Tekoälypohjaisten laboratorioiden sisällä: Materiaalien löytämisen uusi aikakausi

Aivan kuten kasvava määrä teollisuudenaloja, myös materiaalitiede on autettavana tekoälyn (AI) avulla.

Tässä koneoppimisalgoritmit analysoivat laajoja tietojoukkoja ja tunnistavat malleja ehdottaakseen lupaavia materiaaliehdokkaita minimaalisessa ajassa. samalla kun se kuluttaa huomattavasti vähemmän resursseja kuin kokeilu- ja erehdysmenetelmät.

Perinteinen manuaalinen, ihmiskeskeinen työ, joka oli täydennetty Laskennallisten järjestelmien myötä, jotka mahdollistavat monimutkaiset laskelmat, on nyt täysin mullistamassa automatisoidut, rinnakkaiset ja iteratiiviset prosessit, joita ohjaavat tekoäly, simulaatio ja kokeellinen automaatio. 

Tekoälyteknologian kypsyminen yhdistettynä suurteholaskentaan ja hybridipilviteknologioihin on auttaa materiaalitiedettä siirtymään uuteen paradigmaan merkitty uusien materiaalien nopeutettu löytäminen, materiaalien ominaisuuksien ennustava mallintaminen ja autonominen kokeilu. 

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 energia-, elektroniikka-, terveydenhuolto- ja kestävän kehityksen sovellukset.

Hiljattain North Carolina State Universityn tutkijat ottivat merkittävän askeleen eteenpäin luomalla itseohjautuvan laboratorion saavuttaakseen uuden harppauksen laboratorioautomaatiossa ja nopeuttaakseen entisestään materiaalien löytämistä tiedemiesten toimesta..

Automaattinen laboratorio kerää kymmenen kertaa enemmän dataa kuin perinteinen manuaalinen menetelmiä. Tämän ansiosta tutkijat voivat suorittaa reaaliaikaisia, dynaamisia kemiallisia kokeita, mikä säästää aikaa ja resursseja. mahdollistaa nopeampia läpimurtoja.

Uudet laboratoriolöydöt eivät enää vie vuosia; pikemminkin katsomme tulevaisuuteen, jossa keksinnöt tapahtuvat päivissä.

Tekoälypohjainen laboratorio: reaaliaikainen oppiminen reaaliaikaista löytämistä varten

Jotta voittaa puhtaan energian, ihmisten hyvinvoinnin ja kestävän kehityksen maailmanlaajuiset haasteet kriittinen tehdä nopeita löytöjä edistyneistä funktionaalisista materiaaleista. Löytö ja uusien materiaalien synteesi ovat myös avainasemassa innovatiivisille teknologioille pitää paristot, tietokonesirut, aurinkopaneelit ja paljon enemmän.

Tämän seurauksena, paljon edistystä on tapahtunut on tehty materiaalien kiihdytysalustoilla ja itseohjautuvissa laboratorioissa.

Edistyksestä huolimatta näiden alustojen ja laboratorioiden kyky tutkia monimutkaisia parametrialueita on estynyt alhaisen tiedonsiirtonopeuden vuoksi. Hidas tiedonsiirrot ja -käsittely johtavat tuottavuuden laskuun.

Siksi NC State Universityn tutkijat ovat "ottaneet käyttöön dynaamiset virtauskokeet epäorgaanisten materiaalien synteesien tiedon intensiivistamisstrategiana itseohjautuvissa fluidilaboratorioissa kartoittamalla jatkuvasti transienttireaktio-olosuhteita tasapainotilan vastineiksi".

Julkaistu Luontokemikaali Tekniikka¹tutkimuksessa kuvataan huippumoderni itseohjautuva laboratorio, joka käyttää reaaliaikaisia kokeita tiedon jatkuvaan keräämiseen ja siten mikä materiaalien löytäminen nopeampi ja tehokkaampi samalla vähentäen kustannuksia ja ympäristövaikutuksia.

Tutkimus sai työstään tukea National Science Foundationilta ja North Carolina Universityn tutkimusmahdollisuuksien aloiteohjelmalta.

Mitä itseohjautuvat laboratoriot (SDL) edes tarkoittavat? Nämä ovat robottialustoja, jotka yhdistävät koneoppimisen ja automaation kemian- ja materiaalitieteisiin materiaalien löytämiseksi nopeammin. Näissä koneoppimisen avustamissa modulaarisissa kokeellisissa alustoissa suoritetaan sarja kokeita, jotka valitaan ML-algoritmin avulla suoritetaan iteratiivisesti ohjelmoidun tavoitteen saavuttamiseksi.

