5 Επιτεύγματα AI που Μετασχηματίζουν την Ανακάλυψη Υλικών Σήμερα

Η τεχνητή νοημοσύνη (AI) συνεχίζει να μεταμορφώνει τον κόσμο και να διαμορφώνει το μέλλον της ανθρωπότητας.

Η τεχνολογία οδηγεί αλλαγές σχεδόν σε κάθε τομέα, εκτελώντας εργασίες που συνήθως απαιτούν ανθρώπινη νοημοσύνη. Τα συστήματα AI χρησιμοποιούν τεράστιες ποσότητες δεδομένων για να εντοπίζουν μοτίβα και να λαμβάνουν αποφάσεις.

Με αυτόν τον τρόπο, η AI μπορεί να προσομοιώσει ορισμένα επίπεδα ανθρώπινου λογισμού και γνωστικών διαδικασιών.

Σύμφωνα με το World Trade Report, οι κερδοφόρες αποδόσεις παραγωγικότητας και τα κόστη της AI μπορούν να αυξήσουν το παγκόσμιο ΑΕΠ κατά 12‑13 % μέχρι το 2040.

Μειώνοντας το ψηφιακό χάσμα υποδομής με τις υψηλού εισοδήματος οικονομίες κατά 50 % και υιοθετώντας την AI πιο ευρέως, οι οικονομίες με χαμηλό και μεσαίο εισόδημα μπορούν να δουν αύξηση εσόδων έως και 15 %.

Εκτός από τη βοήθεια που παρέχει στις εθνικές παραγωγικότητες, το εμπόριο και τη οικονομική θέση, η AI μπορεί να βοηθήσει την κοινωνία προωθώντας καινοτομίες σε διάφορους κλάδους. Ένας από τους τρόπους με τους οποίους η τεχνολογία το κάνει αυτή τη στιγμή είναι μέσω της ανακάλυψης υλικών.

Η Υπόσχεση της AI στην Ανακάλυψη Υλικών

Η ανακάλυψη υλικών ήταν πάντα κλειδί για την καινοτομία. Πριν από πολλούς αιώνες, το μείγμα χαλκού και κασσίτερου οδήγησε στην Εποχή του Χαλκού, όταν πιο ισχυρά εργαλεία και όπλα μετέτρεψαν το εμπόριο και τις κοινωνίες.

Στη συνέχεια ήρθε η Εποχή του Σιδήρου, όταν η κυριαρχία του σιδήρου αναδιαμόρφωσε τις οικονομίες. Προχωρώντας στον 19ο αιώνα, η χάλυβας κέρδισε ευρεία υιοθέτηση. Ένα κράμα σιδήρου και άνθρακα, ο χάλυβας, αποτέλεσε τη ραχοκοκαλιά των σιδηροδρόμων, των ουρανοξυστών, των πλοίων και των μηχανημάτων, τροφοδοτώντας τη Βιομηχανική Επανάσταση και την παγκόσμια επέκταση.

Στα τέλη του 20ού αιώνα, η Εποχή του Πυριτίου μεταμόρφωσε τον κόσμο με την ανακάλυψη και την εξειδίκευση των ημιαγωγών που αποτελούν τη βάση των σύγχρονων ηλεκτρονικών. Βρισκόμαστε τώρα στην εποχή των προηγμένων υλικών, όπου το γραφένιο, οι νανοσωλήνες άνθρακα και τα κβαντικά υλικά ανοίγουν δρόμους προς καθαρότερη ενέργεια, ελαφρύτερα αεροπλάνα και ταχύτερους υπολογιστές.

Η εμφάνιση της AI και της μηχανικής μάθησης (ML) συμβάλλει στην καινοτομία στα υλικά και, κατά συνέπεια, σε διάφορους κλάδους, επιταχύνοντας σημαντικά τη διαδικασία ανακάλυψης, σχεδίασης και βελτιστοποίησης υλικών.

Για αυτό, η AI χρησιμοποιεί αλγόριθμους και μοντέλα για να φιλτράρει τεράστιες βάσεις δεδομένων υποψηφίων για συγκεκριμένες ανάγκες εφαρμογών. Εδώ, μοντέλα βαθιάς μάθησης όπως τα Γραφήματα Νευρωνικών Δικτύων (GNN) και τα Επαναλαμβανόμενα Νευρωνικά Δίκτυα (RNN) είναι κρίσιμα για την ανάλυση των σύνθετων συνόλων δεδομένων που βρίσκονται στην επιστήμη των υλικών.

Μπορούν επίσης να εντοπίζουν υπάρχοντα υλικά με επιθυμητές ιδιότητες από αυτές τις βάσεις δεδομένων και ακόμη να προβλέπουν τις ιδιότητες των υλικών βάσει της σύνθεσής τους και της δομής τους.

Με τη βοήθεια της AI, το πεδίο της επιστήμης των υλικών μπορεί να ξεπεράσει τις παραδοσιακές μεθόδους δοκιμής‑και‑σφάλματος, οι οποίες είναι χρονοβόρες και δαπανηρές.

