet haben.

Gemeinsam haben sie eine ML‑Technik entwickelt¹ zur Gestaltung komplexer, 3D‑thermischer Meta‑Emittoren.

Meta‑Emittoren sind konstruierte Materialien, die entwickelt wurden, um elektromagnetische Strahlung zu steuern und zu manipulieren, und bieten Anwendungen in Energieeffizienz und Thermomanagement.

„Unser Machine‑Learning‑Framework stellt einen bedeutenden Fortschritt im Design thermischer Meta‑Emittoren dar. Durch die Automatisierung des Prozesses und die Erweiterung des Designraums können wir Materialien mit überlegener Leistung schaffen, die zuvor unvorstellbar waren.“

– Studien‑Co‑Leiter Yuebing Zheng, Professor an der Cockrell School of Engineering, Walker Department of Mechanical Engineering

KI‑gestützte Materialien für klimaresilientes urbanes Design

Veröffentlicht in Nature beschreibt die Studie das neue ML‑basierte Framework, das bei der Gestaltung von Materialien half, die Innenraumtemperaturen senken und damit Energiekosten reduzieren.

Mit ihrem Framework konnten die Wissenschaftler tatsächlich mehr als 1.500 neue Materialien generieren, die Wärme selektiv und kontrolliert emittieren können. Sie ermöglichen zudem eine höhere Genauigkeit beim Heizen und Kühlen, um die Energieeffizienz zu verbessern.

Ihr Framework kann ultrabreite und bandselektive thermische Meta‑Emittoren entwerfen, indem es mehrere Parameter mit begrenzten Daten optimiert, die Materialvielfalt und 3D‑Strukturkomplexität abdecken.

Laut der Studie ermöglicht ihre Architektur doppelte Design‑Fähigkeiten. Erstens automatisiert sie das inverse Design einer Vielzahl möglicher Metastrukturen sowie Materialkombinationen für spektrale Anpassungen. Zweitens besitzt sie eine „beispiellose Fähigkeit“, verschiedene 3D‑Meta‑Emittoren zu entwerfen, indem sie eine dreiebenige Modellierungsmethode anwendet, die die Beschränkungen traditioneller, flacher 2D‑Strukturen überwindet.

In ihrer Studie präsentiert das Team sieben Proof‑of‑Concept‑Meta‑Emittoren, die eine überlegene optische und strahlungsbasierte Kühlleistung zeigen und die aktuellen fortschrittlichen Designs übertreffen. Die sieben Klassen von Meta‑Emittoren sind auf spezifische Funktionen zugeschnitten.

Das entwickelte, verallgemeinerbare Framework dient der Herstellung von 3D‑nanophotonischen Materialien, wobei die Forscher anmerkten, dass es „globale Optimierung durch erweiterte geometrische Freiheit und Dimensionalität sowie eine umfassende Materialdatenbank ermöglicht“.

Um die Machbarkeit ihres Design‑Systems zu beurteilen, stellten die Forscher vier Beispielmaterialien her und testeten anschließend deren Leistung.

Ein Material der Meta‑Emittoren wurde auf das Dach eines Modellhauses aufgebracht. Um seine Kühlfähigkeit zu analysieren, wurde das Material mit handelsüblichen weißen und grauen Farben verglichen. Die Forscher beobachteten nach vier Stunden direkter Mittagssonneneinstrahlung, dass das neu entwickelte Material im Durchschnitt 5 bis 20 Grad Celsius kühler war als herkömmliche Farben.

Auf dieser Grundlage schätzt das Team, dass ihr Material etwa 15.800 Kilowattstunden (kWh) pro Jahr an Kühlkosten für ein Wohngebäude in einer heißen Stadt wie Bangkok einsparen wird. Ein Standard‑Klimagerät verbraucht typischerweise rund 1.500 kWh pro Jahr.

Daher können die vom Team entwickelten Materialien für Energieeinsparungen im Wohn- und Gewerbebereich genutzt werden. In Städten können sie die Temperaturen senken, indem sie Sonnenlicht reflektieren und Wärme bei gezielten Wellenlängen abgeben. Auf diese Weise könnte das Material den städtischen Wärmeinseleffekt mindern, der durch begrenztes Grün und dichte Betonbauten verursacht wird.

