5 tekoälyläpimurtoa, jotka muuttavat materiaalien löytämistä tänään

Tekoäly (AI) jatkaa maailman muuttamista ja muokkaa ihmiskunnan tulevaisuutta.

Teknologia ajaa muutoksia lähes kaikilla sektoreilla suorittamalla tehtäviä, jotka tavallisesti vaativat ihmisen älykkyyttä. AI-järjestelmät hyödyntävät valtavia tietomääriä tunnistaakseen kuvioita ja tehdäkseen päätöksiä. 

Tällä tavoin AI pystyy simuloimaan tiettyjä ihmisen kaltaisia päättely- ja kognitioprosesseja.

World Trade Reportin mukaan, AI:n tuottavuusparannukset ja kustannusetuja voivat nostaa maailmanlaajuista BKT:ta 12‑13 % vuoteen 2040 mennessä.

Supistamalla digitaalisen infrastruktuurin kuilua korkean tulotason talouksiin 50 % ja omaksumalla AI:n laajemmin, matalan ja keskitulotason taloudet voivat nähdä jopa 15 % tulon kasvun.

Lisäksi AI voi auttaa yhteiskuntaa vahvistamalla tuottavuutta, kauppaa ja taloudellista asemaa sekä ajamalla innovaatioita eri toimialoilla. Yksi tapa, jolla teknologia tekee tätä juuri nyt, on materiaalien löytämisen kautta. 

AI:n lupaus materiaalien löytämisessä

Materiaalien löytäminen on aina ollut innovaation avain. Monet vuosisadat sitten kuparin ja tinan sekoitus johti pronssikauteen, jolloin vahvemmat työkalut ja aseet muuttivat kauppaa ja yhteiskuntia.

Sitten tuli rautakausi, jolloin raudan hallinta muokkasi talouksia. Hyppäys 1800‑luvun loppuun ja teräs sai laajaa käyttöä. Rauta‑ ja hiilialumi, teräs, oli rautateiden, pilvenpiirtäjien, alusten ja koneiden selkäranka, ruokkien teollista vallankumousta ja globaalia laajentumista.

2000‑luvun lopulla piikikausi mullisti maailman puolijohteiden löytämisen ja jalostamisen avulla, jotka ovat modernin elektroniikan perusta. Olemme nyt kehittyneiden materiaalien aikakaudella, jossa grafeeni, hiilinanoputket ja kvanttimateriaalit avaavat ovia puhtaampaan energiaan, kevyempiin lentokoneisiin ja nopeampaan laskentaan.

AI:n ja koneoppimisen (ML) aikakausi edistää innovaatiota materiaaleissa ja siten eri teollisuudenaloilla merkittävästi nopeuttamalla materiaalien löytämisen, suunnittelun ja optimoinnin prosessia.

Tässä AI hyödyntää algoritmeja ja malleja seulomaan valtavia tietokantoja ehdokkaista tiettyihin sovellustarpeisiin. Tässä syväoppimismallit kuten graafiset neuroverkot (GNN) ja toistuvat neuroverkot (RNN) ovat keskeisiä analysoitaessa monimutkaisia tietojoukkoja, joita löytyy materiaali- tieteessä.

Ne voivat myös tunnistaa olemassa olevia materiaaleja, joilla on halutut ominaisuudet näistä tietokannoista, ja jopa ennustaa materiaalien ominaisuuksia niiden koostumuksen ja rakenteen perusteella. 

AI:n avulla materiaali­tieteen kenttä voi siirtyä perinteisten kokeilun‑ja‑virhe‑menetelmien ulkopuolelle, jotka ovat aikaa vieviä ja kalliita.

Lisäksi AI‑mallit voivat luoda uusia materiaalirakenteita räätälöityinä tiettyihin vaatimuksiin. Kun ne integroidaan automatisoituihin kokeellisiin alustoihin, AI voi nopeuttaa pitkää materiaalien löytämisen prosessia tuotantoon.