”Kuvittele, jos tiedemiehet voisivat löytää läpimurtomateriaaleja puhtaalle energialle, uudelle elektroniikalle tai kestäville kemikaaleille päivissä vuosien sijaan käyttämällä vain murto-osaa materiaaleista ja tuottamalla paljon vähemmän jätettä kuin nykytilanteessa.”

– Artikkelin toinen kirjoittaja, Milad Abolhasani, ALCOA:n kemian- ja biomolekyylitekniikan professori North Carolina State Universityssä

Hän lisäsi:

"Tämä työ tuo tuon tulevaisuuden askeleen lähemmäksi.” 

Itseohjautuvat laboratoriot ovat kasvattaneet suosiotaan kemian ja materiaalitieteen aloilla edustaen mullistavaa lähestymistapaa tieteellisten löytöjen nopeuttamiseen.. 

Jatkuvatoimisia virtausreaktoreita käyttävät itseohjautuvat laboratoriot perustuvat usein vakiovirtauskokeisiin, joissa eri lähtöaineet yhdistetään ennen kemiallisten reaktioiden tapahtumista ja seos virtaa jatkuvasti reaktorin läpi. mikrokanava. 

Tuote, joka tulee siitä ulos karakterisoidaan sitten useilla antureilla, kun reaktio on valmis.

”Tämä vakiintunut lähestymistapa itseohjautuviin laboratorioihin on vaikuttanut dramaattisesti materiaalien löytämiseen”, Abolhasani totesi ja kertoi, että tämä on antanut tiedemiehille mahdollisuuden ”tunnistaa lupaavia materiaaliehdokkaita tiettyihin sovelluksiin muutamassa kuukaudessa tai viikossa vuosien sijaan, samalla vähentäen sekä kustannuksia että työn ympäristövaikutuksia.” Mutta täydellinen se ei ollut missään nimessä, vaan parantamisen varaa oli edelleen.

Erityisesti järjestelmän tyhjäkäynti kemiallisen reaktion aikana tapahtuu ennen kuin tuloksena oleva materiaali voi be tunnettu siitä,. Itseohjautuvien laboratorioiden odotusaika voi olla jopa tunti kutakin tasaisen tilan virtauskoetta kohden.

"Olemme nyt luoneet itseohjautuvan laboratorion, joka hyödyntää dynaamisia virtauskokeita, joissa kemiallisia seoksia muutetaan jatkuvasti järjestelmän läpi ja" seurataan reaaliajassa.”

– Abolhasani 

Mitä tämä välineet on se, että ne poistavat prosessin, jossa erillisiä näytteitä ajetaan järjestelmän läpi ja testataan jokainen heistä yksi kerrallaan sen jälkeen, kun he ovat saavuttaneet tilan. 

Sen sijaan he ovat rakentaneet järjestelmän, joka yksinkertaisesti ei lopeta juoksemista. Näytteet liikkuvat jatkuvasti järjestelmän läpi. Tämä johtuu siitä, että ”järjestelmä ei koskaan lopeta näytteen karakterisointia” ja tutkija voi ”taltioida tietoa näytteessä tapahtuvasta puolen sekunnin välein”.

Dynaamisten virtauskokeiden integrointi itseohjautuviin fluidilaboratorioihin merkitsee poikkeamaa perinteisistä eräkokeista. 

Toisin kuin perinteisissä lähestymistavoissa, joissa yksittäisiä datapisteitä ovat kokoontuneet vakaan tilan olosuhteissa, in dynaamiset virtauskokeet, mikrofluidiset periaatteet käytetään hyväksi varten nopea reaktio-olosuhteiden kartoitus.

Luomalla jatkuvan datavirran se laajentaa huomattavasti saatavilla olevaa kokeellista dataa.

Abolhasani havainnollistaa, että joukkue nyt saa 20 datapistettä kokeen tuloksista, alkaen yhdestä 0.5 sekunnin reaktioajan jälkeen, sitten yhdestä yhden sekunnin reaktioajan jälkeen ja niin edelleen, toisin kuin yksi datapiste, jonka he tekisivät saada 10 sekunnin reaktioajan jälkeen. Hän lisäsi:

”Se on kuin vaihtaisi yksittäisestä otoksesta reaktion kokonaiseen elokuvaan sen tapahtuessa. Sen sijaan, että odottaisimme jokaisen kokeen päättymistä, järjestelmämme on aina käynnissä ja oppii jatkuvasti.” 