Doch das ist nicht das gesamte Anwendungsspektrum. Das Material kann auch in Weltraumanwendungen eingesetzt werden, wo es eingehende Sonnenstrahlung und abgegebene Wärme effizient verwaltet und so die Temperatur von Raumfahrzeugen reguliert.

Die Anwendungsfälle thermischer Meta‑Emittoren reichen weit darüber hinaus. Beispielsweise können sie in Stoffe und Textilien integriert werden, um die Kühltechnologie in Kleidung und Outdoor‑Ausrüstung zu verbessern.

Automobile sind ein weiteres Beispiel. Durch das Umwickeln von Fahrzeugen mit thermischen Meta‑Emittoren und deren Integration in Innenmaterialien kann die Hitze, die sich bei Sonneneinstrahlung aufbaut, reduziert werden.

Trotz ihrer zahlreichen Vorteile konnten diese Materialien bislang nicht breit übernommen werden, da ihr aufwändiger Design‑Prozess und selbst automatisierte Optionen Schwierigkeiten haben, mit ihrer komplexen 3‑dimensionalen hierarchischen Struktur umzugehen. Doch das kann sich mit dem neuesten KI‑Framework endlich ändern.

„Traditionell war die Gestaltung dieser Materialien langsam und arbeitsintensiv und beruhte auf Trial‑and‑Error‑Methoden. Dieser Ansatz führt häufig zu suboptimalen Designs und schränkt die Fähigkeit ein, Materialien mit den erforderlichen Eigenschaften zu schaffen, um wirksam zu sein.“

– Zheng

Daher werden die Forscher weiter an ihrer Technologie arbeiten, sie verfeinern und auf weitere Aspekte der Nanophotonik anwenden.

„Machine Learning ist vielleicht nicht die Lösung für alles, aber die einzigartigen spektralen Anforderungen des Thermomanagements machen es besonders geeignet, Hochleistungs‑Thermemittenten zu entwerfen.“

– Co‑Autor Kan Yao

Wie KI die Entdeckung neuer Materialien beschleunigt

Materialwissenschaft, die sich auf Struktur, Eigenschaften, Verarbeitung und Leistung von Werkstoffen konzentriert, bildet die Grundlage für alles von Luft‑ und Raumfahrt, Elektronik und Energie bis hin zu Medizin und vielen anderen Bereichen. 

Tatsächlich war die Entdeckung und Entwicklung neuer Materialien über Jahrhunderte hinweg entscheidend für die Gestaltung der Menschheitsgeschichte und den technologischen Fortschritt.

Jahrzehntelang haben wir uns auf den Trial‑and‑Error‑Ansatz verlassen, um neue anorganische Materialien mit günstigen Eigenschaften zu finden. Dieser Ansatz ist äußerst ressourcenintensiv und erfordert Hunderttausende von Stunden an Experimenten, um zunächst nur eine Handvoll potenzieller neuer Materialien zu identifizieren und anschließend zu synthetisieren.

Die Komplexität von Materialien auf molekularer und atomarer Ebene macht die Entdeckung neuer Materialien zu einem langwierigen und kostenintensiven Prozess. Daher hat die zunehmende Verfügbarkeit von Supercomputern die Materialwissenschaft verändert, indem sie die Simulation des Verhaltens von Materialien ermöglichte.

Und nun führt das Aufkommen von KI zu einer Revolution im Feld, indem es den rechnergestützten Ansatz der Materialwissenschaft beschleunigt. Indem gewünschte Eigenschaften für ein Material sowie Einschränkungen vorgegeben werden, können generative KI‑Systeme völlig neuartige Materialien erschaffen.

Schließlich können die heutigen fortschrittlichen Modelle, die auf riesigen Datensätzen trainiert wurden, in Kombination mit Hochdurchsatz‑Computing Kandidatenmaterialien schnell gegen gewünschte Parameter prüfen und so die Eigenschaften zahlreicher Substanzen in sehr kurzer Zeit vorhersagen.