Huolimatta näistä eduista haasteita on laadun puutteen ja laajojen tietojen puutteessa tietyille materiaaleille. Uusien löydettyjen ja suunniteltujen materiaalien onnistunut synteesi laboratoriossa on toinen suuri haaste.

Materiaalitieteen professori Anthony Cheetham UCSB:stä kommentoi¹ Nature‑lehdessä sen jälkeen, kun tutki 2,2 miljoonaa hypoteettista kiteistä, jotka GNoME‑niminen DeepMind‑työkalu (Alphabetin tytäryhtiö) löysi, ”Se on yksi asia löytää yhdiste, ja täysin eri asia löytää uusi toiminnallinen materiaali.”

Lisäksi Cheetham huomautti, että monien AI:n ennustamien yhdisteiden käytännöllisyys on kyseenalainen:

“Löysimme melko paljon asioita, jotka olivat naurettavia.”

Tämä näyttää ennusteen ja käytännön toteutuksen välistä kuilua. Tämä kuilu vaatii AI:n yhdistämistä ihmisen asiantuntemukseen ja kokeelliseen tieteeseen.

Silti AI:n lupaus mullistaa materiaali­tieteen ei ole hylättävissä. Sen kyky johtaa nopeampaan materiaalikehitykseen energia-, terveydenhuolto-, auto‑, avaruus‑ ja muissa kriittisissä sovelluksissa on liian suuri, jotta sitä voisi sivuuttaa.

Joten, tarkastellaan joitakin merkittävimpiä esimerkkejä AI:n soveltamisesta materiaalitieteessä, jotka osoittavat sen potentiaalin työntää materiaalien löytämisen ja innovaation rajoja. 

Swipe to scroll →

1. Perovskiittisolut: AI‑optimoidut materiaalit ja prosessointi

Yksi lupaavimmista ratkaisuista kestävään energiaan on aurinkoenergia, ja sen käyttöönotto on nopeasti kasvussa. Vuonna 2024 maailma asensi ennätykselliset ~600 GW aurinkovoimaa, kasvaen 33 % vuodesta 2023. Vuosikymmenen loppuun mennessä tämän odotetaan saavan ~1 TW vuodessa.

Tämä kasvava aurinkoenergian kysyntä luo tarpeen tehokkaammille, monipuolisemmille ja kustannustehokkaammille aurinkokennojen materiaaleille.

Perovskiitti on yksi tällainen materiaali, joka tarjoaa ainutlaatuisen kiteisen rakenteen. Luonnollinen mineraali voidaan nyt valmistaa synteettisesti. Sekoitamalla orgaanisia ja epäorgaanisia alkuaineita tutkijat luovat synteettisiä perovskiitteja, joilla on poikkeukselliset valoa absorboivat ominaisuudet, tehden niistä erittäin sopivia aurinkosovelluksiin.

Korkean hyötysuhteen lisäksi nämä materiaalit tarjoavat joustavuutta ja säätökelpoista kaistaleveyttä, mutta skaalautuvuus‑ ja vakausongelmat jatkuvat; siksi uusia koostumuksia etsitään.

Niinpä tutkijat kääntyivät AI:n puoleen korreloimaan perovskiittisolujen (PSC) suorituskykyä materiaalien ominaisuuksiin ja energian muuntoprosesseihin jo yli vuosikymmen sitten. He hyödynsivät teknologiaa optimoidakseen materiaalikoostumuksen, kehittääkseen suunnittelustrategioita ja ennustaakseen suorituskykyä.

Vuonna 2019 Central Florida Universityn tutkijat katselivat² yli 2 000 vertaisarvioitua julkaisua perovskiitteista kerätäkseen yli 200 datapistettä, jotka syötettiin AI‑järjestelmään saadakseen parhaan reseptin perovskiittisoluille (PSC). Saman vuoden MIT‑tutkijat kehittivät³ mallin, joka nopeutti uusien yhdisteiden synteesiä ja analysointia kymmenkerralla ja löysi kaksi uutta lyijytöntä perovskiittia, jotka ansaitsevat lisätutkimusta.