Paljon suuremmalla datamäärällä voi olla valtava vaikutus tekoälypohjaisen laboratorion suorituskykyyn. Data on loppujen lopuksi algoritmin avain. Tekoäly on datanälkäinen, ja sen datan perusteella se on ruokittu, algoritmi tekee ennusteita.

Abolhasanin mukaan:

”Minkä tahansa itseohjautuvan laboratorion tärkein osa on koneoppimisalgoritmi, jota järjestelmä käyttää ennustaakseen, minkä kokeen sen tulisi suorittaa seuraavaksi.” 

Siten suoratoistodataan perustuva lähestymistapa mahdollistaa itseohjautuvan laboratorion koneoppimisaivojen tehdä paitsi nopeampia myös älykkäämpiä päätöksiä, "hiomalla optimaaliset materiaalit ja prosessit murto-osassa ajasta".

Myös datan laatu määrää ennusteiden tarkkuuden. Joten, mennessä Koska algoritmilla on enemmän korkealaatuista kokeellista dataa, se voi tehdä tarkempia ennusteita, ja sitten it voida ratkaista ongelma nopeammin. 

"Tällä on se lisäetu, että ratkaisun löytämiseen tarvittavien kemikaalien määrä vähenee." 

– Abolhasani

Järjestelmänsä ominaisuuksien osoittamiseksi tiimi sovelsi dynaamisia virtauskokeita CdSe-kolloidisiin kvanttipisteisiin. Tätä käytettiin testialustana, koska se on vakiintunut epäorgaaninen järjestelmä, jolla on paitsi runsaasti parametririippuvuuksia myös huomattava teknologinen potentiaali.

Tässä tapauksessa tiimi havaitsi, että heidän laboratorionsa, jossa oli dynaaminen virtausjärjestelmä, saavutti "kertaluokkaa suuremman parannuksen tiedonkeruun tehokkuudessa".

Se tuotti ainakin 10 kertaa enemmän dataa kuin muut itseohjautuvat laboratoriot, jotka käyttivät vakiotilavirtauskokeita. Lisäksi koulutuksen jälkeen itseohjautuva laboratorio pystyi löytämään parhaat ehdokkaat ensimmäisellä yrityksellä.

Kuten Abolhasani sanoi, tämä läpimurto ”ei koske pelkästään nopeutta”, vaan kestävyyden saavuttamista. Vähentämällä vaadittavien kokeiden määrää järjestelmä vähentää merkittävästi sekä kemikaalien kulutusta että jätettä edistäen kestävämpiä tutkimuskäytäntöjä. Abolhasani sanoi:

”Materiaalien löytämisen tulevaisuus ei ole pelkästään se, kuinka nopeasti voimme edetä, vaan myös se, kuinka vastuullisesti pääsemme sinne. Lähestymistapamme tarkoittaa vähemmän kemikaaleja, vähemmän jätettä ja nopeampia ratkaisuja yhteiskunnan vaikeimpiin haasteisiin.”

Tekoälyn laajeneva rooli materiaalitieteessä: Jännittäviä viimeaikaisia ​​löytöjä

Tekoäly mullistaa toimialoja maailmanlaajuisesti, ja siihen sisältyy materiaalitiede, joka on perustavanlaatuinen monille teknologisille innovaatioille ja yhteiskunnallisille haasteille. 

Tämän seurauksena käyttö tekoälyn käyttöä uusien materiaalien löytämisessä ja kehittämisessä on osoitettu menossa vuosia nyt, mutta se on varmasti on saanut kannatusta viime vuosina, kun teknologia tulee edistyneempi ja kyvykkäämpi. 

”Jatkuvan kehityksen myötä odotamme robotiikan ja automaation parantavan kokeiden nopeutta, tarkkuutta ja toistettavuutta eri laitteilla ja tieteenaloilla, tuottaen dataa, jota tekoälyjärjestelmät voivat analysoida ja ohjata jatkokokeita.”"

– Tohtori James Cahoon, artikkelin toinen kirjoittajaTiedelaboratorioiden muuttaminen automatisoiduiksi löytötehtaiksi.^{2 "}

Tarkastellaanpa tässä joitakin keskeisiä edistysaskeleita materiaalitieteessä tänä vuonna eri sovelluksissa.

Ensinnäkin, kuten äskettäin jaoimme, tekoälyn avulla tiedemiehet ovat pystyneet suunnittelemaan monimutkaisia, 3D-lämpömetaemittereitä, jotka voivat tuo alas sisälämpötilat ja apua säästää energiakustannukset. Uudella koneoppimistekniikalla luotu materiaali voi löytää sovelluksia asuin- ja liikerakennuksista, avaruusaluksista, kankaista ja tekstiileistä, autoista ja muusta.

"Automatisoimalla prosessia ja laajentamalla suunnittelutilaa voimme luoda materiaaleja, joilla on aiemmin mahdottomia kuvitella ylivoimaisen suorituskyvyn.""

– Tutkimuksen toinen johtaja Yuebing Zheng

Uusien, erittäin lujien metallisten materiaalien kehittäminen

Pari kuukautta sitten tiedemiehet raportoitu tekoälyn käyttö uuden MPEA:n tai usean pääelementin suunnittelussa seokset, Joka olemme löytyi lentokoneiden osissa, katalysaattoreissa ja polven tekonivelissä.

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."

Analyysin tulkitsemiseksi tehty tekoälymallin avulla Deshmukh ja hänen tiiminsä käytetty SHAP (SHapley Additive Explanations) -analyysi, joka sallittu jotta he ymmärtäisivät, miten eri elementit ja niiden paikalliset ympäristöt vaikuttaa MPEA:iden ominaisuudet, puolestaan, tarjoamalla enemmän tietoa ja tarkempia ennusteita.

Sen lisäksi, että kiihdytetään edistyneiden metalliseosten löytäminenDeshmukh uskoo, että koneoppimisen integrointi evoluutioalgoritmeihin ja kokeelliseen validointiin voi myös auttaa meitä luomaan työkaluja, joita ”voidaan laajentaa monimutkaisiin materiaalijärjestelmiin, kuten glykomateriaaleihin – hiilihydraatteja sisältäviin polymeerimateriaaleihin”.

Dendriittisen kasvun salaisuuksien paljastaminen ohuissa kalvoissa

tutkimus³ Tokion tiedeyliopistosta (TUS) on kehitetty selitettävissä oleva tekoälymalli, joka ennustaa dendriittien (puumaisten haarautumiskuvioiden) kasvua ohuissa kalvoissa, mikä on merkittävä este niiden laaja-alaiselle valmistukselle ja rajoittaa niiden kaupallistamista.

Paljastamalla dendriittien haarautumisen taustalla olevat erityiset olosuhteet ja mekanismit tekoälymalli auttaa parantamaan ohutkalvojen kasvuprosessia. Ohutkalvolaitteet ovat kriittinen in tekniikan kaltainen puolijohteet.

Uusi tekoälymalli integroi koneoppimismenetelmän nimeltä pääkomponenttianalyysi (PCA) ja topologiatekniikan nimeltä pysyvä homologia vapaan energian analyysin kanssa. 

”Yhdistämällä topologian ja vapaan energian menetelmämme tarjoaa monipuolisen lähestymistavan materiaalianalyysiin. Tämän integroinnin avulla voimme luoda hierarkkisen yhteyden atomitason mikrorakenteiden ja makroskooppisten toiminnallisuuksien välille laajalla materiaalivalikoimalla, mikä tasoittaa tietä materiaalitieteen tulevaisuuden edistysaskeleille.”"

– Professori Masato Kotsugi TUS:n materiaalitieteen ja -teknologian laitokselta

Nanohiukkasten parempi ymmärtäminen

Useiden yliopistojen tiedemiesryhmä tuli yhdessä että kehittää menetelmä⁴ että paremmin ymmärtää nanopartikkelien dynaaminen käyttäytyminen, sillä nanopartikkelit ovat elektroniikan, lääkkeiden ja teollisuusmateriaalien rakennuspalikoita.

Se yhdisti elektronimikroskopian tekoälyyn visualisoidakseen molekyylien rakenteita ja liikkeitä ennennäkemättömällä aikaresoluutiolla.

Kuten Peter A. Crozier, materiaalitieteen ja -tekniikan professori Arizonan osavaltionyliopistossa, selitti:

”Elektronimikroskopialla voidaan ottaa kuvia suurella spatiaalisella resoluutiolla, mutta koska nanopartikkelien atomirakenne muuttuu kemiallisten reaktioiden aikana niin nopeasti, meidän on kerättävä tietoa erittäin nopeasti ymmärtääksemme niiden toiminnallisuutta.”

Tämän kohinan lieventämiseksi he kehittivät tekoälymenetelmän, joka poistaa sen automaattisesti, "mahdollistaen keskeisten atomitason dynamiikkojen visualisoinnin".

Samaan aikaan Grazin teknillisen yliopiston tutkimusryhmä vie nanorakenteiden rakentamisen uudelle tasolle tekoälyn avulla.

Tätä varten he ovat kehittämällä itseoppiva tekoälyjärjestelmä, joka asemoi yksittäisiä molekyylejä automaattisesti ja nopeasti oikein suuntaus pyyhkäisytunnelointimikroskoopeilla, muuten vaikea ja aikaa vievä prosessi, sallimaan Ishayoiden opettaman rakennus "erittäin monimutkaisista molekyylirakenteista, mukaan lukien nanometriluokan logiikkapiirit"."

Tavoitteena on lopulta rakentaa kvanttikorraaleja, jotka ovat elektroneja vangitsevia portin muotoisia nanorakenteita, ja käyttää niitä logiikkapiirien rakentamiseen, jotta voidaan tutkia niiden toimintaa molekyylitasolla. 

Parempien aurinkosähkömateriaalien löytäminen

Kestävä vaihtoehto perinteisille piipohjaisille aurinkokennoille, perovskiitti-aurinkokennot näyttää suuri lupaus seuraavan sukupolven aurinkosähköteknologiana muuntaa auringonvaloa sähköksi. 

Niiden tehokkuutta voidaan edelleen lisätä positiivisia varauksia johtavien molekyylien avulla, mutta molekyylejä on miljoonia erilaisia, mikä tarkoittaa syntetisointia ja testaamalla niitä kaikkia. Käyttämällä tekoälyä automatisoidussa suuren läpimenon synteesissä Karlsruhen teknillisen instituutin (KIT) tutkijaryhmä pystyi kuitenkin löytää uusia orgaanisia molekyylejä⁵ vain muutamassa viikossa, vain 150 kohdennetulla kokeella.

Uudet löydetyt materiaalit lisäsivät myös vertailuaurinkokennomme hyötysuhdetta noin kahdella prosenttiyksiköllä.

Tätä varten tiedemiehet kääntyivät miljoonan virtuaalisen molekyylin tietokannan puoleen ja valitsivat niistä satunnaisesti 13,000 101 ennen kuin valitsivat niistä XNUMX. Valitut HAD suurimmat erot niiden ominaisuuksissa, ja ne syntetisoitiin robottijärjestelmät ennen käyttämällä niitä aurinkokennojen tuottamiseen.

Tekoälypohjaisen materiaalien löytämisen perustan luominen

Vaikka kaikki nämä löydöt ovat tehdään, jotta tekoäly todella toteuttaisi sen, se tarvitsee dataa. Tämä sisältää tietoja materiaaleista sekä tietoja laajamittaisista simulaatioista. 

Vaikka tällaisia tietokantoja on saatavilla monia, ne ovat melko erillisiä ja tarvitsevat standardin, ”jotta käyttäjät voivat kommunikoida kaikkien näiden tietokirjastojen kanssa ja ymmärtää vastaanottamansa tiedot”." totesi Gian-Marco Rignanese, professori UCLouvainin tiiviin aineen ja nanotieteiden laitoksella Belgiassa.

Niinpä viime kesänä tapahtui merkittävä kansainvälinen yhteistyö julkaistu OPTIMADE-standardin laajennettu versio tekoälypohjaisen materiaalien löytämisen helpottamiseksi.

OPTIMADE (avoin tietokantojen integrointi varten materiaalien suunnittelu) standardi on Tukena laajan kansainvälisen instituutioiden ja materiaalitietokantojen verkoston kautta. Jotta käyttäjät pääsevät helpommin sekä johtaviin että vähemmän tunnettuihin materiaalitietokantoihin, siitä on julkaistu uusi versio. esiteltiin mikä voi entisestään kiihdyttää meneillään olevaa tekoälypohjaista materiaalien löytämistä.

Investoiminen tekoälyyn materiaalien löytämiseksi

Kun harkitsee sijoittamista tässä tilassa, Alphabet Inc. (GOOGL ) omistama Google on sellainen on julkaissut tekoälytyökalun nimeltä Gnome. Se on raportoitu löydös 2.2 miljoonaa uutta kristallia sen kanssa. Sitten on Microsoft (MSFT ), joka on ottanut käyttöön MatterGenin ja MatterSimin uusien kandidaattimateriaalien luomiseksi ja validoimiseksi.

Mutta on olemassa toinenkin tekoälyjätti, joka on lanseerannut oman mallinsa materiaalitutkimuksen laajuuden ja tarkkuuden nostamiseksi.

NVIDIA Corporation (NVDA )

Se ei ole kukaan muu kuin tekoälyn rakas Nvidia. Viime vuoden lopulla yritys käyttöön NVIDIA ALCHEMI (tekoälylaboratorio kemian ja materiaalien innovaatioille).

Alustan tavoitteena on nopeuttaa kemian ja materiaalitieteen tutkimus- ja kehitystyötä tekoälyn avulla ja saavuttaa tämä, se sisältää API-rajapintoja ja nopeutetun päättelyn mikropalveluita. Tämä mahdollistaa luomisen ja käyttöönoton laji Tekoälymallit laajan materiaaliuniversumin tutkimiseksi ja uusien ehdokkaiden ehdottamiseksi, ja kehitys ja käyttö sijaismalleista saavuttaa välinen tasapaino Ishayoiden opettaman maksaa laskennasta ja tarkkuus. Se tulee myös sallia saavutettavat tietotekniikan työkalut ja esikoulutetut perustamallit varten nopeat seulonta- ja simulointityökalut junaan ja hienosäätö AI-mallit varten uusia käyttötapauksia.

ALCHEMIn kautta NVIDIA pyrkii nopeuttamaan tutkimustyönkulkua ja "aloittamaan uuden aikakauden läpimurtoisille löydöksille, jotka tukevat kestävämpää ja terveellisempää tulevaisuutta".

Nvidia on 4.22 biljoonan dollarin markkina-arvoinen yhtiö, jonka osakkeet käyvät kauppaa noin 173.5 dollarilla, mikä on 28.8 % nousua vuoden alusta. Sen osakekohtainen tulos (TTM) on 3.10, P/E (TTM) on 55.73 ja tarjottu osinkotuotto on 0.02 %.

NVIDIA Corporationin (NVDA) uusimmat osakeuutiset ja kehityskulut

Yhteenveto

Kuten tekoäly, automaatio ja suurteholaskenta tulla yhdessämateriaalitiede on siirtymässä mullistavimpaan aikakauteensa, mikä merkitsee kipeästi kaivattua siirtymää ihmisen johtamasta yritys ja erehdys to, autonomous discovery.

Tämän keskellä tekoälyllä toimivat laboratoriot ja itseohjautuvat kokeelliset alustat muuttavat täysin tapaa, jolla tiedemiehet eivät ainoastaan ​​löydä, vaan myös testaavat ja optimoivat materiaaleja. Lisäksi NVIDIAn ALCHEMIn, Googlen Gnomen ja Microsoftin MatterGenin kaltaisten aloitteiden myötä suuret teknologiayritykset panostavat myös tekoälyyn seuraavan innovaatioaallon vauhdittamiseksi!

Napsauta tätä saadaksesi lisätietoja tekoälyyn sijoittamisesta.

Viitteet:

1. Delgado-Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, RB; Bennett, JA; Jha, P.; Mukhin, N.; Li, J.; López-Guajardo, EA; Sadeghi, S.; Bateni, F.; Abolhasani, M. Flow-Driven Data Intensification nopeuttamaan autonomisten epäorgaanisten materiaalien löytämistä. Nature Chemical Engineering, julkaistu verkossa 14. heinäkuuta 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Tiedelaboratorioiden muuttaminen automatisoiduiksi löytötehtaiksi. 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 ai. Rakenteen ja prosessin yhdistäminen dendriittikasvussa käyttämällä jatkuvaa homologiaa energia-analyysin kanssa. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), artikla 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. Nanohiukkasten pinnan dynamiikan ja epävakauksien visualisointi syvän kohinanpoiston avulla. tiede 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 löytää perovskite-aurinkokennoille räätälöityjä reikäkuljetusmateriaaleja. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901