KI kann nicht nur erhebliche Entwicklungszeit sowie menschliche und materielle Ressourcen einsparen, sondern dies auch tun, während sie exakt komplexe und vielfältige Marktanforderungen erfüllt.

Wie Kristin Persson, Professorin für Materialwissenschaft an der University of California, Berkeley, bemerkte, befinden wir uns derzeit in einem Paradigma, in dem Wissenschaft von Big Data und KI getrieben wird. Heute haben wir genug Daten, um Machine‑Learning‑Algorithmen zu trainieren, und „das bringt ein völlig neues Tempo in Bezug auf Innovation“, sagte sie.

Interessanterweise profitiert KI auch von der Entdeckung neuer Materialien. KI ist datenhungrig, und das Feld der Materialwissenschaften leidet unter Datenmangel. Durch den Einsatz dieser Technologie können Materialeigenschaften simuliert werden, und die daraus resultierenden Daten können zum Training von Machine‑Learning‑Modellen verwendet werden.

Persson leitet derzeit die multinationale, mult‑institutionelle Initiative namens Materials Project, die Supercomputing und fortschrittliche Simulationsmethoden nutzt, um die Eigenschaften aller bekannten anorganischen Materialien und darüber hinaus zu berechnen. Die Daten werden frei zur Verfügung gestellt, um neuartige Materialien zu entwerfen.

Klicken Sie hier, um mehr über die adaptiven Dachziegel zu erfahren, die helfen können, den Heiz‑/Kühlenergieverbrauch zu reduzieren.

Durchbrüche in KI‑gesteuerter Materialentdeckung

Forscher der U of T Engineering stellten kürzlich ein neues Werkzeug vor², das vorhersagt, wie ein neues Material am besten eingesetzt werden kann, um die Verzögerung zwischen Entdeckung und Anwendung zu verkürzen.

Das multimodale KI‑Werkzeug nutzt Frühstadien‑Daten, um die potenzielle reale Anwendung eines neuen Materials vorherzusagen, wobei der Fokus auf einer spezifischen Kategorie poröser Materialien liegt, den sogenannten Metall‑organischen Gerüsten (MOFs).

Erst letztes Jahr entwickelten Forscher über 5.000 verschiedene Typen dieser Materialien mit einstellbaren Eigenschaften, so der Studienleiter Professor Seyed Mohamad Moosavi von der University of Toronto (ChemE). Er fügte hinzu, dass die Herausforderung darin bestehe, dass ein für eine bestimmte Anwendung entwickeltes MOF oft geeignete Eigenschaften für eine völlig andere Anwendung aufweise.

„In der Materialentdeckung lautet die typische Frage: ‚Welches Material ist das beste für diese Anwendung?‘“, sagte Moosavi. „Wir haben die Frage umgekehrt und gefragt: ‚Was ist die beste Anwendung für dieses neue Material?‘ Bei der täglich hergestellten Vielzahl an Materialien wollen wir den Fokus von ‚welches Material stellen wir als Nächstes her‘ zu ‚welche Bewertung sollten wir als Nächstes durchführen‘ verlagern.“

So entwickelte der ChemE‑PhD‑Student Sartaaj Khan ein multimodales Machine‑Learning‑System, das mit verschiedenen Datentypen trainiert wurde. Multimodalität war hier entscheidend, da sie dem Modell „ein vollständigeres Bild“ vermittelte, um genauere Vorhersagen zu treffen, ohne eine Nach‑Synthese zu benötigen.

Forscher des Argonne National Laboratory nutzten hingegen ein generatives KI‑Diffusionsmodell, um über 120.000 MOF‑Kandidaten³ in etwas mehr als einer halben Stunde mithilfe eines Supercomputers zu generieren. Das modifizierte neuronale Netzwerk reduzierte die Anzahl der MOFs auf 364, von denen man annahm, dass sie leistungsstark sind.

Nach einigen weiteren Tagen und zusätzlicher rechnerischer Analyse fand das Team 102 stabile MOFs im Datensatz. 6 davon hatten eine CO₂‑Kapazität, die zu den Top 5 % der Materialien in der populären hMOF‑Datenbank gehörte.

In einem weiteren Beispiel nutzten Wissenschaftler KI, um vollständig neue Nanomaterialien zu entwerfen⁴, die so leicht wie Styropor, aber so stark wie Kohlenstoffstahl sind.

Festigkeit und Zähigkeit stehen in vielen Materialien, einschließlich nano‑architektonischer, oft im Widerspruch zueinander, da sie aus ultra‑kleinen Bausteinen bestehen. Wiederholte Bausteine machen das Material stark, können jedoch zu Spannungs­konzentrationen führen, die plötzliche Brüche verursachen.

Um bessere Wege zur Gestaltung von Nanomaterialien zu finden, simulierten die Forscher mögliche Geometrien und ließen sie durch einen Algorithmus laufen, der aus ihren Designs lernte, um die besten Formen für eine gleichmäßige Verteilung von aufgebrachten Spannungen bei hoher Belastung vorherzusagen.

Die Forscher nutzten einen 3D‑Drucker, um diese Formen zum Leben zu erwecken, und stellten fest, dass sie einer Belastung von 2,03 Megapascal (MPa) pro Kubikmeter pro Kilogramm standhalten können, was das Fünffache der Festigkeit von Titan ist.

Forscher sehen ihre potenzielle Anwendung als ultraleichte Komponenten in der Luft‑ und Raumfahrt, um den Treibstoffbedarf und den hohen CO₂‑Fußabdruck des Fliegens zu reduzieren.

Laut Erstautor Peter Serles, Ingenieurforscher am Caltech:

„Dies ist das erste Mal, dass Machine Learning zur Optimierung nano‑architektonischer Materialien eingesetzt wurde, und wir waren von den Verbesserungen überrascht. Es replizierte nicht nur erfolgreiche Geometrien aus den Trainingsdaten, sondern lernte, welche Formänderungen funktionierten und welche nicht, wodurch es völlig neue Gittergeometrien vorhersagen konnte.“

KI‑basierte Materialentdeckung wird auch intensiv für die Stadtplanung eingesetzt. Eine kollaborative Forschung⁵ von der Peking University und der University of Southern Denmark entwickelte ein fortschrittliches Framework, das Deep Learning mit Fernerkundung integriert, um Baumaterialien mit beispielloser Präzision zu identifizieren.

Neben der Energieeffizienz kann KI die Stadtplanung verbessern, indem sie bei der Umweltüberwachung und -konservierung, der Wohnungs‑ und Infrastrukturentwicklung sowie der öffentlichen Sicherheit und Katastrophenreaktion unterstützt.

Klicken Sie hier, um mehr über die blattlosen Windturbinen zu erfahren, die oft als die Zukunft der sauberen Energie bezeichnet werden.

Investition in KI‑basierte Materialentdeckung

Wenn wir das Investitionspotenzial von KI betrachten, ist es enorm, wobei der Markt voraussichtlich Billionen in den kommenden Jahren wert sein wird. Wenn es um Unternehmen geht, die diesen technologischen Fortschritt, insbesondere in der Materialwissenschaft, vorantreiben, stechen zwei Namen hervor: Microsoft (MSFT ) und Google (Alphabet Inc.) (GOOG ), die eigene Modelle zur Skalierung und Präzision der Materialforschung entwickelt haben. Für den Zweck dieses Artikels konzentrieren wir uns jedoch auf Alphabet Inc.

Alphabet Inc. (GOOG )

Ende 2023 veröffentlichte Googles DeepMind ein KI‑Werkzeug namens Graph Networks for Materials Exploration (Gnome), um den Materialentdeckungsprozess zu beschleunigen. Zu diesem Zeitpunkt meldete⁶ die Entdeckung von 2,2 Millionen neuen Kristallen mit Hilfe des Deep‑Learning‑Tools.

Google bemerkte, dass dies „etwa 800 Jahre an Wissen entspricht und ein beispielloses Ausmaß und Genauigkeit bei Vorhersagen demonstriert.“ Die neu entdeckten Kristalle umfassten 380.000 stabile Materialien, die vielversprechende Kandidaten für experimentelle Synthesen darstellen und zukünftige Technologien antreiben könnten.

Das Gnome‑Modell ist ein Graph‑Neural‑Network (GNN)‑Modell, bei dem die Eingabedaten als Graph dargestellt werden. Gnome wurde mit Daten des Materials Project trainiert, einschließlich Kristallstrukturen und deren Stabilität, um neuartige Kandidatenkristalle zu generieren und deren Stabilität vorherzusagen.

Google bewertete seine Vorhersagekraft, indem es die Leistung wiederholt mittels Dichtefunktionaltheorie (DFT) prüfte. Für den „Trainingsprozess“ nutzte es „Active Learning“, bei dem die resultierenden Daten zurück in das Modell gespeist wurden, was die Leistung von Gnome erheblich steigerte.

Laut Google stieg die Genauigkeit der Stabilitätsvorhersage des Modells von 50 % auf 80 %. Die Effizienz des Modells wurde gleichzeitig von unter 10 % auf über 80 % skaliert.

Zudem wurden etwa 736 von Gnome vorhergesagte Materialien von externen Forschern unabhängig synthetisiert. Google arbeitete außerdem mit dem Lawrence Berkeley National Lab zusammen, um 41 neue Materialien zu synthetisieren, was die Vorhersagekraft des Werkzeugs und die Macht autonomer Experimente bestätigte.

Nun werfen wir einen Blick auf die Performance des Unternehmens mit einer Marktkapitalisierung von 2,2 Billionen Dollar. Zum Zeitpunkt des Schreibens werden die Aktien bei etwa 182 $ gehandelt, ein Rückgang von 3,86 % im Jahresverlauf. Das EPS (TTM) beträgt 8,97 und das KGV (TTM) liegt bei 20,29. Die Dividendenrendite beträgt 0,46 %.

Was die Unternehmensfinanzen betrifft, meldete die Muttergesellschaft von Google, Alphabet, für das am 31. März 2025 endende 1. Quartal einen Umsatz von 90,2 Milliarden $, ein Ergebnis je Aktie von 2,81 $. Diese Zahlen, sagte CEO Sundar Pichai, „spiegeln ein gesundes Wachstum und Schwung im gesamten Unternehmen wider. Dieser Wachstum wird durch unseren einzigartigen Full‑Stack‑Ansatz für KI untermauert.“

Neueste Nachrichten und Entwicklungen zu Alphabet Inc. (GOOG) Aktien

Fazit

KI transformiert jeden Aspekt unseres Lebens, einschließlich der Art und Weise, wie wir Materialien entwerfen, die unsere Zukunft prägen. Die Integration der Technologie in die Materialwissenschaften stellt einen echten Paradigmenwechsel dar, der Entdeckungen beschleunigt, die früher Jahre brauchten, jetzt jedoch Tage oder sogar Stunden benötigen.

Kurz gesagt, KI treibt die nahe Zukunft der Materialinnovation voran, indem sie massive Datensätze, Hochdurchsatz‑Computing und generative Modelle nutzt, die es Forschern ermöglichen, neuartige Materialien mit beispielloser Effizienz und Präzision vorherzusagen, zu entwerfen und zu optimieren.

Klicken Sie hier, um mehr über die umweltorientierten Clean‑Energy‑Aktien zu erfahren.

Referenzen:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabreite und bandselektive thermische Meta‑Emittoren mittels Machine Learning. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Verknüpfung der Synthese von Metall‑organischen Gerüsten mit Anwendungen mittels multimodalem Machine Learning. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Ein generatives Künstliche‑Intelligenz‑Framework basierend auf einem molekularen Diffusionsmodell für das Design von Metall‑organischen Gerüsten zur Kohlenstoffabscheidung. 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. Ultrahochspezifische Festigkeit durch Bayessche Optimierung von Kohlenstoff‑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. Städtisches Gefüge entschlüsselt: Hochpräzise Identifizierung von Baumaterialien mittels Deep Learning und Fernerkundung. 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. Skalierung von Deep Learning für die Materialentdeckung. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9