Vuonna 2022 MIT‑ ja Stanford‑yliopistojen tutkijat raportoivat⁴ AI:n avustuksella skaalata edistyneen aurinkokennon valmistusta.

Tähän luotiin järjestelmä, jota on kehitetty useita vuosia, integroiden tietoja aiemmista kokeista sekä työntekijöiden henkilökohtaisista havainnoista. Tämä integraatio paransi tuloksia ja johti perovskiittisolujen valmistukseen, joiden energiamuunnossuhde oli 18,5 %.

Tämä erottaa suurimman osan koneoppimismalleista, jotka ensisijaisesti käyttävät raakadataa eikä yleensä  sisällä ihmisen kokemusta. Lisätäkseen ulkoista tietoa malliin, he käyttivät todennäköisyystekijää Bayes‑optimoinnin perusteella, mikä mahdollisti “trendien löytämisen, joita emme aiemmin nähneet.”

Edistyneen perovskiittisoluteknologian löytö AI:n avulla jatkuu ja kiihtyy lisätäksesi PSC‑tehokkuutta. Yhdessä tutkimuksessa⁵ tehokkuus nostettiin 26,2 %:iin samalla säästäen “valtavia määriä aikaa ja resursseja.”

⬆ Takaisin taulukkoon

2. AI‑löydetyt elektrokatalyytit vedyn tuotantoon

Lupauskorvaaja ei‑uusiutuvalle fossiiliselle polttoaineelle on vastuussa valtavien kasvihuonekaasupäästöjen (GHG) määristä. Yleisin alkuaine universumissa, vety, on noussut puhtaaksi ja uusiutuvaksi energialähteeksi.

Kuitenkin vedyn tehokas tuotanto kaupallisen mittakaavan tarpeisiin on vakava haaste. Tässä vesihajoitus‑elektrolyysi tarjoaa lupaavan polun, jossa elektrokatalyysi näyttelee keskeistä roolia. Tämä tekee edullisten, aktiivisten ja vakaan elektrokatalyyttien kehittämisestä välttämättömän edellytyksen, jotta vesihajoituksesta saadaan toivottu vety.

Elektrokatalyytit nopeuttavat vedyn tuotantoa alentamalla vesihajoituksen tarvittavaa energiaa käyttämällä kalliita jalometalleja kuten platinaa tai edullisempia vaihtoehtoja kuten nikkeliä, kobolttia, graafia, MXeneja ja muita.

Materiaalin ominaisuuksien ja kustannusten lisäksi tietty katalyytti valitaan sen perusteella, onko reaktio hapan, alkalinen tai tapahtuu korkeissa lämpötiloissa. 

Kuitenkin perinteinen kokeilu‑ja‑virhe‑menetelmä on erittäin aikaa vievä ja kallis käyttää olemassa olevien ja uusien sopivien materiaalien etsimiseen reaktioiden parantamiseksi, joten AI:ta hyödynnetään⁶ perinteisten lähestymistapojen rajoitusten voittamiseksi, uusien ehdokkaiden löytämiseksi ja parantamaan tunnettua tuotteita.

Äskettäinen tutkimus raportoi⁷ että sen entropia‑suodatettu AI, joka on koulutettu DoE‑datassa, katseli 16,2 miljoonaa kemiallista koostumusta löytääkseen Fe12Co28Ni33Mo17Pd5Pt5 parhaaksi koostumukseksi vesihajoitukseen. Seos näyttää erittäin alhaiset yli‑potentiaalit sekä HER‑ että OER‑reaktioissa, samalla kun se on kestävä.

Samaan aikaan muutama vuosi sitten Google‑AI‑laboratorio DeepMind myönsi 380 000 uutta yhdistettä Materials Project -alustalle, joka tukee monia katalyyttihakuja ja autonomisia kokeita. 

Avoin tietokanta, jonka Berkeley Labin Department of Energy -laitos perusti, on auttanut tutkijoita kokeellisesti vahvistamaan hyödyllisiä ominaisuuksia uusissa materiaaleissa, joilla on potentiaalia hiilidioksidin talteenottoon ja valoa katalyytteinä, termoelektrisiin ja läpinäkyviin johtimiin.

