AI-pohjaisissa laboratorioissa: Uusi aikakausi materiaalien löytämisessä

Kuten monien alojen määrä kasvaa, myös materiaalitiede on saavuttanut apua tekoälyn (AI) avulla.

Tässä koneoppimisen (ML) algoritmit analysoivat valtavia tietoaineistoja ja tunnistavat malleja ehdottaakseen lupaavia materiaalikandidaatteja lyhyessä ajassa, samalla kuluttaen merkittävästi vähemmän resursseja kuin kokeilu- ja virhemenetelmät.

Perinteinen manuaalinen, ihmistyövoimainen työ, joka lisättiin tietojärjestelmien myötä, jotka mahdollistavat monimutkaiset laskelmat, on nyt täysin mullistunut automatisoitujen, rinnakkaisten ja iteratiivisten prosessien avulla, joita ohjaavat tekoäly, simulointi ja kokeellinen automaatio. 

AI-teknologian kypsyminen, yhdistettynä suorituskykyiseen laskentaan ja hybridipilviteknologioihin, on auttamassa materiaalitiedettä siirtymään uuteen paradigmaan merkittävässä roolissa, jossa nopeutettu uusien materiaalien löytäminen, materiaalien ominaisuuksien ennustemallinnus ja autonominen kokeilu 

Tämä paradigma muutos mahdollistaa tutkijoiden siirtymisen kokeilu- ja virhemenetelmistä suunnitteluun, merkittävästi lyhentäen kehityssyklejä ja raivaa tietä kehittyneille materiaaleille energia-, elektroniikka-, terveydenhuolto- ja kestävyys sovelluksissa.

Äskettäin Pohjois‑Carolinan osavaltion yliopiston tutkijat ottivat merkittävän askeleen eteenpäin luomalla itseohjautuvan laboratorion saavuttaakseen uuden harppauksen laboratoriomaatin automaatiossa ja nopeuttaakseen materiaalien löytämistä tutkijoiden toimesta.

Automatisoitu laboratorio kerää kymmenen kertaa enemmän dataa kuin perinteiset, manuaaliset menetelmät. Tämän avulla tutkijat voivat toteuttaa reaaliaikaisia, dynaamisia kemiallisia kokeita, säästäen aikaa ja resursseja samalla mahdollistaen nopeampia läpimurtoja.

Uudet laboratoriotulokset eivät enää vie vuosia; sen sijaan katsomme tulevaisuuteen, jossa keksinnöt tapahtuvat päivissä.

AI-pohjainen laboratorio: reaaliaikainen oppiminen reaaliaikaista löytöä varten

Jotta voitaisiin voittaa maailmanlaajuiset haasteet puhtaassa energiassa, ihmiskunnan hyvinvoinnissa ja kestävyydessä, on kriittistä tehdä nopeita löytöjä kehittyneistä toiminnallisista materiaaleista. Löytäminen ja uusien materiaalien synteesi ovat myös avain innovatiivisille teknologioille kuten akut, tietokonepiirit, aurinkopaneelit ja monet muut.

Tuloksena, paljon edistystä on saavutettu materiaalien kiihdytys alustoissa ja itseohjautuvissa laboratorioissa.

Edistysstä huolimatta näiden alustojen ja laboratorioiden kyky tutkia monimutkaisia parametriavaruuksia on estynyt alhaisen datan läpimenoaikojen vuoksi. Hitaat datansiirrot ja prosessointi johtavat tuottavuuden heikkenemiseen.

Siksi NC State University -tutkijat ovat “esittäneet dynaamiset virtakokeet datan intensifiointistrategiana epäorgaanisten materiaalien synteesille itseohjautuvissa fluidisissa laboratorioissa jatkuvan siirtymäreaktio-olosuhteiden kartoittamisen avulla vakio‑olosuhteiden ekvivalentteihin.”

Julkaistu Nature Chemical Engineering¹, tutkimus kuvaa huippuluokan itseohjautuvaa laboratorioa, joka käyttää reaaliaikaisia kokeita kerätäkseen dataa jatkuvasti, jolloin materiaalien löytäminen on nopeampaa ja tehokkaampaa samalla kun kustannuksia ja ympäristövaikutuksia vähennetään.

Työlleen tutkimus sai tukea National Science Foundationilta ja University of North Carolina Research Opportunities Initiative -ohjelmalta.

Mitä itseohjautuvat laboratoriot (SDL:t) oikeastaan tarkoittavat? No, ne ovat robottialustoja, jotka yhdistävät koneoppimisen ja automaation kemian ja materiaalitieteen kanssa löytääkseen materiaaleja nopeammin. Näissä ML‑avusteisissa modulaarisissa kokeellisissa alustoissa sarja kokeita, jotka valitaan ML‑algoritmin toimesta, suoritetaan iteratiivisesti saavuttaakseen ohjelmoidun tavoitteen.

“Kuvittele, että tutkijat voisivat löytää läpimurtomateriaaleja puhtaaseen energiaan, uusiin elektroniikkalaitteisiin tai kestäviin kemikaaleihin päivissä vuosien sijaan, käyttäen vain murto‑osaa materiaaleista ja tuottaen paljon vähemmän jätettä kuin nykytilanne.”

– Paperin yhteiskirjoittaja, Milad Abolhasani, ALCOA:n kemian ja biomolekyylien insinöörin professori Pohjois‑Carolinan osavaltion yliopistossa

Hän lisäsi:

“Tämä työ vie tuota tulevaisuutta askeleen lähemmäs.”

Edustamalla mullistavaa lähestymistapaa tieteellisen löytämisen nopeuttamiseen, itseohjautuvat laboratoriot kasvattavat suosiotaan kemian ja materiaalitieteen aloilla.

Itseohjautuvat laboratoriot, jotka hyödyntävät jatkuvia virtareaktoreita, perustuvat usein vakio‑virta kokeisiin, joissa eri lähtöaineita yhdistetään ennen kemiallisten reaktioiden tapahtumista, ja seos virtaa jatkuvasti mikrokanavan läpi.

Tuote, joka siitä syntyy, karakterisoidaan sitten sarjan antureilla reaktion valmistuttua.

“Tämä vakiintunut lähestymistapa itseohjautuviin laboratorioihin on vaikuttanut dramaattisesti materiaalien löytämiseen,” totesi Abolhasani, ja hän kertoi, että tämä on mahdollistanut tutkijoiden “tunnistaa lupaavia materiaalikandidaatteja tiettyihin sovelluksiin muutamassa kuukaudessa tai viikossa, vuosien sijaan, samalla kun kustannuksia ja ympäristövaikutuksia vähennetään.” Mutta se ei ollut täydellinen, ja parannettavaa on edelleen.

Erityisesti järjestelmän odottaminen, kun kemiallinen reaktio tapahtuu ennen kuin syntynyttä materiaalia voidaan karakterisoida. Odotusaika itseohjautuvissa laboratorioissa voi olla jopa tunti jokaiselle vakio‑virta kokeelle.

“Olemme nyt luoneet itseohjautuvan laboratorion, joka käyttää dynaamisia virtakokeita, joissa kemiallisia seoksia vaihdellaan jatkuvasti järjestelmän läpi ja niitä seurataan reaaliajassa.”

– Abolhasani 

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

Sen sijaan he ovat rakentaneet järjestelmän, joka yksinkertaisesti ei lopeta toimintaansa. Näytteet liikkuvat jatkuvasti järjestelmän läpi. Tämä johtuu siitä, että “järjestelmä ei koskaan lopeta näytteen karakterisointia”, ja tutkija voi “kaapata dataa siitä, mitä näytteessä tapahtuu puolen sekunnin välein.”

Dynaamisten virtakokeiden integrointi itseohjautuviin fluidisiin laboratorioihin merkitsee poikkeamaa perinteisistä eräkoeista.

Toisin kuin perinteiset lähestymistavat, joissa erillisiä datapisteitä kerätään vakio‑olosuhteissa, dynaamisissa virtakokeissa hyödynnetään mikrofluidisia periaatteita reaktio‑olosuhteiden nopeaan kartoittamiseen.

Luomalla jatkuvan datavirran, se laajentaa merkittävästi saatavilla olevaa kokeellista dataa.

Abolhasani havasi, että tiimi saa nyt 20 datapistettä siitä, mitä koe tuottaa, alkaen yhdestä 0,5 sekunnin reaktioaikana, sitten yhdestä 1 sekunnin jälkeen, ja niin edelleen, toisin kuin yksi datapiste, jonka he saisivat 10 sekunnin reaktioaikana. Hän lisäsi:

“Se on kuin siirtyminen yhdestä kuvasta täyteen elokuvaan reaktiosta tapahtumassa. Odottamisen sijaan jokaisen kokeen valmistumista, järjestelmämme on aina käynnissä, aina oppimassa.”

Kun dataa on niin paljon, sillä voi olla valtava vaikutus AI‑pohjaisen laboratorion suorituskykyyn. Data on loppujen lopuksi algoritmin avain. AI on datansyöjä, ja sen saaman datan perusteella algoritmi tekee ennusteita.

Abolhasanin mukaan:

“Mikä tahansa itseohjautuvan laboratorion tärkein osa on koneoppimisalgoritmi, jonka järjestelmä käyttää ennustamaan, mitä koetta sen tulisi seuraavaksi suorittaa.”

Tämän vuoksi streaming‑data lähestymistapa antaa itseohjautuvan laboratorion ML‑älylle mahdollisuuden tehdä paitsi nopeampia myös älykkäämpiä päätöksiä, “tarkentuen optimaalisia materiaaleja ja prosesseja murto‑osassa ajasta”.

Datan laatu myös määrittää ennusteiden tarkkuuden. Joten, kun on enemmän korkealaatuista kokeellista dataa, algoritmi voi tehdä tarkempia ennusteita, ja sitten se voi ratkaista ongelman nopeammin.

“Tällä on lisähyöty vähentää tarvittavien kemikaalien määrää ratkaisun saavuttamiseksi.”

– Abolhasani

Demonstroidakseen järjestelmänsä kyvyt tiimi sovelsi dynaamisia virtakokeita CdSe‑kolloidisiin kvanttipisteisiin. Tätä käytettiin testialustana sen vakiintuneen epäorgaanisen järjestelmän aseman vuoksi, jossa on sekä rikkaat parametri riippuvuudet että merkittävä teknologinen potentiaali.

Se tuotti vähintään 10‑kertaisesti enemmän dataa kuin muut itseohjautuvat laboratoriot, jotka käyttivät vakio‑virta kokeita. Lisäksi, kun se oli koulutettu, itseohjautuva laboratorio pystyi löytämään parhaat ehdokkaat ensimmäisellä yrityksellään.

Tämä läpimurto, kuten Abolhasani sanoi, “ei ole pelkästään nopeudesta”, vaan kestävyyden saavuttamisesta. Vähentämällä tarvittavien kokeiden määrää, järjestelmä vähentää merkittävästi sekä kemikaalien kulutusta että jätettä, edistäen kestävämpiä tutkimuskäytäntöjä. Abolhasani sanoi:

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

Tekoälyn laajeneva rooli materiaalitieteessä: jännittäviä viimeaikaisia löytöjä

Tekoäly muuttaa teollisuuksia maailmanlaajuisesti, ja se sisältää materiaalitieteen, joka on perustavanlaatuinen monille teknologisille innovaatioille ja yhteiskunnallisille haasteille. 

Tämän seurauksena tekoälyn käyttö uusien materiaalien löytämisessä ja kehittämisessä on jatkunut monien vuosien ajan, mutta se on viime vuosina ehdottomasti saanut jalansijaa, kun teknologia on tullut yhä kehittyneemmäksi ja kykenevämmäksi. 

“Jatkuvan kehityksen myötä odotamme robotiikan ja automaation parantavan kokeiden nopeutta, tarkkuutta ja toistettavuutta eri instrumenteissa ja tieteenaloilla, tuottaen dataa, jonka tekoälyjärjestelmät voivat analysoida ohjatakseen lisäkokeita.”

– Tohtori James Cahoon, paperin yhteiskirjoittaja ‘Transforming Science Labs into Automated Factories of Discovery’.²

Tämän myötä tarkastellaan joitakin keskeisiä edistysaskeleita, jotka on saavutettu materiaalitieteessä tänä vuonna eri sovelluksissa.

Aluksi, kuten äskettäin jaoimme, tekoälyn avulla tutkijat ovat pystyneet suunnittelemaan monimutkaisia, 3D‑lämpömeta‑emittereitä, jotka voivat alentaa sisätilojen lämpötiloja ja auttaa säästämään energian kustannuksia. Materiaali, joka on luotu uudella ML‑tekniikalla, voi löytää sovelluksia asuin‑ ja liiketiloissa, avaruusaluksissa, kankaissa ja tekstiileissä, autoissa ja muissa.

“Automatisoimalla prosessin ja laajentamalla suunnittelutilaa, voimme luoda materiaaleja, joilla on ylivoimainen suorituskyky, jotka olivat aiemmin kuviteltavissa mahdottomia.”

– Tutkimuksen yhteisjohtaja, Yuebing Zheng

Uusien metallisten materiaalien kehittäminen paremmalla lujuudella

Muutama kuukausi sitten tutkijat raportoivat käyttäneensä tekoälyä suunnitellakseen uuden MPEA:n eli moniperusalkalaisen seoksen, joita käytetään lentokoneiden osissa, katalysaattoripuhdistimissa ja polven korvausproteesissa.

Uudelleensuunniteltu MPEA tarjoaa paremmat mekaaniset ominaisuudet, minkä mukaan Sanket Deshmukh, kemiantekniikan apulaisprofessori Virginiassa, sanoi, “se osoittaa, miten kehyksiä ja selitettävää tekoälyä voidaan hyödyntää avaamaan uusia mahdollisuuksia materiaalisuunnittelussa.”

Tulkitakseen tekoälymallin tekemän analyysin, Deshmukh ja hänen tiiminsä käyttivät SHAP (SHapley Additive exPlanations) -analyysiä, mikä mahdollisti heidän ymmärtää, miten eri alkuaineet ja niiden paikalliset ympäristöt vaikuttavat MPEA:n ominaisuuksiin, tarjoten näin syvempää näkemystä ja tarkempia ennusteita.

Lisäksi edistyneiden metalliseosten löytämisen nopeuttamisen lisäksi Deshmukh uskoo, että ML:n yhdistäminen evoluutiotalgoritmeihin ja kokeelliseen validointiin voi myös auttaa meitä luomaan työkaluja, joita “voidaan laajentaa monimutkaisiin materiaalijärjestelmiin, kuten glykomaattisiin – hiilihydraatteja sisältäviin polymerimateriaaleihin”.

Dendriittisen kasvun salaisuuksien selvittäminen ohutkalvoissa

Tokyo Science University (TUS) tutkimus³ on kehittänyt selitettävän tekoälymallin, joka ennustaa dendriittien (puumaisen haarautumisen) kasvua ohutkalvoissa, mikä on merkittävä este niiden laajapintaiseen valmistukseen ja rajoittaa niiden kaupallistamista.

Paljastamalla tarkat olosuhteet ja mekanismit dendriittien haarautumisen takana, tekoälymalli auttaa parantamaan ohutkalvojen kasvuprosessia. Ohutkalvolaitteet ovat kriittisiä teknologioissa, kuten puolijohteissa.

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

“Yhdistämällä topologiaa ja vapaa‑energiaa, menetelmämme tarjoaa monipuolisen lähestymistavan materiaalianalyysiin. Tämän integraation kautta voimme luoda hierarkkisen yhteyden atomitasoisten mikrorakenteiden ja makroskooppisten toiminnallisuuksien välillä laajalla materiaalialalla, raivaa tietä tuleville edistysaskeleille materiaalitieteessä.”

– Professori Masato Kotsugi, Materiaalitieteen ja teknologian laitoksesta TUS

Parempi ymmärrys nanopartikkelien suhteen

Useiden yliopistojen tutkijatiimi kokoontui kehittämään menetelmää⁴ paremman ymmärtämisen saavuttamiseksi nanopartikkelien dynaamisesta käyttäytymisestä, jotka ovat elektroniikan, farmaseuttisten ja teollisten materiaalien rakennuspalikoita.

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

Kuten Peter A. Crozier, Arizona State University:n materiaalitieteen ja tekniikan professori, selitti:

“Elektronimikroskopia voi kaapata kuvia korkealla spatiaalisella resoluutiolla, mutta koska nanopartikkelien atomirakenne muuttuu kemiallisten reaktioiden aikana suurella nopeudella, meidän täytyy kerätä dataa erittäin nopeasti ymmärtääksemme niiden toiminnallisuuden.”

Tämän kohinan vähentämiseksi he kehittivät tekoälymenetelmän, joka poistaa sen automaattisesti, “mahdollistamalla avainatomitasoisen dynamiikan visualisoinnin.”

Sillä välin Grazin teknillisestä yliopistosta tuleva tutkimusryhmä nostaa nanorakenteiden rakentamisen uudelle tasolle tekoälyn avulla.

Tätä varten he kehittävät itseoppivan tekoälyjärjestelmän, joka autonomisesti asettaa yksittäisiä molekyylejä nopeasti ja oikeaan suuntaan skannaavien tunnistusmikroskooppien avulla, mikä muuten on vaikea ja aikaa vievä prosessi, mahdollistaen “erittäin monimutkaisten molekyylirakenteiden, mukaan lukien loogiset piirit nanometrialueella, rakentamisen”.

Tavoitteena on lopulta rakentaa kvanttikorallit, jotka ovat portin muotoisia nanorakenteita, jotka voivat vangita elektroneja, ja käyttää niitä loogisten piirejen rakentamiseen tutkiakseen, miten ne toimivat molekyylitasolla.

Parempien fotovoltaisien materiaalien löytäminen

Kestävä vaihtoehto perinteisille piipohjaisille aurinkokennoille, perovskiittisolaariset kennot osoittavat suurta potentiaalia seuraavan sukupolven fotovoltaiikkoteknologiana, joka muuntaa auringonvalon sähköksi. 

Niiden tehokkuutta voidaan edelleen lisätä positiivisia varauksia johtavien molekyylien avulla, mutta on miljoonia erilaisia molekyylejä, mikä tarkoittaa niiden synteesiä ja testaamista. Kuitenkin hyödyntämällä tekoälyä automatisoidun korkean läpimenoisen synteesin kanssa, Karlsruhe Institute of Technology (KIT) -tutkijoiden tiimi pystyi löytämään uusia orgaanisia molekyylejä⁵ vain muutamassa viikossa, vain 150 kohdennetulla kokeella.

Uudelleen löydetyt materiaalit myös nostivat referenssisolaarisen kennon tehokkuutta noin kahdella prosenttiyksiköllä.

Tätä varten tutkijat kääntyivät tietokantaa, jossa on miljoona virtuaalista molekyyliä, ja valitsivat satunnaisesti 13 000 niistä ennen kuin valitsivat 101. Valitut molekyylit omaavat suurimmat erot ominaisuuksissaan, ja ne synteettiin robottijärjestelmillä ennen kuin niitä käytettiin aurinkokennojen valmistukseen.

Perustan luominen AI‑ohjattuun materiaalien löytämiseen

Vaikka kaikki nämä löydöt tehdään, jotta tekoäly todella toteuttaisi ne, se tarvitsee dataa. Tämä sisältää materiaalidataa sekä suurten simulaatioiden dataa.

Vaikka monia tällaisia tietokantoja on saatavilla, ne ovat melko eristettyjä, ja siksi tarvitaan standardi “jotta käyttäjät voivat kommunikoida kaikkien näiden datakirjastojen kanssa ja ymmärtää saamansa tiedot,” totesi Gian‑Marco Rignanese, professori Condensed Matter and Nanosciences -instituutissa UCLouvainissa, Belgia.

Joten viime kesänä suuri kansainvälinen yhteistyö julkaisi laajennetun version OPTIMADE-standardiin helpottamaan AI‑ohjattua materiaalien löytämistä.

OPTIMADE (Open databases integration for materials design) -standardi on suuren kansainvälisen instituutio‑ ja materiaalitietokantaverkoston tukema. Tavoitteena on antaa käyttäjille helpompi pääsy sekä johtaviin että vähemmän tunnettuihin materiaalitietokantoihin, ja uusi versio, joka otettiin käyttöön, voi edelleen nopeuttaa käynnissä olevaa AI‑ohjattua materiaalien löytämistä.

Sijoittaminen tekoälyyn materiaalien löytämiseksi

Kun tarkastellaan sijoittamista tähän alaan, Alphabet Inc. (GOOGL ) omistama Google on yksi, joka on julkaissut AI‑työkalun nimeltä Gnome. Sen on raportoitu löytäneen 2,2 miljoonaa uutta kiteyttä sen avulla. Sitten on Microsoft (MSFT ), joka on esitellyt MatterGenin ja MatterSimin luodakseen uusia ehdokasmateriaaleja ja validoidakseen ne.

Mutta on vielä yksi AI‑jätti, joka on lanseerannut oman mallinsa nostamaan materiaalitutkimuksen mittakaavaa ja tarkkuutta.

NVIDIA Corporation (NVDA )

Se on tekoälyn rakastettu Nvidia. Viime vuoden lopulla yritys esitteli NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation) -ohjelman.

Alusta pyrkii nopeuttamaan kemian ja materiaalitieteen T&K:ta tekoälyn voimalla, ja tämän saavuttamiseksi, se sisältää API‑rajapintoja ja nopeutettuja inferenssimikropalveluita. Tämä mahdollistaa generatiivisten AI‑mallien luomisen ja käyttöönoton tutkia laajaa materiaalien universumia ja ehdottaa uusia ehdokkaita, ja surrogate‑mallien kehittämisen ja käytön tasapainottamaan laskennan kustannuksia ja tarkkuutta. Se myös mahdollistaa helposti saatavilla olevat informatiikkatyökalut ja esikoulutetut perusmallit nopeaan seulontaan ja simulointityökaluihin kouluttaakseen ja hienosäätääkseen AI‑malleja uusille käyttötapauksille.

ALCHEMI:n kautta NVIDIA pyrkii nopeuttamaan löytötyönkulkuja ja “tuomaan uuden aikakauden läpimurtoihin, jotka mahdollistavat kestävämmän, terveellisemmän tulevaisuuden.”

Nvidia on 4,22 biljoonan dollarin markkina‑arvoinen yritys, jonka osakkeet käyvät noin 173,5 dollarissa, +28,8 % vuoden alusta. Sen EPS (TTM) on 3,10, P/E (TTM) on 55,73, ja osinkotuotto on 0,02 %.

Uusimmat NVIDIA Corporation (NVDA) osakeuutiset ja kehitykset

Yhteenveto

Kuten tekoäly, automaatio ja suorituskykyinen laskenta yhdistyvät, materiaalitiede astuu transformatiivisimpaan aikakauteensa, merkitsee kaivattua siirtymää ihmisten johtamasta kokeilu‑ ja virhemenetelmästä autonomiseen löytämiseen.

Tämän keskellä AI‑pohjaiset laboratoriot ja itseohjautuvat kokeelliset alustat muuttavat täysin tapaa, jolla tutkijat eivät vain löydä vaan myös testaavat ja optimoivat materiaaleja. Lisäksi, aloitteiden kuten NVIDIA:n ALCHEMI, Googlen Gnome ja Microsoftin MatterGen myötä, suuryritykset panostavat tekoälyyn seuraavan innovaatiotaallon voimanlähteenä!

Klikkaa tästä oppiaksesi kaiken tekoälyyn sijoittamisesta.

Viitteet:

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. Flow‑Driven Data Intensification to Accelerate Autonomous Inorganic Materials Discovery. 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. Transforming Science Labs into Automated Factories of Discovery. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. Linking Structure and Process in Dendritic Growth Using Persistent Homology with Energy Analysis. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 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. Visualizing Nanoparticle Surface Dynamics and Instabilities Enabled by Deep Denoising. Science 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 Discovers Hole‑Transport Materials Tailored for Perovskite Solar Cells. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901