5 Terobosan AI yang Mengubah Penemuan Material Hari Ini

Kecerdasan buatan (AI) terus mengubah dunia dan membentuk kembali masa depan umat manusia.

Teknologi ini mendorong perubahan di hampir setiap sektor dengan melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. Sistem AI memanfaatkan sejumlah besar data untuk mengidentifikasi pola dan membuat keputusan. 

Dengan cara ini, AI dapat mensimulasikan tingkat tertentu dari penalaran dan proses kognitif yang mirip manusia.

Menurut World Trade Report, peningkatan produktivitas dan manfaat biaya AI dapat meningkatkan PDB global sebesar 12-13% pada tahun 2040.

Dengan memperkecil kesenjangan infrastruktur digital mereka dengan ekonomi berpendapatan tinggi sebesar 50% dan mengadopsi AI secara lebih luas, ekonomi berpendapatan rendah dan menengah dapat melihat peningkatan pendapatan hingga 15%.

Selain membantu negara meningkatkan produktivitas, perdagangan, dan posisi ekonomi mereka, AI dapat membantu masyarakat dengan mendorong inovasi di seluruh industri. Salah satu cara teknologi ini saat ini melakukannya adalah melalui penemuan material. 

Janji AI dalam Penemuan Material

Penemuan material selalu menjadi kunci inovasi. Berabad-abad yang lalu, campuran tembaga dan timah memicu Zaman Perunggu, ketika alat dan senjata yang lebih kuat mengubah perdagangan dan masyarakat.

Kemudian datang Zaman Besi, ketika penguasaan besi mengubah kembali ekonomi. Melompat ke abad ke-19, baja menjadi luas digunakan. Sebagai paduan besi dan karbon, baja menjadi tulang punggung rel kereta, gedung pencakar langit, kapal, dan mesin, menjadi bahan bakar Revolusi Industri dan ekspansi global.

Pada akhir abad ke-20, Zaman Silikon mengubah dunia dengan penemuan dan penyempurnaan semikonduktor yang menjadi dasar elektronik modern. Kita kini berada di era material canggih, di mana graphene, nanotube karbon, dan material kuantum membuka pintu menuju energi bersih, pesawat lebih ringan, dan komputasi lebih cepat.

Kedatangan AI dan pembelajaran mesin (ML) berkontribusi pada inovasi material dan, secara lebih luas, berbagai industri dengan secara signifikan mempercepat proses penemuan, desain, dan optimasi material.

Untuk ini, AI menggunakan algoritma dan model untuk menyaring basis data kandidat yang luas untuk kebutuhan aplikasi tertentu. Di sini, model pembelajaran mendalam seperti Graph Neural Networks (GNNs) dan Recurrent Neural Networks (RNNs) sangat penting untuk menganalisis dataset kompleks yang ditemukan dalam ilmu material.

Mereka juga dapat mengidentifikasi material yang ada dengan sifat yang diinginkan dari basis data ini dan bahkan memprediksi sifat material berdasarkan komposisi dan strukturnya. 

Dengan bantuan AI, bidang ilmu material dapat melampaui metode percobaan dan kesalahan tradisional, yang memakan waktu dan mahal.

Selain itu, model AI dapat menghasilkan struktur material baru yang disesuaikan dengan kebutuhan spesifik. Ketika diintegrasikan dengan platform eksperimental otomatis, AI dapat mempercepat proses panjang penemuan material hingga produksi.

Meskipun ada manfaat ini, tantangan tetap ada terkait kurangnya kualitas dan data yang luas untuk material tertentu. Sintesis yang berhasil dari material yang baru ditemukan dan dirancang di laboratorium merupakan tantangan besar lainnya.

Sebagai ilmuwan material Anthony Cheetham dari UCSB menyatakan¹ dalam Nature setelah meneliti daftar 2,2 juta kristal hipotetik yang ditemukan oleh GNoME, sebuah alat AI oleh DeepMind, anak perusahaan Alphabet (Google), “Menemukan suatu senyawa adalah satu hal, dan menemukan material fungsional baru adalah hal yang sama sekali berbeda.”

Lebih lanjut mencatat ketidakpraktisan banyak senyawa yang diprediksi AI, Cheetham berkata:

“Kami menemukan cukup banyak hal yang absurd.”

Ini menunjukkan kesenjangan antara prediksi dan realisasi praktis. Apa yang dibutuhkan untuk menjembatani kesenjangan ini adalah kombinasi AI dengan keahlian manusia dan ilmu eksperimental.

Namun, janji AI untuk merevolusi ilmu material tidak dapat diabaikan. Mengingat kemampuannya menghasilkan pengembangan material yang lebih cepat untuk energi, perawatan kesehatan, otomotif, dirgantara, dan aplikasi penting lainnya, dampaknya terlalu besar untuk diabaikan.

Jadi, mari kita lihat beberapa contoh paling menonjol dari penerapan AI dalam ilmu material yang menunjukkan potensinya untuk mendorong batas penemuan dan inovasi material.

Swipe to scroll →

1. Sel Surya Perovskit: Material dan Proses yang Dioptimalkan AI

Salah satu solusi paling menjanjikan untuk mencapai energi berkelanjutan adalah tenaga surya, dan adopsinya meningkat dengan cepat. Pada tahun 2024, dunia memasang rekor sekitar 600 GW tenaga surya, naik 33% dari 2023. Menjelang akhir dekade ini, diperkirakan akan mencapai sekitar 1 TW per tahun.

Permintaan yang meningkat untuk energi surya ini menciptakan kebutuhan akan material yang lebih efisien, serbaguna, dan hemat biaya untuk sel surya.

Perovskit adalah salah satu material yang menawarkan struktur kristal unik. Mineral yang secara alami terjadi kini dapat direkayasa secara sintetis. Dengan mencampur unsur organik dan anorganik, ilmuwan menciptakan perovskit sintetis yang memiliki sifat penyerapan cahaya luar biasa, menjadikannya sangat cocok untuk aplikasi surya.

Selain efisiensi tinggi, material ini menawarkan manfaat fleksibilitas dan celah pita yang dapat disesuaikan, namun masalah skalabilitas dan stabilitas tetap ada; oleh karena itu, pencarian komposisi baru terus dilakukan.

Jadi, peneliti beralih ke AI untuk menghubungkan kinerja sel surya perovskit (PSC) dengan properti material dan proses konversi energi lebih dari satu dekade yang lalu. Mereka kemudian memanfaatkan teknologi tersebut untuk mengoptimalkan komposisi material, mengembangkan strategi desain, dan memprediksi kinerja.

Pada tahun 2019, peneliti dari University of Central Florida meninjau² lebih dari 2.000 publikasi yang ditinjau sejawat tentang perovskit untuk mengumpulkan lebih dari 200 titik data, yang kemudian dimasukkan ke dalam sistem AI yang mereka buat untuk mendapatkan resep terbaik bagi sel surya perovskit (PSC). Pada tahun yang sama, ilmuwan di MIT mengembangkan³ sebuah model untuk mempercepat sintesis dan analisis senyawa baru sepuluh kali lipat dan menemukan dua perovskit bebas timbal yang layak diteliti lebih lanjut.

Pada tahun 2022, peneliti dari MIT dan Stanford University melaporkan⁴ dengan bantuan AI untuk meningkatkan skala produksi sel surya canggih.

Untuk ini, sebuah sistem dibuat, yang telah dikembangkan selama beberapa tahun, untuk mengintegrasikan data dari eksperimen sebelumnya serta informasi berdasarkan pengamatan pribadi pekerja berpengalaman. Integrasi ini membuat hasil lebih akurat dan menghasilkan pembuatan sel perovskit dengan efisiensi konversi energi sebesar 18,5%.

Ini berbeda dengan kebanyakan sistem pembelajaran mesin, yang terutama menggunakan data mentah dan biasanya tidak memasukkan pengalaman manusia. Untuk menyertakan informasi eksternal dalam model mereka, mereka menggunakan faktor probabilitas berbasis Optimisasi Bayesian, memungkinkan mereka “menemukan tren yang sebelumnya tidak dapat kami lihat.”

Penemuan teknologi sel surya perovskit canggih dengan bantuan AI terus berlanjut dan memperoleh kecepatan untuk meningkatkan efisiensi PSC. Dalam satu studi⁵, efisiensi ditingkatkan menjadi 26,2% sambil menghemat “jumlah waktu dan sumber daya yang sangat besar.”

⬆ Kembali ke tabel

2. Elektrokatalis yang Ditemukan AI untuk Produksi Hidrogen

Salah satu substitusi yang menjanjikan bagi bahan bakar fosil tak terbarukan yang bertanggung jawab atas jumlah besar emisi gas rumah kaca (GRK) adalah hidrogen. Unsur paling melimpah di alam semesta, hidrogen, telah muncul sebagai sumber energi bersih dan terbarukan.

Namun, produksi hidrogen yang efisien untuk memenuhi permintaan skala komersialnya merupakan tantangan serius. Di sini, elektrolisis pemisahan air menawarkan jalur yang menjanjikan, di mana elektrokatalisis memainkan peran penting. Hal ini menjadikan pengembangan elektrokatalis yang murah, aktif, dan stabil sebagai prasyarat penting untuk memperoleh produksi hidrogen elektrokatalitik yang diinginkan dari pemisahan air.

Elektrokatalis mempercepat produksi hidrogen dengan menurunkan energi yang dibutuhkan untuk pemisahan air dengan memanfaatkan logam mulia yang mahal seperti platinum atau alternatif yang lebih terjangkau seperti nikel, kobalt, graphene, MXenes, dan lainnya.

Selain sifat dan biaya material, katalis tertentu dipilih berdasarkan apakah reaksi bersifat asam, basa, atau beroperasi pada suhu tinggi.

Namun, sangat memakan waktu dan mahal menggunakan metode tradisional coba-coba untuk mencari material yang ada dan baru yang cocok untuk meningkatkan reaksi, sehingga AI sedang dimanfaatkan⁶ untuk mengatasi keterbatasan pendekatan tradisional, menemukan kandidat baru, dan meningkatkan produk yang sudah dikenal.

Sebuah studi terbaru melaporkan⁷ bahwa AI yang disaring entropi dan dilatih pada dataset DoE menelusuri 16,2 juta komposisi kimia untuk mengidentifikasi Fe12Co28Ni33Mo17Pd5Pt5 sebagai komposisi terbaik untuk pemisahan air. Paduan ini menunjukkan overpotensial sangat rendah untuk kedua reaksi elektrokatalitik dasar, HER dan OER, sambil memiliki stabilitas yang kuat.

Sementara itu, beberapa tahun lalu, laboratorium AI Google DeepMind menyumbangkan 380.000 senyawa baru ke Materials Project, sebuah platform yang menjadi dasar banyak pencarian katalis dan eksperimen otonom.

Basis data akses terbuka yang didirikan di Laboratorium Berkeley Departemen Energi telah digunakan oleh peneliti untuk secara eksperimental mengkonfirmasi sifat berguna pada material baru yang berpotensi digunakan dalam penangkapan karbon dan sebagai fotokatalis, termoelektrik, serta konduktor transparan.

Basis data tersebut mencakup bagaimana atom-atom suatu material disusun dan seberapa stabilnya. GNoME dilatih menggunakan data dan alur kerja yang dikembangkan oleh Proyek dan kemudian ditingkatkan melalui pembelajaran aktif.

Dengan menggunakan perhitungan dari GNoME milik Google DeepMind bersama data dari Materials Project, peneliti menguji A-Lab, sebuah fasilitas di Berkeley Lab di mana AI mengarahkan robot dalam membuat material baru. A-Lab berhasil memproduksi⁸ 41 senyawa baru.

⬆ Kembali ke tabel

3. Material Superkeras: Penemuan Berbimbing ML di Luar Berlian

Industri seperti militer, dirgantara, dan produksi energi menuntut material superkeras, yang secara praktis tidak dapat dimampatkan. Nilai kekerasan material ini melampaui 40 gigapascal (GPa) pada skala Vickers, dan mereka memiliki ikatan kovalen tinggi serta kepadatan elektron tinggi.

Berlian adalah material paling keras yang diketahui hingga saat ini, dengan nilai kekerasan antara 70-150 GPa. Artinya, diperlukan tekanan lebih dari itu (70-150 GPa) untuk meninggalkan lekukan pada permukaan berlian. Akibatnya, berlian digunakan dalam alat pemotong, abrasif, lapisan tahan aus, dan untuk menciptakan eksperimen bertekanan tinggi.

Batu berharga ini, yang merupakan bentuk padat unsur karbon dengan atom-atomnya tersusun dalam struktur kristal kubik berlian, juga digunakan oleh ilmuwan untuk menemukan material baru yang cocok. Namun AI telah mengubah hal itu.

Selama bertahun-tahun, beberapa peneliti telah menemukan⁹ fase superkeras baru, dengan satu melaporkan¹⁰ BC10N, B4C5N3, dan B2C3N yang menunjukkan fase stabil secara dinamis dengan nilai kekerasan > 40 GPa.

Pada tahun 2020, peneliti dari University of Houston dan Manhattan College memanfaatkan¹¹ model ML untuk memprediksi secara akurat kekerasan material baru, sehingga memungkinkan mereka menemukan senyawa yang tepat dengan lebih mudah.

Jumlah tekanan tinggi yang diperlukan untuk membuat jejak pada permukaan material ini membuatnya langka, dan “mengidentifikasi material baru menantang.” Dan inilah mengapa, “material seperti berlian sintetis masih digunakan meskipun sulit dan mahal untuk dibuat,” kata co-author makalah Jakoah Brgoch, seorang associate professor kimia di University of Houston.

Faktor yang mempersulit di sini adalah ketergantungan beban, yang berarti kekerasan material dapat bervariasi tergantung pada jumlah tekanan yang diberikan. Hal ini membuat pengujian material secara eksperimental menjadi kompleks. Bahkan menggunakan pemodelan komputasi hampir tidak mungkin, sehingga peneliti menciptakan model yang mengatasi tantangan tersebut dengan memprediksi kekerasan Vickers yang bergantung pada beban hanya berdasarkan komposisi kimia material.

Algoritma tersebut beroperasi pada basis data yang melibatkan 560 senyawa berbeda yang memerlukan penelusuran ratusan makalah akademik. “Semua proyek pembelajaran mesin yang baik dimulai dengan dataset yang baik,” kata Brgoch. “Keberhasilan sejati sebagian besar bergantung pada pengembangan dataset ini.”

Sebagai hasilnya, mereka menemukan lebih dari 10 fase borokarbida stabil baru, dan dengan akurasi model sebesar 97%, mereka merasa optimis dapat mencapai keberhasilan di laboratorium.

AI tidak tanpa keterbatasannya, seperti yang dicatat Brgoch, “Ide menggunakan pembelajaran mesin bukan untuk mengatakan, ‘Inilah material terbesar berikutnya,’ melainkan membantu membimbing pencarian eksperimental kami.” Apa yang dilakukan teknologi ini adalah “ia memberi tahu Anda ke mana harus mencari.”

⬆ Kembali ke tabel

4. Dielektrik Polimer: Material Penyimpanan Energi yang Dipercepat AI

Komponen penting dari penyimpanan energi modern adalah dielektrik, yaitu material non-konduktif seperti udara, kaca, dan plastik. 

Pemilihan material dielektrik menentukan kepadatan energi kapasitor, dan dielektrik polimer banyak digunakan untuk penyimpanan energi karena biaya rendah, fleksibilitas mekanik, keandalan, kecepatan pelepasan cepat, dan kemudahan proses. Namun, kepadatan energi mereka yang rendah tetap menjadi masalah.

Akibatnya, peneliti terus mencari cara meningkatkan kinerja dengan mengembangkan dielektrik polimer baru untuk meningkatkan kapasitas penyimpanan energi mereka bagi aplikasi dalam sistem tenaga, elektronik, dan kendaraan listrik (EV).

AI telah membuat kemajuan luar biasa dalam material polimer. Misalnya, beberapa bulan lalu, peneliti di MIT dan Duke University bekerja sama untuk menciptakan¹² polimer yang lebih tahan lama dengan menggabungkan molekul crosslinker responsif terhadap stres, yang diidentifikasi oleh AI. Peneliti MIT juga membangun¹³ sebuah sistem yang menemukan, mencampur, dan menguji hingga 700 campuran polimer baru per hari untuk aplikasi seperti elektrolit baterai, stabilisasi protein, atau material pengiriman obat.

Merancang campuran polimer baru menghadirkan masalah hampir tak terbatasnya jumlah polimer yang mungkin untuk dimulai, dan setelah beberapa dipilih untuk dicampur, maka komposisi masing-masing polimer harus dipilih, serta konsentrasi polimer dalam campuran.

“Memiliki ruang desain yang sebesar itu memerlukan solusi algoritmik dan alur kerja throughput tinggi karena Anda tidak dapat menguji semua kombinasi dengan cara brute force.”

– Penulis senior makalah, Connor Coley

Sistem AI mereka memberikan campuran optimal, dengan yang terbaik menunjukkan kinerja 18% lebih baik daripada komponen individualnya.

Mengingat efisiensi AI dalam menyediakan opsi dan campuran polimer baru, masuk akal untuk menerapkan teknologi¹⁴ untuk mengidentifikasi dielektrik polimer yang lebih baik¹⁵.

Sebuah tim peneliti melakukan hal itu dan menemukan¹⁶ dielektrik dengan kepadatan energi 11 kali lipat dibandingkan alternatif komersial pada suhu tinggi.

Algoritma inovatif dikembangkan untuk memprediksi sifat dan formulasi polimer sebelum benar-benar membuatnya. Untuk ini, mereka pertama-tama menentukan persyaratan spesifik dan kemudian melatih model ML pada data properti-material yang ada untuk memprediksi hasil yang diinginkan.

Selain AI, peneliti menggunakan kimia polimer yang mapan dan rekayasa molekuler untuk menemukan serangkaian dielektrik dalam keluarga polynorbornene dan polyimide, dengan banyak dielektrik yang ditemukan menunjukkan kepadatan energi tinggi dan stabilitas termal tinggi pada rentang suhu yang luas. 

Namun, satu khususnya menunjukkan kepadatan energi 8,3 J cc⁻¹ pada 200 °C, yang jauh lebih tinggi daripada dielektrik polimer yang tersedia secara komersial.

“Pada masa awal AI dalam ilmu material, didorong oleh Inisiatif Genome Material Gedung Putih lebih dari satu dekade yang lalu, penelitian di bidang ini sebagian besar didorong oleh rasa ingin tahu. Hanya dalam beberapa tahun terakhir kami mulai melihat kisah sukses nyata di dunia nyata dalam penemuan polimer yang dipercepat oleh AI,” kata co-author Rampi Ramprasad, Profesor di Georgia Institute of Technology. “Keberhasilan ini kini menginspirasi transformasi signifikan dalam lanskap R&D material industri.”

⬆ Kembali ke tabel

5. Elektrolit Padat: AI untuk Baterai yang Lebih Aman dan Lebih Padat

Didorong oleh adopsi luas perangkat portabel dan EV serta meningkatnya permintaan solusi penyimpanan energi terbarukan, pasar baterai global berkembang pesat¹⁷. Mengingat peran penting baterai dalam dunia modern, ilmuwan terus berusaha mengembangkan teknologi baterai yang lebih efisien energi dan lebih aman.

Meskipun baterai lithium-ion paling banyak digunakan saat ini, mereka memiliki umur pakai terbatas dan risiko keamanan, yang diatasi oleh baterai padat (SSB). 

Baterai ini menggantikan elektrolit cair dengan elektrolit padat untuk menghilangkan risiko kebakaran pada suhu tinggi sekaligus memungkinkan kepadatan energi lebih tinggi dan meningkatkan daya tahan, menciptakan baterai yang lebih aman dan lebih kuat.

Namun, baterai dengan elektrolit padat menghadapi tantangan mereka sendiri, seperti konduktivitas ionik rendah, kompatibilitas antarmuka elektroda, stabilitas mekanik dan kimia, serta produksi yang biaya-efisien. Oleh karena itu, peneliti mengeksplorasi material yang dapat mengatasi masalah ini melalui AI.

Berbeda dengan bidang lain yang kami bahas hari ini, baterai adalah salah satu area paling panas di mana penerapan AI¹⁸ meledak karena keterlibatan produsen mobil terkemuka dan startup yang menginvestasikan dana besar dalam R&D baterai padat. Selain risiko keamanan, sektor ini juga mengumpulkan basis data besar yang cukup kaya untuk melatih model ML.

Bahkan pemerintah telah menempatkan SSB sebagai prioritas strategis untuk mengamankan rantai pasokan domestik dan mencapai tujuan energi serta iklim nasional.

Jadi, ada berbagai contoh di mana AI telah membantu¹⁹ peneliti dan perusahaan menemukan elektrolit padat baru.

Tahun lalu, peneliti Microsoft menggunakan AI bersama superkomputer untuk menyaring 32 juta material anorganik potensial untuk menemukan 18 kandidat menjanjikan²⁰ dalam hitungan hari. Material baru, N2116, adalah elektrolit padat yang dapat mengurangi penggunaan litium dalam baterai sebesar 70% dan telah diuji untuk menyalakan lampu.

Sementara itu, alat AI DeepMind GNoME telah mengidentifikasi²¹ 528 konduktor litium-ion yang menjanjikan, beberapa di antaranya dapat membantu membuat baterai lebih efisien. 

Kemudian ada LBS²² (Li8B10S19) dari peneliti Stanford, yang menyebutnya “elektrolit litium-ion berbasis sulfur paling stabil yang pernah kami lihat secara eksperimental.” Peneliti pertama kali mengidentifikasi²³ elektrolit padat untuk suatu hari nanti menggantikan elektrolit cair yang mudah terbakar dalam baterai Li-ion melalui AI sekitar satu dekade yang lalu.

⬆ Kembali ke tabel

Kesimpulan

Contoh-contoh ini menunjukkan bahwa AI dapat mempercepat cara kita menemukan material baru. Tantangan kini adalah mengubah prediksi komputer menjadi hasil dunia nyata, yang berarti menggabungkan AI dengan peneliti berpengalaman dan data yang dapat diandalkan.

Swipe to scroll →

Apa yang kita lihat masih tahap awal. Penemuan-penemuan ini membawa kita menuju energi yang lebih bersih, teknologi yang lebih aman, material yang lebih kuat, dan industri yang tidak menguras planet. AI mengubah cara kita melakukan ilmu material, dan itu penting untuk apa yang akan datang.

Klik di sini untuk mempelajari semua tentang berinvestasi dalam kecerdasan buatan.

Referensi

1. Peplow, M. (2025). AI sedang memimpikan jutaan material baru. Apakah mereka bagus? Nature, 646, 22–25. Diterbitkan 1 Oktober 2025. https://doi.org/10.1038/d41586-025-03147-92. University of Central Florida. (2019, December 16). Kecerdasan buatan dapat membantu ilmuwan membuat sel surya semprot. ScienceDaily. Diterbitkan 16  Desember 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Sel surya perovskit berefisiensi tinggi melalui deposisi uap sumber tunggal. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.0164. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Pembelajaran mesin dengan batasan pengetahuan untuk optimasi proses pembuatan sel surya perovskit terbuka. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.0035. 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). Alur kerja desain invers menemukan material transportasi lubang yang disesuaikan untuk sel surya perovskit. Science, 386(6727), 1256-1264. Diterbitkan 13 Desember 2024. https://doi.org/10.1126/science.ads09016. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Membuka potensi: aplikasi pembelajaran mesin dalam desain elektrokatalis untuk transformasi energi hidrogen elektrokimia. Chemical Society Reviews, 53, 11390–11461. Diterbitkan 9 Oktober 2024. https://doi.org/10.1039/D4CS00844H7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). Desain berbasis AI dari paduan elemen multiprinsipal untuk pemisahan air optimal. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Diterbitkan 15 Juli 2025. https://doi.org/10.1073/pnas.25042261228. 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). Laboratorium otonom untuk sintesis cepat material baru. Nature, 624, 86–91. Diterbitkan 29 November 2023. https://doi.org/10.1038/s41586-023-06734-w9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Memprediksi material superkeras melalui pencarian struktur evolusioner yang dipandu pembelajaran mesin. npj Computational Materials, 5, 89. Diterbitkan 03 September 2019. https://doi.org/10.1038/s41524-019-0226-810. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Pembelajaran mesin dan prediksi evolusioner dari senyawa B-C-N superkeras. npj Computational Materials, 7, 114. Diterbitkan 21 Juli 2021. https://doi.org/10.1038/s41524-021-00585-711. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Menemukan Material Superkeras Berikutnya melalui Pembelajaran Ensemble. Advanced Materials, 33(5), e2005112. Diterbitkan 4 Desember 2020. https://doi.org/10.1002/adma.20200511212. MIT News. (2025, August 5). AI membantu ahli kimia mengembangkan plastik yang lebih kuat. MIT News. Retrieved 5 Agustus 2025, from https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805?utm_source=chatgpt.com13. MIT News. (2025, July 28). Sistem baru secara dramatis mempercepat pencarian material polimer. MIT News. Retrieved 5 Agustus 2025, from https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728?utm_source=chatgpt.com14. Tan, D. Q. (2020). Pencarian kekuatan dielektrik yang ditingkatkan pada dielektrik berbasis polimer: Tinjauan fokus pada nanokomposit polimer. Journal of Applied Polymer Science, 137, e49379. Diterbitkan 5 April 2020. https://doi.org/10.1002/app.4937915.15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Desain Dielektrik Tinggi pada Komposit Polimer dengan Menggunakan Jaringan Saraf Buatan. Applied Sciences, 12,