Tietokanta sisältää tiedot siitä, miten materiaalin atomit järjestäytyvät ja kuinka vakaa se on. GNoME koulutettiin käyttämällä dataa ja työnkulkuja, jotka kehitettiin projektissa, ja sitä parannettiin aktiivisen oppimisen avulla.

Käyttäen Google DeepMindin GNoME‑laskelmia yhdessä Materials Projectin datan kanssa, tutkijat testasivat A‑Lab‑laitosta Berkeley Labissa, jossa AI ohjaa robotteja uusien materiaalien valmistuksessa. A‑Lab onnistui tuottamaan⁸ 41 uutta yhdistettä.

⬆ Takaisin taulukkoon

3. Superkovat materiaalit: ML‑ohjattu löytö timantin ulkopuolella

Militaristiset, avaruus‑ ja energiantuotannon alat vaativat superkovoja materiaaleja, jotka ovat lähes puristumattomia kiinteitä aineita. Näiden materiaalien kovuusarvo ylittää 40 GPa Vickers‑asteikolla, ja niillä on korkea sidoksen kovalenssi sekä suuri elektronitiheys.

Timantti on tähän mennessä kovin tunnettu materiaali, jonka kovuusarvo on 70‑150 GPa. Tämä tarkoittaa, että timantin pinnalle jättäminen vaatisi yli 70‑150 GPa painetta. Tämän vuoksi sitä käytetään leikkaustyökaluissa, hiomassa, kulutusta kestävässä pinnoitteessa ja korkean paineen kokeissa.

Nämä arvokkaat kivet, jotka ovat hiilen kiinteä muoto timanttikubisen kiteisen rakenteen kanssa, toimivat myös tutkijoiden apuvälineenä uusien sopivien materiaalien löytämisessä. Mutta AI on muuttanut tilanteen.

Vuosien aikana useat tutkijat ovat löytäneet⁹ uusia superkovoja faaseja, joista yksi raportoi¹⁰ BC10N, B4C5N3 ja B2C3N ja näyttää dynaamisesti vakaita faaseja, joiden kovuusarvo on >40 GPa.

Vuonna 2020 Houstonin yliopiston ja Manhattan College:n tutkijat hyödyntivät¹¹ ML‑mallia tarkkaan ennustamaan uusien materiaalien kovuutta, mahdollistamalla niiden löytämisen nopeammin.

Korkean paineen määrä, joka vaaditaan merkinnän tekemiseen materiaalin pinnalle, tekee niistä harvinaisia, ja “uusien materiaalien löytäminen on haastavaa.” Tämä on juuri syy, miksi “materiaaleja kuten synteettistä timanttia käytetään edelleen, vaikka niiden valmistus on haastavaa ja kallista,” sanoi paperin yhteiskirjoittaja Jakoah Brgoch, Houstonin yliopiston apulaisprofessori kemian alalta.

Yksi monimutkaisuus on kuormituksen riippuvuus, mikä tarkoittaa, että materiaalin kovuus voi vaihdella paineen määrän mukaan. Tämä tekee materiaalin kokeellisesta testaamisesta monimutkaista. Jo pelkkä laskennallinen mallinnus on lähes mahdotonta, joten tutkijat loivat mallin, joka ennustaa kuormitus‑riippuvaista Vickers‑kovuutta pelkästään materiaalin kemiallisen koostumuksen perusteella.

Algoritmia koulutettiin 560 eri yhdisteeseen perustavassa tietokannassa, joka vaati kymmeniä tuhansia tieteellisiä artikkeleita. “Kaikki hyvät koneoppimisprojektit alkavat hyvästä tietoaineistosta,” sanoi Brgoch. “Todellinen menestys on pitkälti tämän tietoaineiston kehittämisessä.”

Tuloksena he löysivät yli 10 uutta vakautettua boorikarbidi‑faasia, ja mallin 97 % tarkkuus antaa heille toivoa onnistumisesta laboratoriossa.

AI ei ole ilman rajoituksia, kuten Brgoch totesi: “Koneoppimisen idea ei ole sanoa, ‘Tässä on seuraava suurin materiaali’, vaan auttaa ohjaamaan kokeellista hakua.” Teknologia kertoo, “missä sinun pitäisi katsoa.”

⬆ Takaisin taulukkoon

4. Polymeeridielektrit: AI‑kiihdytetyt energian varastointimateriaalit

Modernin energian varastoinnin olennainen komponentti on dielektrit, jotka ovat ei‑johtavia materiaaleja kuten ilma, lasi ja muovi. 

Dielektrimateriaalin valinta määrittää kondensaattorien energian tiheyden, ja polymeeridielektrit ovat laajasti hyödyntäviä energiavarastoinnissa koska ne ovat edullisia, mekaanisesti joustavia, luotettavia, nopeita purkautumaan ja helppoja prosessoida. Mutta jälleen , niiden alhainen energian tiheys on ongelma.

Tämän seurauksena tutkijat pyrkivät jatkuvasti parantamaan suorituskykyä kehittämällä uusia polymeeridielektriä lisätä niiden energian varastointikykyä sovelluksissa, kuten sähköjärjestelmissä, elektroniikassa ja sähköajoneuvoissa (EV).

AI on edistynyt merkittävästi polymeerimateriaaleissa. Esimerkiksi muutama kuukausi sitten MIT‑ ja Duke‑yliopistojen tutkijat loivat¹² kestävämpiä polymeereja sisällyttämällä stressiin reagoivia ristisidontamolekyylejä, jotka tunnistettiin AI:n avulla. MIT‑tutkijat ovat myös rakentaneet¹³ järjestelmän, joka löytää, sekoittaa ja testaa jopa 700 uutta polymeeriseosta päivässä sovelluksiin kuten akku‑elektrolyytit, proteiinien stabilointi tai lääkkeiden toimitus.

Uusien polymeeriseosten suunnittelu aiheuttaa ongelman lähes loputtomasta mahdollisesta polymeerien määrästä, ja kun muutama on valittu sekoitettavaksi, niin jokaisen polymeerin koostumus on valittava, samoin kuin seoksen polymeerien konsentraatio.

“Tämä valtava suunnittelutila vaatii algoritmisia ratkaisuja ja korkean läpimeno‑työnkulkua, koska kaikkia yhdistelmiä ei voi testata brute‑force‑menetelmällä.”

– Paperin vanhempi tekijä, Connor Coley

Heidän AI‑järjestelmänsä tarjosi optimaaliset sekoitukset, joista paras suoriutui 18 % paremmin kuin sen yksittäiset komponentit.

Kun AI tarjoaa uusia polymeerivaihtoehtoja ja sekoituksia näin tehokkaasti, on järkevää soveltaa teknologiaa¹⁴ löytääkseen parempia polymeeridielektriä¹⁵.

Yksi tutkimusryhmä teki juuri sen ja löysi¹⁶ dielektrit, joiden energian tiheys on 11‑kertainen kaupallisiin vaihtoehtoihin verrattuna kohonneissa lämpötiloissa.

Innovatiivinen algoritmi kehitettiin ennustamaan polymeerien ominaisuuksia ja koostumuksia ennen kuin ne luodaan. Tämän vuoksi he määrittelivät ensin erityiset vaatimukset ja kouluttivat ML‑mallit olemassa oleviin materiaalin‑ominaisuus tietoihin ennustaakseen halutut tulokset.

AI:n lisäksi tutkijat hyödynsivät vakiintunutta polymeerikemiaa ja molekyylisuunnittelua löytääkseen joukon dielektriä polynorbornene‑ ja polyimidi‑perheistä, joista monet havaituista dielektri‑materiaaleista osoittivat korkean energian tiheyden ja korkean lämpöstabiilisuuden laajalla lämpötila‑alueella. 

Kuitenkin yksi erityisesti erottui, sillä sen energian tiheys oli 8,3 J cc⁻¹ 200 °C:ssa, mikä on paljon korkeampi kuin kaupallisesti saatavilla oleva polymeeridielektri.

“AI:n varhaiset vuodet materiaalitieteessä, joita vauhditti Valkoisen talon Materials Genome Initiative yli kymmenen vuotta sitten, olivat pitkälti uteliaisuuteen perustuvia. Vasta viime vuosina olemme alkaneet nähdä konkreettisia, todellisia menestystarinoita AI‑kiihdytetystä polymeerilöydöstä,” sanoi yhteiskirjoittaja Rampi Ramprasad, Georgia Institute of Technologyn professori. “Nämä menestykset inspiroivat nyt merkittäviä muutoksia teollisuuden materiaalien T&K‑maisemassa.”

⬆ Takaisin taulukkoon

5. Kiinteät elektrolyytit: AI turvallisempien, tiheämpien akkujen puolesta

Kannettavien laitteiden ja sähköajoneuvojen laajamittaisen omaksumisen sekä uusiutuvan energian varastointiratkaisujen kasvavan kysynnän myötä globaalin akkumarkkinan kasvu on¹⁷ nopeaa. Koska akut ovat tärkeitä nykymaailmassa, tutkijat pyrkivät jatkuvasti kehittämään energiatehokkaampia ja turvallisempia akkuteknologioita.

Lithium‑ioni‑akut ovat nykyisin yleisimmin käytettyjä, mutta niillä on rajoitettu käyttöikä ja turvallisuusriskit, jotka käsitellään kiinteän tilan akkujen (SSB) avulla. 

Nämä akut korvaavat nestemäiset elektrolyytit kiinteän tilan elektrolyyteillä poistaakseen tulehduksen riskin kohonneissa lämpötiloissa samalla kun ne mahdollistavat suuremman energian tiheyden ja parantavat kestävyyttä, luoden turvallisempia ja voimakkaampia akkuja.

Kuitenkin näillä kiinteitä elektrolyyttejä käyttävillä akuilla on omat haasteensa, kuten alhainen ionikonduktio, elektrodin liitosyhteensopimattomuus, mekaaninen ja kemiallinen vakaus sekä kustannustehokas valmistus. Sen vuoksi tutkijat tutkivat materiaaleja, jotka voivat voittaa nämä ongelmat AI:n avulla.

Toisin kuin muut tänään käsitellyt alat, akut ovat yksi kuumimmista alueista, jossa AI:n soveltaminen¹⁸ on räjähdysmäisesti kasvanut johtuen suurten autonvalmistajien ja startupien osallistumisesta, jotka investoivat massiivisesti kiinteän tilan akkujen T&K:hon. Turvallisuusriskin lisäksi alalla on myös kerätty suuria tietokantoja, jotka ovat riittävän rikkaita kouluttamaan ML‑malleja.

Jopa hallitukset ovat asettaneet SSB:t strategiseksi prioriteetiksi turvatakseen kotimaiset toimitusketjut ja saavuttaakseen kansalliset energia‑ ja ilmastotavoitteet.

Siispä on useita esimerkkejä, joissa AI on auttanut¹⁹ tutkijoita ja yrityksiä löytämään uusia kiinteitä elektrolyyttejä.

Viime vuonna Microsoft‑tutkijat käyttivät AI:ta yhdessä supertietokoneiden kanssa seulomaan 32 miljoonaa potentiaalista epäorgaanista materiaalia löytääkseen 18 lupaavaa ehdokasta²⁰ muutamassa päivässä. Uusi materiaali, N2116, on kiinteän tilan elektrolyytti, joka voi vähentää litiumin käyttöä akuissa 70 % ja on testattu sytyttämään hehkulampun.

DeepMindin AI‑työkalu GNoME on puolestaan tunnistanut²¹ 528 lupaavaa litium‑ioni‑johtajaa, joista osa voi auttaa tekemään akuista tehokkaampia. 

Sitten on LBS²² (Li8B10S19) Stanford‑tutkijoilta, jotka kutsuivat sitä “kokeellisesti kaikkein vakain, rikki‑pohjainen litium‑ioni‑elektrolytti, jonka olemme koskaan nähneet.” Tutkijat tunnistivat²³ kiinteitä elektrolyyttejä, jotka voisivat korvata tulehtuvat nestemäiset elektrolyytit litium‑ioni‑akuissa AI:n avulla noin vuosikymmen sitten.

⬆ Takaisin taulukkoon

Johtopäätös

Nämä esimerkit osoittavat, että AI voi nopeuttaa uusien materiaalien löytämistä. Haasteena on nyt muuttaa tietokoneen ennusteet todellisiksi tuloksiksi, mikä edellyttää AI:n yhdistämistä kokeneisiin tutkijoihin ja luotettavaan dataan.

Swipe to scroll →

Mitä näemme, on että olemme vasta alkutaipaleella. Nämä löydöt vievät meitä kohti puhtaampaa energiaa, turvallisempaa teknologiaa, kestävämpiä materiaaleja ja teollisuuksia, jotka eivät kuormita planeettaa. AI muuttaa tapaa, jolla teemme materiaalitiedettä, ja sillä on merkitystä tulevaisuudelle.

Klikkaa tästä oppiaksesi kaiken tekoälyyn sijoittamisesta.

Viitteet

1. Peplow, M. (2025). AI is dreaming up millions of new materials. Are they any good? Nature, 646, 22–25. Published 1 October 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (2019, December 16). Artificial intelligence may help scientists make spray-on solar cells. ScienceDaily. Published 16  December 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). High-efficiency perovskite solar cells via single-source vapor deposition. 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). Machine learning with knowledge constraints for process optimization of open-air perovskite solar cell manufacturing. 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). Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells. Science, 386(6727), 1256-1264. Published 13 December 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Unlocking the potential: machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation. Chemical Society Reviews, 53, 11390–11461. Published 9 October 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). AI-driven design of multiprincipal element alloys for optimal water splitting. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Published 15 July 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). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624, 86–91. Published 29 November 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). Predicting superhard materials via a machine learning informed evolutionary structure search. npj Computational Materials, 5, 89. Published 03 September 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). Machine learning and evolutionary prediction of superhard B-C-N compounds. npj Computational Materials, 7, 114. Published 21 July 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Finding the Next Superhard Material through Ensemble Learning. Advanced Materials, 33(5), e2005112. Published 4 December 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, August 5). AI helps chemists develop tougher plastics. MIT News. Retrieved August 5, 2025, from https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805?utm_source=chatgpt.com
13. MIT News. (2025, July 28). New system dramatically speeds the search for polymer materials. MIT News. Retrieved August 5, 2025, from https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728?utm_source=chatgpt.com
14. Tan, D. Q. (2020). The search for enhanced dielectric strength of polymer-based dielectrics: A focused review on polymer nanocomposites. Journal of Applied Polymer Science, 137, e49379. Published 5 April 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). High Dielectric Design of Polymer Composites by Using Artificial Neural Network. Applied Sciences, 12, 12592. Published 25 December 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). AI-assisted discovery of high-temperature dielectrics for energy storage. Nature Communications, 15(1), 6107. Published 19 July 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). The battery industry has entered a new phase. IEA Commentary. Published 5 March 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). Speeding up the development of solid state electrolyte by machine learning. 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). Artificial Intelligence Empowers Solid-State Batteries for Material Screening and Performance Evaluation. Nano-Micro Letters, 17, 287. Published 6 June 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMind’s Gnome is pushing AI into materials science. Time Magazine. Published 6 June 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). How AI and HPC are speeding up scientific discovery. Microsoft Source – Innovation Features. Published 29 October 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). Experimental discovery of a fast and stable lithium thioborate solid electrolyte, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). No burning batteries: Stanford scientists turn to AI to create safer lithium-ion batteries. Stanford News. Published 12 December 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries