AI tehostaa seuraavan sukupolven kestävien jäähdytysmateriaalien etsintää

Materiaalien maailmassa terminen nanofotonikka on keskeinen mahdollistamassa perustavanlaatuisia läpimurtoja eri teknologisissa sovelluksissa.

Terminen nanofotonikka yhdistää nanofotonikan ja lämpötieteen lämmön siirron manipulointiin ja hallintaan nanoskaalassa. Se hyödyntää nanorakenteita ja -materiaaleja lämpösäteilyn ja lämmön virtauksen räätälöintiin, mikä johtaa edistysaskeliin erilaisissa sovelluksissa, kuten energian keräämisessä, lämmönhallinnassa ja anturiteknologiassa.

Nanofotonikka käsittelee valon käyttäytymistä nanometriskaalassa. Nanofotoniset materiaalit puolestaan tarjoavat spektri- ja suuntakontrollin lämpösäteilyn suhteen.

Perinteinen tapa löytää tällaisia materiaaleja on hidastunut kokeilu‑ja‑virhe -lähestymistavalla, mutta koneoppimisen (ML) ja tekoälyn (AI) nousu on mullistanut materiaalitieteen nopeuttamalla merkittävästi materiaalien löytö-, suunnittelu- ja optimointiprosesseja.

Vaikka teknologia on osoittanut voimakkaat kykynsä nanofotonisten ja metamateriaalien suunnittelussa, on haaste kehittää yleinen suunnittelumenetelmä, jolla räätälöidään suorituskykyisiä nanofotonisia lähettäjiä, joilla on ultralaajakaistainen hallinta ja tarkka kaistavalinta.

Tämä johtuu perinteisten algoritmien, paikallisten optimointikoukkujen sekä ennalta määriteltyjen geometrioiden ja materiaalien rajoituksista.

Kuitenkin tätä ongelmaa ovat nyt ratkaisemassa Texasin yliopiston Austinin tutkijat, jotka ovat tehneet yhteistyötä Ruotsin Umeåin yliopiston, Singaporen National Universityn ja Shanghain Jiao Tong -yliopiston tutkijoiden kanssa.

Yhdessä he ovat suunnitelleet ML-tekniikan¹ monimutkaisten, 3D termisten meta‑lähettimien suunnitteluun.

Meta‑lähettimet ovat suunniteltuja materiaaleja, jotka hallitsevat ja manipuloivat sähkömagneettista säteilyä, tarjoten sovelluksia energiatehokkuudessa ja lämmönhallinnassa.

“Koneoppimisen kehyksemme edustaa merkittävää harppausta termisten meta‑lähettimien suunnittelussa. Automatisoimalla prosessin ja laajentamalla suunnittelutilaa voimme luoda materiaaleja, joiden suorituskyky on aiemmin kuviteltavissa mahdotonta.”

– Tutkimuksen yhteisjohtaja Yuebing Zheng, professori Cockrellin insinööritieteiden Walkerin koneinsinöörilaitoksessa

AI‑voimaiset materiaalit ilmastokestävässä kaupunkisuunnittelussa

Nature-lehdessä julkaistu tutkimus kuvaa uutta ML-pohjaista kehystä, jonka avulla on suunniteltu materiaaleja, jotka voivat alentaa sisätilojen lämpötiloja ja siten energian kustannuksia.

Kehystään käyttäen tiedemiehet ovat pystyneet luomaan yli 1 500 uutta materiaalia, jotka voivat valikoivasti säteillä lämpöä hallitulla tavalla. Ne voivat myös tarjota tarkemman lämmitys‑ ja jäähdytys­tarkkuuden energiatehokkuuden parantamiseksi.

Heidän kehys kykenee suunnittelemaan ultralaajakaistaisia ja kaistavalikoituja termisiä meta‑lähettimiä optimoimalla useita parametreja rajoitetulla datalla, joka kattaa materiaalien monimuotoisuuden ja 3D‑rakenteiden monimutkaisuuden.

Tutkimuksen mukaan heidän arkkitehtuurinsa mahdollistaa kaksinkertaiset suunnittelukyvyt. Ensinnäkin se automatisoi käänteissuunnittelun lukuisille mahdollisille metastruktureille sekä materiaaliyhdistelmille spektrin räätälöintiin. Toiseksi sillä on “ennennäkemätön kyky” suunnitella erilaisia 3D‑meta‑lähettimiä käyttämällä kolmen tason mallinnusmenetelmää, joka ylittää perinteisten, tasojen 2D‑rakenteiden rajoitukset.

Tutkimuksessaan tiimi esittelee seitsemän konseptin todistavaa meta‑lähetintä, jotka osoittavat parempaa optista ja säteilyjäähdytyksen suorituskykyä, ylittäen nykyiset kehittyneet suunnitelmat. Seitsemän luokkaa meta‑lähettimiä on räätälöity erityisiin toimintoihin.

Kehitetty yleistettävä kehys on tarkoitettu 3D‑nanofotonisten materiaalien valmistamiseen, ja tutkijat totesi, että se “mahdollistaa globaalin optimoinnin laajennetun geometrisen vapauden, ulottuvuuksien ja kattavan materiaalitietokannan avulla.”

Nyt, arvioidakseen suunnittelujärjestelmänsä toteutettavuutta, tutkijat valmistivat neljä näytemateriaalia ja testasivat niiden suorituskykyä.

Yksi meta‑lähettimien materiaaleista asennettiin mallitalon katolle. Jäähdytyskykyä analysoitaessa materiaalia verrattiin tavallisiin kaupallisiin valkoisiin ja harmaisiin maaleihin. Tutkijoiden havaitessa, että katto altistui neljä tuntia suoraan keskipäivän auringonvalolle, uusi materiaali oli keskimäärin 5–20 °C viileämpi kuin perinteiset maalit.

Tämän perusteella tiimi arvioi, että heidän materiaalinsa säästäisi noin 15 800 kilowattituntia (kWh) vuodessa jäähdytyskustannuksissa asuinrakennuksessa kuumassa kaupungissa, kuten Bangkokissa.Tavallinen ilmastointilaitos kuluttaa tyypillisesti noin 1 500 kWh vuodessa.

Näin ollen tiimin luomia materiaaleja voidaan hyödyntää asuin- ja liiketilojen energiansäästöön. Kaupungeissa ne voivat auttaa alentamaan lämpötiloja heijastamalla auringonvaloa ja vapauttamalla lämpöä kohdennetuilla aallonpituuksilla. Tällä tavoin materiaali voi potentiaalisesti vähentää kaupunkialueiden lämpösaarekeilmiötä, joka johtuu vähäisestä vihreästä peitteestä ja tiheästä betonirakenteesta.

Mutta niiden käyttö ei rajoitu tähän. Materiaalia voidaan käyttää myös avaruussovelluksissa, joissa se hallitsee tehokkaasti saapuvaa auringon säteilyä ja emittoitua lämpöä, auttaen säätelemään avaruusalusten lämpötiloja.

Termisten meta‑lähettimien käyttötapaukset ulottuvat paljon tämänkin yli. Esimerkiksi integroimalla ne kankaisiin ja tekstiileihin voimme parantaa vaatteiden ja ulkoiluvälineiden jäähdytysteknologiaa.

Ajoneuvot ovat myös yksi mahdollinen kohde. Käärittämällä autot termisillä meta‑lähettimillä ja upottamalla ne sisäisiin materiaaleihin voidaan vähentää auringossa seisovan auton keräämää lämpöä.

Huolimatta monista eduistaan, näiden materiaalien laajamittainen omaksuminen on jäänyt jälkeen niiden työlään suunnitteluprosessiin, ja jopa automatisoidut vaihtoehdot ovat kohdanneet vaikeuksia käsitellä niiden monimutkaista 3D‑hierarkkista rakennetta. Mutta kaikki tämä voi lopulta muuttua uusimman AI‑kehyksen avulla.

“Perinteisesti näiden materiaalien suunnittelu on ollut hidasta ja työvoimavaltaista, perustuen kokeilu‑ja‑virhe -menetelmiin. Tämä lähestymistapa johtaa usein alitehokkaisiin suunnitelmiin ja rajoittaa kykyä luoda materiaaleja, joilla on tarvittavat ominaisuudet toimivuuden varmistamiseksi.”

– Zheng

Siksi tutkijat jatkavat teknologiansa kehittämistä, tarkentamista ja sen soveltamista nanofotonikan muihin osa-alueisiin.

“Koneoppiminen ei ehkä ole ratkaisu kaikkeen, mutta termisen hallinnan ainutlaatuiset spektrivaatimukset tekevät siitä erityisen sopivan korkean suorituskyvyn termisten lähettimien suunnitteluun.”

– Co-author Kan Yao

Kuinka AI nopeuttaa uusien materiaalien löytämistä

Keskittyen materiaalien rakenteeseen, ominaisuuksiin, prosessointiin ja suorituskykyyn, materiaalitiede muodostaa perustan kaikelle avaruustekniikasta, elektroniikasta ja energiasta lääketieteeseen ja moniin muihin aloihin. 

Itse asiassa uusien materiaalien löytäminen ja kehittäminen on ollut keskeistä ihmiskunnan historian muokkaamisessa vuosisatojen ajan, edistäen teknologiaa.

Vuosikymmenten ajan olemme luottaneet kokeilu‑ja‑virhe -lähestymistapaan löytääksemme uusia epäorgaanisia materiaaleja, joilla on suotuisat ominaisuudet. Tämä lähestymistapa on erittäin resurssien kuluttavaa, vaatii satoja tuhansia kokeilutunteja ensin tunnistaakseen ja sitten synteesiä varten vain muutaman potentiaalisen uuden materiaalin.

Materiaalien monimutkaisuus molekyylitasolla ja atomitasolla tekee uusien materiaalien löytämisestä pitkäaikaisen ja kalliin prosessin. Supertietokoneiden lisääntynyt saatavuus muutti materiaalitiedettä mahdollistamalla materiaalien käyttäytymisen simuloinnin.

Ja nyt AI:n saapuminen johtaa vallankumoukseen alalla nopeuttamalla laskennallista lähestymistapaa materiaalitieteessä. Antamalla halutut ominaisuudet materiaalille sekä rajoitteet, generatiiviset AI‑järjestelmät voivat nyt luoda täysin uusia materiaaleja.

Lopulta nykypäivän kehittyneet mallit, jotka on koulutettu massiivisilla tietoaineistoilla, yhdistettynä suuritehoiseen laskentaan, pystyvät nopeasti seulomaan ehdokasmateriaaleja haluttujen parametrien perusteella, ennustamalla ominaisuuksia lukuisille aineille erittäin lyhyessä ajassa.

AI ei ainoastaan säästä merkittävästi kehitysajan sekä ihmisten ja materiaalien resursseja, vaan se voi tehdä sen täsmällisesti täyttäen monimutkaiset ja vaihtelevat markkinavaatimukset.

Kuten Kristin Persson, Kalifornian yliopiston Berkeley:n materiaalitieteen professori, toteaa, olemme tällä hetkellä paradigman vaiheessa, jossa tiedettä ohjaavat big data ja AI. Tänään meillä on riittävästi dataa koneoppimisalgoritmien kouluttamiseen, ja “se tuo aivan uuden nopeuden innovaation tasolle,” hän sanoi.

Mielenkiintoista on, että AI hyötyy myös uusien materiaalien löytämisestä. AI on datanhimoinen, ja materiaalitieteen alalta puuttuu dataa. Hyödyntämällä tätä teknologiaa, materiaalien ominaisuuksia voidaan simuloida, ja syntynyttä dataa käyttää koneoppimismallien kouluttamiseen.

Persson johtaa parhaillaan monialais- ja monikansallista hanketta nimeltä Materials Project, joka hyödyntää supertietokoneita ja kehittyneitä simulointimenetelmiä kaikkien tunnettujen epäorgaanisten materiaalien ja niiden ulkopuolisten ominaisuuksien laskemiseen. Data on vapaasti saatavilla uusien materiaalien suunnitteluun.

Klikkaa tästä saadaksesi lisätietoa mukautuvista kattotiileistä, jotka voivat auttaa vähentämään lämmitys‑/jäähdytysenergiaa.

Läpimurrot AI‑ohjatussa materiaalien löytämisessä

Toronton yliopiston insinööritieteiden tutkijat esittelivät uuden työkalun² äskettäin, joka ennustaa, miten uutta materiaalia voitaisiin parhaiten käyttää, jotta materiaalin löytämisen ja käyttöönoton välistä viivettä voitaisiin vähentää.

Monimodaalinen AI‑työkalu käyttää varhaisen vaiheen dataa ennustaakseen uuden materiaalin mahdollisen todellisen käyttökohteen, keskittyen erityisesti huokoisiin materiaaleihin, joita kutsutaan metalliorgaanisiksi kehyksiksi (MOF).

Juuri viime vuonna tutkijat kehittivät yli 5 000 erilaista tällaista materiaalia, joilla on säädettävät ominaisuudet, totesi tutkimuksen johtava professori Seyed Mohamad Moosavi Toronton yliopistosta (ChemE). Hän lisäsi, että haasteena on, että yhdelle sovellukselle suunniteltu MOF osoittautuu usein sopivaksi täysin eri sovellukseen.

“Materiaalien löytämisessä tyypillinen kysymys on: ‘Mikä on paras materiaali tähän sovellukseen?’” sanoi Moosavi. “Käänsimme kysymyksen ja kysyimme: ‘Mikä on paras sovellus tälle uudelle materiaalille?’ Kun materiaaleja syntyy päivittäin, haluamme siirtyä fokuksesta ‘mitä materiaalia teemme seuraavaksi’ kohti ‘mitä arviointia teemme seuraavaksi.’”

Joten ChemE:n tohtoriopiskelija Sartaaj Khan kehitti monimodaalisen koneoppimisjärjestelmän, joka on koulutettu erilaisilla datatyypeillä. Monimodaalisuus oli avaintekijä, koska se antoi mallille “täydellisemman kuvan” tarkempien ennusteiden tekemiseen ilman jälkisynteesin tarvetta.

Samaan aikaan Argonnen kansallinen laboratorio käytti generatiivista AI‑diffuusio‑mallia luodakseen yli 120 000 MOF³ ehdokasta vain puoli tunti supertietokoneella. Muokattu neuroverkko vähensi MOF-määrän 364:ään, jotka uskotaan olevan korkean suorituskyvyn omaavia.

Muutaman päivän ja lisäanalyysin jälkeen tiimi löysi 102 vakaa MOF:a aineistosta. Kuusi näistä oli CO₂‑kapasiteetiltaan sijoittunut parhaiden 5 %:n joukkoon suositussa hMOF‑tietokannassa.

Toisessa esimerkissä tutkijat käyttivät AI:ta suunnitellakseen täysin uusia nanomateriaaleja⁴, jotka ovat kevyitä kuin styroksi mutta vahvoja kuin hiiliteräs.

Vahvuus ja sitkeys ovat usein ristiriidassa monissa materiaaleissa, mukaan lukien nano‑arkkitehtuuriset, jotka koostuvat ultra‑pienistä rakennuspalikoista. Kun näitä rakennuspalikoita toistetaan, materiaali vahvistuu, mutta ne voivat myös aiheuttaa jännityskeskittymiä, jotka johtavat äkillisiin murtumiin.

Löytääkseen parempia tapoja suunnitella nanomateriaaleja, tutkijat simuloivat mahdollisia geometrioita ja syöttivät ne algoritmiin, joka oppi suunnitelmista ennustaakseen parhaat muodot tasaisesti jakamaan kohdistuvat jännitteet samalla kun kantaa raskaan kuorman.

Tutkijat käyttivät 3D‑tulostinta tuodakseen nämä muodot eloon ja havaitsivat, että ne kestävät 2,03 MPa kuutiometriä kilogrammaa kohti, mikä on viisi kertaa enemmän kuin titaani.

Tutkijat näkevät niiden potentiaalisen sovelluksen ultra‑kevytkomponenteissa avaruusteollisuudessa polttoaineen kulutuksen ja lentämisen korkean hiilijalanjäljen vähentämiseksi.

“Tämä on ensimmäinen kerta, kun koneoppimista on sovellettu nano‑arkkitehtuuristen materiaalien optimointiin, ja olimme järkyttyneitä parannuksista. Se ei ainoastaan toistanut onnistuneita geometrioita koulutusdatasta; se oppi, mitkä muodon muutokset toimivat ja mitkä eivät, mahdollistaen täysin uusien verkko‑geometrioiden ennustamisen.”

AI‑pohjaista materiaalien löytämistä käytetään myös laajasti kaupunkisuunnittelussa. Yhteistyötutkimus⁵ Pekingin yliopistosta ja Etelä‑Danimaan yliopistosta kehitti edistyneen kehyksen, joka yhdistää syväoppimisen etämittausdataan rakennusmateriaalien tunnistamiseksi ennennäkemättömällä tarkkuudella.

Energia‑tehokkuuden lisäksi AI voi nostaa kaupunkisuunnittelua auttamalla ympäristön seurantaa ja suojelua, asuin- ja infrastruktuurikehitystä sekä julkista turvallisuutta ja katastrofivasteita.

Klikkaa tästä saadaksesi lisätietoa lehtimättömistä tuuliturbiineista, joita pidetään usein puhtaan energian tulevaisuutena.

Sijoittaminen AI‑pohjaiseen materiaalien löytämiseen

Jos tarkastelemme AI:n sijoituspotentiaalia, se on valtava, ja markkinan odotetaan olevan biljoonien arvoinen tulevina vuosina. Kun tarkastellaan yrityksiä, jotka johtavat tätä teknologista edistystä, erityisesti materiaalitieteessä, kaksi nimeä erottuvat: Microsoft (MSFT ) ja Google (Alphabet Inc.) (GOOG ), jotka ovat lanseeranneet omia mallejaan materiaalitutkimuksen laajuuden ja tarkkuuden nostamiseksi. Kuitenkin tässä artikkelissa keskitymme Alphabet Inc.:ään.

Alphabet Inc. (GOOG )

Myöhemmin vuonna 2023 Google DeepMind julkaisi AI‑työkalun nimeltä Graph Networks for Materials Exploration (Gnome) nopeuttamaan materiaalien löytöprosessia. Silloin se raportoi⁶ löytäneensä 2,2 miljoonaa uutta kiteistä syväoppimistyökalun avustuksella.

Google totesi, että tämä on “vastaavaa noin 800 vuoden tiedon määrää ja osoittaa ennennäkemättömän mittakaavan ja tarkkuuden ennusteissa.” Uudet kiteet sisälsivät 380 000 vakautettua materiaalia, mikä tekee niistä lupaavia ehdokkaita kokeelliseen synteesiin ja tulevaisuuden teknologioiden energianlähteiksi.

Gnome‑malli on graafinen neuroverkkomalli (GNN), jossa syötettävät tiedot esitetään graafina. Gnome koulutettiin Materials Projectin datalla, mukaan lukien kiteiden rakenteet ja niiden vakaus, luomaan uusia ehdokaskiteitä ja ennustamaan niiden vakauden.

Google arvioi sen ennustustehokkuutta tarkistamalla suorituskykyä toistuvasti tiheysfunktionaalisen teorian (DFT) avulla. ‘Koulutusprosessissa’ se käytti ‘aktiivista oppimista’, jossa syntynyt data syötettiin takaisin malliin, mikä merkittävästi paransi Gnome‑mallin suorituskykyä.

Mallin vakausennusteen tarkkuus, Googlen mukaan, nousi 50 %:sta 80 %:iin. Mallin tehokkuus puolestaan skaalautui alle 10 %:sta yli 80 %:iin.

Lisäksi noin 736 materiaalia, jotka Gnome ennusti, on itsenäisesti synteettisesti valmistettu ulkopuolisten tutkijoiden toimesta. Google teki myös yhteistyötä Lawrence Berkeley National Labin kanssa synteesiä varten 41 uutta materiaalia, vahvistaen työkalun ennustevahvuuden ja autonomisen kokeilun voiman.

Nyt tarkastellaan tätä 2,2 triljoonan dollarin markkina‑arvon jättiläistä. Kirjoitushetkellä sen osakkeet käyvät noin 182 $, laskien 3,86 % vuoden alusta. Sen EPS (TTM) on 8,97 ja P/E (TTM) 20,29. Maksettu osinkotuotto on 0,46 %.

Yrityksen taloustietoja tarkasteltaessa Googlen emoyhtiö Alphabet raportoi 90,2 miljardia dollaria liikevaihtoa vuoden 2025 ensimmäiselle neljännekselle, joka päättyi 31. maaliskuuta. Osakekohtainen tulos oli 2,81 $. Nämä luvut, toimitusjohtaja Sundar Pichai totesi, “heijastavat tervettä kasvua ja vauhtia koko liiketoiminnassa. Tämän kasvun taustalla on ainutlaatuinen täyden pinon lähestymistapamme AI:hin.”

Viimeisimmät Alphabet Inc. (GOOG) -osakkeen uutiset ja kehitykset

Yhteenveto

AI muuttaa jokaisen elämämme osa-aluetta, mukaan lukien tapa, jolla suunnittelemme materiaaleja, jotka muovaavat tulevaisuuttamme. Teknologian integrointi materiaalitieteeseen edustaa todellista paradigman muutosta, nopeuttaen löytöjä, jotka ennen kestäivät vuosia, nyt tapahtuvat päivissä tai jopa tunneissa.

Yksinkertaisesti sanottuna AI ohjaa materiaalien innovaation lähitulevaisuutta hyödyntämällä massiivisia tietoaineistoja, suuritehoista laskentaa ja generatiivisia malleja, joiden avulla tutkijat voivat ennustaa, suunnitella ja optimoida uusia materiaaleja ennennäkemättömällä tehokkuudella ja tarkkuudella.

Klikkaa tästä saadaksesi tietoa ympäristöön keskittyvistä puhtaan energian osakkeista.

Lähteet:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultralaajakaistaiset ja kaistavalikoivat termiset meta‑lähettimet koneoppimisen avulla. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Metalliorgaanisten kehyksien synteesin yhdistäminen sovelluksiin monimodaalisen koneoppimisen avulla. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Generatiivinen tekoälykehys, joka perustuu molekyylidiffuusio‑malliin, metalliorgaanisten kehyksien suunnitteluun hiilidioksidin talteenottoa varten. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Erittäin korkea ominaislujuus Bayesilaisella optimoinnilla hiilen nanolattikoissa. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Kaupunkikangas purettu: korkean tarkkuuden rakennusmateriaalien tunnistus syväoppimisen ja etämittauksen avulla. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Syväoppimisen skaalaus materiaalien löytämiseksi. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9