Επιπλέον, τα μοντέλα AI μπορούν να δημιουργούν νέες δομές υλικών προσαρμοσμένες σε συγκεκριμένες απαιτήσεις. Όταν ενσωματώνονται με αυτοματοποιημένες πλατφόρμες πειραμάτων, η AI μπορεί να επιταχύνει τη μακρά διαδικασία της ανακάλυψης υλικών προς παραγωγή.

Παρά τα οφέλη αυτά, παραμένουν προκλήσεις σχετικά με την έλλειψη ποιοτικών και εκτεταμένων δεδομένων για ορισμένα υλικά. Η επιτυχής σύνθεση των νέων ευρεθέντων και σχεδιασμένων υλικών στο εργαστήριο αποτελεί άλλη μεγάλη πρόκληση.

Όπως ανέφερε ο επιστήμονας υλικών Anthony Cheetham από το UCSB στο Nature¹ μετά από την εξέταση της λίστας των 2,2 εκατομμυρίων υποθετικών κρυστάλλων που βρέθηκαν από το GNoME, ένα εργαλείο AI της DeepMind, θυγατρικής της Alphabet (GOOG ) (Google), «Είναι ένα πράγμα να ανακαλύψεις ένα σύμπλεγμα, και εντελώς διαφορετικό πράγμα να ανακαλύψεις ένα νέο λειτουργικό υλικό».

Αναφέροντας περαιτέρω την απραγματοποίητη φύση πολλών AI‑προβλεπόμενων συνόρων, ο Cheetham είπε:

«Βρήκαμε αρκετά πράγματα που ήταν γελοία.»

Αυτό δείχνει το χάσμα μεταξύ πρόβλεψης και πρακτικής υλοποίησης. Αυτό που απαιτείται είναι ο συνδυασμός AI με ανθρώπινη εξειδίκευση και πειραματική επιστήμη.

Παρόλα αυτά, η υπόσχεση της AI να επαναπροσδιορίσει την επιστήμη των υλικών δεν μπορεί να αγνοηθεί. Δεδομένης της ικανότητάς της να οδηγήσει σε ταχύτερη ανάπτυξη υλικών για ενέργεια, υγειονομική περίθαλψη, αυτοκινητοβιομηχανία, αεροδιαστημική και άλλες κρίσιμες εφαρμογές, η επίδρασή της είναι πολύ μεγάλη για να την παραβλέψουμε.

Ας ρίξουμε μια ματιά σε μερικά από τα πιο εξέχοντα παραδείγματα εφαρμογής της AI στην επιστήμη των υλικών που δείχνουν το δυναμικό της να ωθήσει τα όρια της ανακάλυψης και της καινοτομίας υλικών. 

Σύρετε για κύλιση →

1. Ηλιακά Κελιά Περβόσκιτου: Υλικά και Επεξεργασία Βελτιστοποιημένα από AI

Μία από τις πιο υποσχόμενες λύσεις για την επίτευξη βιώσιμης ενέργειας είναι η ηλιακή ενέργεια, και η υιοθέτησή της αυξάνεται ραγδαία. Το 2024, ο κόσμος εγκατέστησε ένα ρεκόρ περίπου 600 GW ηλιακής ενέργειας, αυξάνοντας 33 % σε σχέση με το 2023. Μέχρι το τέλος της δεκαετίας, αυτό αναμένεται να φτάσει περίπου 1 TW ετησίως.

Αυτή η αυξανόμενη ζήτηση για ηλιακή ενέργεια δημιουργεί την ανάγκη για πιο αποδοτικά, ευέλικτα και οικονομικά υλικά για ηλιακά κύτταρα.

Το περβόσκιτο είναι ένα τέτοιο υλικό που προσφέρει μοναδική κρυσταλλική δομή. Το φυσικό ορυκτό μπορεί πλέον να αναπαραχθεί συνθετικά. Αναμειγνύοντας οργανικά και ανόργανα στοιχεία, οι επιστήμονες δημιουργούν συνθετικά περβόσκιτα που εμφανίζουν εξαιρετικές ιδιότητες απορρόφησης φωτός, καθιστώντας τα ιδιαίτερα κατάλληλα για ηλιακές εφαρμογές.

Εκτός από την υψηλή αποδοτικότητα, αυτά τα υλικά προσφέρουν πλεονεκτήματα ευελιξίας και ρυθμιζόμενου ενεργειακού χάσματος, αλλά τα ζητήματα κλιμάκωσης και σταθερότητας παραμένουν· γι’ αυτό η αναζήτηση νέων συνθέσεων είναι απαραίτητη.

Έτσι, οι ερευνητές στράφηκαν προς την AI για τη συσχέτιση της απόδοσης των ηλιακών κυττάρων περβόσκιτου (PSCs) με τις ιδιότητες των υλικών και τις διαδικασίες μετατροπής ενέργειας πριν από περισσότερο από μια δεκαετία πριν. Χρησιμοποίησαν στη συνέχεια την τεχνολογία για τη βελτιστοποίηση της σύνθεσης του υλικού, την ανάπτυξη στρατηγικών σχεδίασης και την πρόβλεψη της απόδοσης.

Το 2019, ερευνητές από το Πανεπιστήμιο της Κεντρικής Φλόριντα εξέτασαν² πάνω από 2 000 κριτικές δημοσιεύσεις σχετικά με το περβόσκιτο για τη συλλογή περισσότερων από 200 σημείων δεδομένων, τα οποία τροφοδοτήθηκαν σε το σύστημα AI που δημιούργησαν για να πάρουν τη βέλτιστη «συνταγή» για τα ηλιακά κελιά περβόσκιτου (PSC). Το ίδιο έτος, επιστήμονες στο MIT ανάπτυξαν³ ένα μοντέλο για την επιτάχυνση της σύνθεσης και ανάλυσης νέων ενώσεων κατά ένα παράγοντα δέκα και βρήκαν δύο νέες περβόσκιτες χωρίς μόλυβδο που αξίζουν περαιτέρω διερεύνηση.

Το 2022, ερευνητές από το MIT και το Πανεπιστήμιο Στάνφορντ ανακοίνωσαν⁴ τη χρήση AI για την κλιμάκωση της παραγωγής προηγμένων ηλιακών κυττάρων.

Για αυτό, δημιουργήθηκε ένα σύστημα, το οποίο αναπτύσσεται εδώ και αρκετά χρόνια, για την ενσωμάτωση δεδομένων από προηγούμενα πειράματα καθώς και πληροφοριών βάσει προσωπικών παρατηρήσεων έμπειρων εργαζομένων. Αυτή η ενσωμάτωση έκανε τα αποτελέσματα πιο ακριβή και οδήγησε στην κατασκευή περβόσκιτων κυττάρων με ενεργειακή απόδοση 18,5 %.

Αυτό διαφέρει από τα περισσότερα συστήματα μηχανικής μάθησης, τα οποία κυρίως χρησιμοποιούν ακατέργαστα δεδομένα και συνήθως δεν ενσωματώνουν ανθρώπινη εμπειρία. Για να συμπεριλάβουν εξωτερικές πληροφορίες στο μοντέλο τους, χρησιμοποίησαν παράγοντα πιθανότητας βασισμένο στη Βαϊσσιανή Βελτιστοποίηση, επιτρέποντάς τους να «ανακαλύψουν τάσεις που δεν μπορούσαμε να δούμε πριν».

Η ανακάλυψη προχωρημένης τεχνολογίας ηλιακών κελιών περβόσκιτου με τη βοήθεια AI συνεχίζεται και κερδίζει ταχύτητα για την αύξηση της αποδοτικότητας των PSC. Σε μια τέτοια μελέτη⁵, η αποδοτικότητα αυξήθηκε στο 26,2 % ενώ εξοικονομήθηκαν «τεράστιοι χρόνοι και πόροι».

⬆ Πίσω στον πίνακα

2. Ηλεκτροκαταλύτες Υδρογόνου που Ανακαλύφθηκαν με AI

Μία υποσχόμενη εναλλακτική λύση για τα μη‑ανανεώσιμα ορυκτά καύσιμα που είναι υπεύθυνα για τεράστιες ποσότητες εκπομπών αερίων του θερμοκηπίου (GHG) είναι το υδρογόνο. Το πιο άφθονο στοιχείο στο σύμπαν, το υδρογόνο, έχει εμφανιστεί ως καθαρή και ανανεώσιμη πηγή ενέργειας.

Ωστόσο, η αποτελεσματική παραγωγή υδρογόνου για την κάλυψη της ζήτησης σε εμπορική κλίμακα αποτελεί σοβαρή πρόκληση. Εδώ, η διάσπαση του νερού μέσω ηλεκτρόλυσης προσφέρει μια υποσχόμενη διαδρομή, όπου η ηλεκτροκατάλυση παίζει κρίσιμο ρόλο. Αυτό καθιστά την ανάπτυξη φθηνών, ενεργών και σταθερών ηλεκτροκαταλυτών απαραίτητη προϋπόθεση για την επιθυμητή παραγωγή υδρογόνου μέσω ηλεκτρόλυσης του νερού.

Οι ηλεκτροκαταλύτες επιταχύνουν την παραγωγή υδρογόνου μειώνοντας την ενέργεια που απαιτείται για τη διάσπαση του νερού, χρησιμοποιώντας ακριβά πολύτιμα μέταλλα όπως το πλατίνα ή πιο προσιτές εναλλακτικές όπως νικέλιο, κοβάλτιο, γραφένιο, MXenes και άλλα.

Εκτός από τις ιδιότητες και το κόστος του υλικού, ένας συγκεκριμένος καταλύτης επιλέγεται βάσει του αν η αντίδραση είναι όξινη, αλκαλική ή λειτουργεί σε υψηλές θερμοκρασίες. 

Ωστόσο, είναι πολύ χρονοβόρο και δαπανηρό να χρησιμοποιηθεί η παραδοσιακή μέθοδος δοκιμής‑και‑σφάλματος για την αναζήτηση υφιστάμενων και νέων κατάλληλων υλικών που θα βελτιώσουν τις αντιδράσεις, οπότε η AI χρησιμοποιείται⁶ για να ξεπεράσει τους περιορισμούς των παραδοσιακών προσεγγίσεων, να ανακαλύψει νέους υποψήφιους και να βελτιώσει τα ήδη γνωστά προϊόντα.

Μια πρόσφατη μελέτη ανακοίνωσε⁷ ότι το AI με εντροπική φιλτράρισμα, εκπαιδευμένο σε σύνολο δεδομένων DoE, έδωσε μια ματιά σε 16,2 εκατομμύρια χημικές συνθέσεις για να εντοπίσει το Fe12Co28Ni33Mo17Pd5Pt5 ως την καλύτερη σύνθεση για διάσπαση νερού. Το κράμα παρουσιάζει εξαιρετικά χαμηλές υπερτάσεις για τις βασικές ηλεκτροκαταλυτικές αντιδράσεις, HER και OER, ενώ διατηρεί ανθεκτική σταθερότητα.

Παράλληλα, πριν από λίγα χρόνια, το εργαστήριο AI της Google DeepMind συνέβαλε 380 000 νέα ενώσεις στο Materials Project, μια πλατφόρμα που υποστηρίζει πολλές αναζητήσεις καταλυτών και αυτόνομα πειράματα. 

Η ανοιχτή βάση δεδομένων που ιδρύθηκε στο Berkeley Lab του Υπουργείου Ενέργειας έχει χρησιμοποιηθεί από ερευνητές για την πειραματική επιβεβαίωση χρήσιμων ιδιοτήτων σε νέα υλικά που δείχνουν δυνατότητα χρήσης σε σύλληψη άνθρακα και ως φωτοκαταλύτες, θερμοηλεκτρικά υλικά και διαφανείς αγωγούς.

Η βάση δεδομένων περιλαμβάνει πώς οι άτομα ενός υλικού διατάσσονται και πόσο σταθερό είναι. Το GNoME εκπαιδεύτηκε χρησιμοποιώντας τα δεδομένα και τις ροές εργασίας που αναπτύχθηκαν από το Project και στη συνέχεια βελτιώθηκε μέσω ενεργού μάθησης.

Χρησιμοποιώντας τους υπολογισμούς από το GNoME της Google DeepMind μαζί με δεδομένα από το Materials Project, οι ερευνητές έπεισαν το A‑Lab, μια εγκατάσταση στο Berkeley Lab όπου η AI καθοδηγεί ρομπότ για τη δημιουργία νέων υλικών. Το A‑Lab παρήγαγε 41 νέες ενώσεις⁸.

⬆ Πίσω στον πίνακα

3. Υπέρσκληρα Υλικά: ML‑Καθοδηγούμενη Ανακάλυψη Πέρα από το Διαμάντι

Βιομηχανίες όπως η στρατιωτική, η αεροδιαστημική και η παραγωγή ενέργειας απαιτούν υπέρσκληρα υλικά, τα οποία είναι πρακτικά ασυμπίεστα στερεά. Η τιμή σκληρότητας αυτών των υλικών υπερβαίνει τα 40 γίγαπασκάλ (GPa) στην κλίμακα Vickers, και διαθέτουν υψηλή ομοιογένεια δεσμών και υψηλή πυκνότητα ηλεκτρονίων.

Το διαμάντι είναι το σκληρότερο γνωστό υλικό μέχρι σήμερα, με τιμή σκληρότητας στην περιοχή 70‑150 GPa. Αυτό σημαίνει ότι απαιτείται περισσότερη πίεση (70‑150 GPa) για να δημιουργηθεί εντύπωση στην επιφάνεια του διαμαντιού. Ως αποτέλεσμα, το διαμάντι χρησιμοποιείται σε εργαλεία κοπής, λειαντικά υλικά, επενδύσεις ανθεκτικές στη φθορά και για τη δημιουργία πειραμάτων υψηλής πίεσης.

Αυτοί οι πολύτιμοι λίθοι, που είναι στερεή μορφή του στοιχείου άνθρακα με άτομα διατεταγμένα σε κυβικό κρυσταλλικό πλέγμα, χρησιμοποιούνται επίσης από επιστήμονες για την εύρεση νέων κατάλληλων υλικών. Αλλά η AI άλλαξε αυτό.

Με τα χρόνια, αρκετοί ερευνητές βρήκαν⁹ νέες υπέρσκληρες φάσεις, με μία αναφορά¹⁰ BC10N, B4C5N3 και B2C3N που εμφανίζουν δυναμικά σταθερές φάσεις με τιμές σκληρότητας > 40 GPa.

Το 2020, ερευνητές από το Πανεπιστήμιο του Χιούστον και το Manhattan College χρησιμοποίησαν¹¹ ένα μοντέλο ML για την ακριβή πρόβλεψη της σκληρότητας νέων υλικών, επιτρέποντάς τους να εντοπίζουν κατάλληλες ενώσεις πιο γρήγορα.

Η ποσότητα υψηλής πίεσης που απαιτείται για να αφήσει στίγμα στην επιφάνεια ενός υλικού τα καθιστά σπάνια, και «η ταυτοποίηση νέων υλικών είναι προκλητική». Και αυτός είναι ακριβώς ο λόγος που, «τα υλικά όπως το συνθετικό διαμάντι χρησιμοποιούνται ακόμη και αν είναι δύσκολο και ακριβό να παραχθούν», δήλωσε ο συν-συγγραφέας του άρθρου Jakoah Brgoch, αναπληρωτής καθηγητής χημείας στο Πανεπιστήμιο του Χιούστον.

Ένας επιπλέον παράγοντας είναι η εξάρτηση από το φορτίο, που σημαίνει ότι η σκληρότητα ενός υλικού μπορεί να διαφέρει ανάλογα με την ποσότητα πίεσης που ασκείται. Αυτό καθιστά τη δοκιμή ενός υλικού πειραματικά πολύπλοκη. Ακόμη και η χρήση υπολογιστικών μοντέλων είναι σχεδόν αδύνατη, έτσι οι ερευνητές δημιούργησαν ένα μοντέλο που ξεπερνά το πρόβλημα προβλέποντας τη σκληρότητα Vickers εξαρτώμενη από το φορτίο μόνο με βάση τη χημική σύνθεση του υλικού.

Ο αλγόριθμος «επένδυε» σε μια βάση δεδομένων που περιελάμβανε 560 διαφορετικές ενώσεις που απαιτούσε διάσχιση εκατοντάδων ακαδημαϊκών άρθρων. «Όλα τα καλά έργα μηχανικής μάθησης ξεκινούν με ένα καλό σύνολο δεδομένων», είπε η Brgoch. «Η πραγματική επιτυχία είναι κυρίως η ανάπτυξη αυτού του συνόλου δεδομένων».

Ως αποτέλεσμα, βρήκαν πάνω από 10 νέες σταθερές φάσεις βορικόρβιδης, και με ακρίβεια του μοντέλου στο 97 %, αισθάνονται αισιόδοξοι για την επίτευξη επιτυχίας στο εργαστήριο.

Η AI δεν είναι χωρίς περιορισμούς, όπως σημείωσε η Brgoch, «Η ιδέα της χρήσης μηχανικής μάθησης δεν είναι να πούμε, «Εδώ είναι το επόμενο σπουδαιότερο υλικό», αλλά να βοηθήσουμε την πειραματική μας αναζήτηση». Αυτό που κάνει η τεχνολογία είναι «σας λέει πού πρέπει να κοιτάξετε».

⬆ Πίσω στον πίνακα

4. Πολυμερικές Διηλεκτρικές: AI‑Επιταχυμένη Ανακάλυψη Υλικών Ενέργειας

Ένα βασικό συστατικό της σύγχρονης αποθήκευσης ενέργειας είναι οι διηλεκτρικές, που είναι μη αγώγιμα υλικά όπως ο αέρας, το γυαλί και το πλαστικό. 

Η επιλογή του διηλεκτρικού υλικού αποτελεί τον καθοριστικό παράγοντα για την ενεργειακή πυκνότητα των πυκνωτών, και οι πολυμερικές διηλεκτρικές χρησιμοποιούνται ευρέως για αποθήκευση ενέργειας λόγω του χαμηλού κόστους, της μηχανικής ευελιξίας, της αξιοπιστίας, της γρήγορης ταχύτητας εκφόρτισης και της ευκολίας επεξεργασίας. Αλλά και πάλι, η χαμηλή ενεργειακή πυκνότητα αποτελεί πρόβλημα.

Ως αποτέλεσμα, οι ερευνητές συνεχώς αναζητούν τρόπους βελτίωσης της απόδοσης αναπτύσσοντας νέες πολυμερικές διηλεκτρικές για να αυξήσουν την αποθηκευτική τους ικανότητα σε εφαρμογές σε συστήματα ενέργειας, ηλεκτρονικά και ηλεκτρικά οχήματα (EVs).

Η AI έχει σημειώσει εντυπωσιακή πρόοδο στα πολυμερικά υλικά. Για παράδειγμα, πριν από λίγους μήνες, ερευνητές στο MIT και το Duke University συνεργάστηκαν για να δημιουργήσουν¹² πιο ανθεκτικά πολυμερή ενσωματώνοντας μόρια διασταυρούμενων δεσμών που ανταποκρίνονται στο στρες, τα οποία αναγνωρίστηκαν από AI. Οι ερευνητές του MIT έχουν επίσης χτίσει¹³ ένα σύστημα που βρίσκει, αναμειγνύει και δοκιμάζει έως και 700 νέες πολυμερικές μίξεις την ημέρα για εφαρμογές όπως ηλεκτρικά ηλεκτρολύτες μπαταριών, σταθεροποίηση πρωτεϊνών ή υλικά παράδοσης φαρμάκων.

Ο σχεδιασμός νέων πολυμερικών μιγμάτων παρουσιάζει το πρόβλημα ενός σχεδόν άπειρου αριθμού πιθανών πολυμερών για εκκίνηση, και μόλις επιλεγούν μερικά πρέπει να αναμειχθούν, τότε πρέπει να επιλεγεί η σύνθεση κάθε πολυμερούς, καθώς και η συγκέντρωση των πολυμερών στη μίξη.

“Η τεράστια αυτή σχεδιαστική περιοχή απαιτεί αλγοριθμικές λύσεις και ροές εργασίας υψηλής διαπερατότητας, επειδή δεν θα μπορούσατε απλώς να δοκιμάσετε όλες τις συνδυαστικές δυνατότητες με βία.”

– Ο ανώτερος συγγραφέας του άρθρου, Connor Coley

Το σύστημα AI τους παρείχε βέλτιστες μίξεις, με την καλύτερη να αποδίδει 18 % καλύτερα από τα μεμονωμένα συστατικά της.

Δεδομένης της αποδοτικότητας με την οποία η AI παρέχει νέες επιλογές πολυμερών και μιγμάτων, είναι λογικό να εφαρμοστεί η τεχνολογία¹⁴ για την ταυτοποίηση καλύτερων πολυμερικών διηλεκτρικών¹⁵.

Μία ομάδα ερευνητών έκανε ακριβώς αυτό και ανακάλυψε¹⁶ διηλεκτρικές με 11 φορές την ενεργειακή πυκνότητα των εμπορικών εναλλακτικών σε υψηλές θερμοκρασίες.

Ο καινοτόμος αλγόριθμος αναπτύχθηκε για την πρόβλεψη των ιδιοτήτων και των συνθέσεων των πολυμερών πριν τα δημιουργήσουν πραγματικά. Για αυτό, πρώτα ορίστηκαν συγκεκριμένες απαιτήσεις και στη συνέχεια τα μοντέλα ML εκπαιδεύτηκαν σε υπάρχοντα δεδομένα ιδιοτήτων υλικών για την πρόβλεψη των επιθυμητών αποτελεσμάτων.

Εκτός από την AI, οι ερευνητές χρησιμοποίησαν καθιερωμένη χημεία πολυμερών και μοριακή μηχανική για να ανακαλύψουν μια σειρά διηλεκτρικών στις οικογένειες πολυνορβενίου και πολυιμιδίου, με πολλά από τα ανακαλυφθέντα διηλεκτρικά να παρουσιάζουν υψηλή ενεργειακή πυκνότητα και υψηλή θερμική σταθερότητα σε ευρύ φάσμα θερμοκρασιών. 

Αλλά ένα συγκεκριμένο παρουσίασε ενεργειακή πυκνότητα 8,3 J cc⁻¹ στους 200 °C, που είναι πολύ υψηλότερη από το εμπορικό πολυμερικό διηλεκτρικό.

«Στις πρώτες μέρες της AI στην επιστήμη των υλικών, ωθήθηκε από την Πρωτοβουλία Υλικού Γονόμου του Λευκού Σπιτιού πριν από μια δεκαετία, η έρευνα σε αυτόν τον τομέα ήταν κυρίως καθοδηγούμενη από την περιέργεια. Μόνο τα πρόσφατα χρόνια αρχίσαμε να βλέπουμε απτές, πραγματικές ιστορίες επιτυχίας σε AI‑κατευθυνόμενη επιταχυμένη ανακάλυψη πολυμερών», δήλωσε ο συν‑συγγραφέας Rampi Ramprasad, καθηγητής στο Georgia Institute of Technology. «Αυτές οι επιτυχίες τώρα εμπνέουν σημαντικές μετασχηματιστικές αλλαγές στο τοπίο της βιομηχανικής R&D υλικών.»

⬆ Πίσω στον πίνακα

5. Στερεοί Ηλεκτρολύτες: AI για Ασφαλέστερες, Υψηλότερης Πυκνότητας Μπαταρίες

Καθώς η ευρεία υιοθέτηση φορητών συσκευών και ηλεκτρικών οχημάτων αυξάνει τη ζήτηση για λύσεις αποθήκευσης ανανεώσιμης ενέργειας, η παγκόσμια αγορά μπαταριών προχωρά γρήγορα¹⁷. Δεδομένου του σημαντικού ρόλου που διαδραματίζουν οι μπαταρίες στον σύγχρονο κόσμο, οι επιστήμονες προσπαθούν συνεχώς να αναπτύξουν πιο ενεργειακά αποδοτική και ασφαλή τεχνολογία μπαταριών.

Ενώ οι μπαταρίες λιθίου‑ιόντων είναι οι πιο ευρέως χρησιμοποιούμενες σήμερα, έχουν περιορισμένη διάρκεια ζωής και κινδύνους ασφαλείας, που αντιμετωπίζονται από τις στερεές μπαταρίες (SSBs). 

Αυτές οι μπαταρίες αντικαθιστούν τα υγρά ηλεκτρολύτες με στερεούς ηλεκτρολύτες για να εξαλείψουν τον κίνδυνο φλεγμονής σε υψηλές θερμοκρασίες, ενώ επιτρέπουν υψηλότερη ενεργειακή πυκνότητα και βελτιωμένη ανθεκτικότητα, δημιουργώντας ασφαλέστερες και πιο ισχυρές μπαταρίες.

Αλλά αυτές οι μπαταρίες με στερούς ηλεκτρολύτες αντιμετωπίζουν τις δικές τους προκλήσεις, όπως χαμηλή ιοντική αγωγιμότητα, συμβατότητα διεπαφής ηλεκτροδίου, μηχανική και χημική σταθερότητα, και κόστος παραγωγής. Έτσι, οι ερευνητές εξερευνούν υλικά που μπορούν να ξεπεράσουν αυτά τα ζητήματα μέσω AI.

Σε αντίθεση με άλλους τομείς που συζητήσαμε σήμερα, οι μπαταρίες είναι ένας από τους πιο ζεστούς τομείς όπου η εφαρμογή AI¹⁸ έχει εκτοξευθεί λόγω της συμμετοχής κορυφαίων αυτοκινητοβιομηχανιών και νεοσύστατων εταιρειών που επενδύουν μεγάλα ποσά στην R&D στερεών μπαταριών. Εκτός από τον κίνδυνο ασφαλείας, ο κλάδος έχει επίσης συγκεντρώσει μεγάλες βάσεις δεδομένων, αρκετά πλούσιες ώστε να εκπαιδεύσουν μοντέλα ML.

Ακόμη και οι κυβερνήσεις έχουν καταγράψει τις SSB ως στρατηγική προτεραιότητα για την εξασφάλιση εσωτερικών αλυσίδων εφοδιασμού και την επίτευξη εθνικών ενεργειακών και κλιματικών στόχων.

Έτσι, υπάρχουν διάφορα παραδείγματα όπου η AI έχει βοηθήσει¹⁹ ερευνητές και εταιρείες να ανακαλύψουν νέους στερεούς ηλεκτρολύτες.

Τον περασμένο χρόνο, ερευνητές της Microsoft (MSFT ) χρησιμοποίησαν AI μαζί με υπερυπολογιστές για να φιλτράρουν 32 εκατομμύρια πιθανά ανόργανα υλικά και να βρουν 18 υποσχόμενους υποψήφιους²⁰ σε λίγες ημέρες. Το νέο υλικό, N2116, είναι στερεός ηλεκτρολύτης που μπορεί να μειώσει τη χρήση λιθίου στις μπαταρίες κατά 70 % και έχει δοκιμαστεί για να τροφοδοτήσει μια λαμπτήρα.

Το εργαλείο AI GNoME της DeepMind, εν τω μεταξύ, έχει εντοπίσει²¹ 528 υποσχόμενους αγωγούς λιθίου‑ιόντων, μερικοί από τους οποίους μπορεί να βοηθήσουν στη δημιουργία πιο αποδοτικών μπαταριών. 

Στη συνέχεια υπάρχει το LBS²² (Li8B10S19) από ερευνητές του Στάνφορντ, που το περιέγραψαν ως «το πιο σταθερό, θειικό‑βασισμένο ηλεκτρολύτη λιθίου‑ιόντων που έχουμε δει ποτέ πειραματικά». Οι ερευνητές πρώτα εντόπισαν²³ στερεούς ηλεκτρολύτες που θα αντικαταστήσουν κάποτε τα εύφλεκτα υγρά ηλεκτρολύτες στις μπαταρίες λιθίου‑ιόντων μέσω AI πριν από περίπου μια δεκαετία.

⬆ Πίσω στον πίνακα

Συμπέρασμα

Αυτά τα παραδείγματα δείχνουν ότι η AI μπορεί να επιταχύνει τον τρόπο με τον οποίο ανακαλύπτουμε νέα υλικά. Η πρόκληση τώρα είναι να μετατρέψουμε τις προβλέψεις των υπολογιστών σε πραγματικά αποτελέσματα, κάτι που σημαίνει συνδυασμό AI με έμπειρους ερευνητές και αξιόπιστα δεδομένα.

Σύρετε για κύλιση →

Αυτό που βλέπουμε είναι τα πρώτα βήματα. Αυτές οι ανακαλύψεις μας οδηγούν προς καθαρότερη ενέργεια, ασφαλέστερη τεχνολογία, πιο ανθεκτικά υλικά και βιομηχανίες που δεν εξαντλούν τον πλανήτη. Η AI αλλάζει τον τρόπο που κάνουμε την επιστήμη των υλικών, και αυτό έχει σημασία για το τι έρχεται μετά.

Κάντε κλικ εδώ για να μάθετε τα πάντα για την επένδυση στην τεχνητή νοημοσύνη.

Αναφορές

1. Peplow, M. (2025). Η AI ονειρεύεται εκατομμύρια νέα υλικά. Είναι καλής ποιότητας; Nature, 646, 22–25. Δημοσιεύτηκε 1 Οκτωβρίου 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (16 Δεκεμβρίου 2019). Η τεχνητή νοημοσύνη μπορεί να βοηθήσει τους επιστήμονες να δημιουργήσουν ηλιακά κύτταρα ψεκασμού. ScienceDaily. Δημοσιεύτηκε 16 Δεκεμβρίου 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Υψηλής αποδοτικότητας ηλιακά κελιά περβόσκιτου μέσω εναποθήκευσης ατμού από μία πηγή. 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). Μηχανική μάθηση με περιορισμούς γνώσης για τη βελτιστοποίηση διαδικασιών ανοικτού αέρα στην κατασκευή ηλιακών κελιών περβόσκιτου. 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). Η ροή σχεδίασης αντίστροφης ανακαλύπτει υλικά μεταφοράς οπών προσαρμοσμένα για ηλιακά κελιά περβόσκιτου. Science, 386(6727), 1256‑1264. Δημοσιεύτηκε 13 Δεκεμβρίου 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Ξεκλειδώνοντας το δυναμικό: εφαρμογές μηχανικής μάθησης στον σχεδιασμό ηλεκτροκαταλυτών για τη μετατροπή της ενέργειας υδρογόνου. Chemical Society Reviews, 53, 11390–11461. Δημοσιεύτηκε 9 Οκτωβρίου 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). Σχεδίαση με AI για πολυ‑κύρια στοιχεία κράματα για βέλτιστη διάσπαση νερού. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Δημοσιεύτηκε 15 Ιουλίου 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). Αυτόνομο εργαστήριο για την επιταχυμένη σύνθεση νέων υλικών. Nature, 624, 86–91. Δημοσιεύτηκε 29 Νοεμβρίου 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). Πρόβλεψη υπέρσκληρων υλικών μέσω εξελικτικής αναζήτησης δομής με υποστήριξη μηχανικής μάθησης. npj Computational Materials, 5, 89. Δημοσιεύτηκε 3 Σεπτεμβρίου 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). Μηχανική μάθηση και εξελικτική πρόβλεψη υπέρσκληρων ενώσεων B‑C‑N. npj Computational Materials, 7, 114. Δημοσιεύτηκε 21 Ιουλίου 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Εύρεση του επόμενου υπέρσκληρου υλικού μέσω ενσωματωμένης μάθησης. Advanced Materials, 33(5), e2005112. Δημοσιεύτηκε 4 Δεκεμβρίου 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (5 Αυγούστου 2025). Η AI βοηθά χημικούς να αναπτύξουν πιο ανθεκτικά πλαστικά. MIT News. Ανακτήθηκε 5 Αυγούστου 2025, από https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (28 Ιουλίου 2025). Νέο σύστημα που επιταχύνει δραματικά την αναζήτηση πολυμερικών υλικών. MIT News. Ανακτήθηκε 5 Αυγούστου 2025, από https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, D. Q. (2020). Η αναζήτηση για ενισχυμένη διαλεκτική αντοχή των πολυμερικών διηλεκτρικών: Μια εστιασμένη ανασκόπηση των πολυμερών νανοσυνθετικών. Journal of Applied Polymer Science, 137, e49379. Δημοσιεύτηκε 5 Απριλίου 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Σχεδίαση υψηλής διαλεκτικής των πολυμερικών συνθέσεων με χρήση τεχνητών νευρωνικών δικτύων. Applied Sciences, 12, 12592. Δημοσιεύτηκε 25 Δεκεμβρίου 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). Ανακάλυψη διηλεκτρικών υψηλής θερμοκρασίας με τη βοήθεια AI για αποθήκευση ενέργειας. Nature Communications, 15(1), 6107. Δημοσιεύτηκε 19 Ιουλίου 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). Η βιομηχανία μπαταριών έχει εισέλθει σε νέα φάση. IEA Commentary. Δημοσιεύτηκε 5 Μαρτίου 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Επιτάχυνση της ανάπτυξης στερεών ηλεκτρολυτών με μηχανική μάθηση. 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). Η τεχνητή νοημοσύνη ενισχύει τις στερεές μπαταρίες για φιλτράρισμα υλικών και αξιολόγηση απόδοσης. Nano‑Micro Letters, 17, 287. Δημοσιεύτηκε 6 Ιουνίου 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). Το Gnome της DeepMind προωθεί την AI στην επιστήμη των υλικών. Time Magazine. Δημοσιεύτηκε 6 Ιουνίου 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Πώς η AI και το HPC επιταχύνουν την επιστημονική ανακάλυψη. Microsoft Source – Innovation Features. Δημοσιεύτηκε 29 Οκτωβρίου 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). Πειραματική ανακάλυψη ενός γρήγορου και σταθερού στερεού ηλεκτρολύτη λιθίου‑θειοβοράτου, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). Χωρίς φλεγόμενες μπαταρίες: Οι επιστήμονες του Στάνφορντ στρέφονται στην AI για τη δημιουργία ασφαλέστερων μπαταριών λιθίου‑ιόντων. Stanford News. Δημοσιεύτηκε 12 Δεκεμβρίου 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries