Di Dalam Laboratorium Bertenaga AI: Era Baru Penemuan Material

Seperti semakin banyak industri, ilmu material juga dibantu oleh kecerdasan buatan (AI).

Di sini, algoritma pembelajaran mesin (ML) menganalisis dataset yang sangat besar dan mengidentifikasi pola untuk menyarankan kandidat material yang menjanjikan dalam waktu minimal, sambil mengonsumsi sumber daya jauh lebih sedikit dibandingkan metode coba-coba.

Pekerjaan manual tradisional yang intensif manusia yang ditingkatkan oleh munculnya sistem komputasi, yang memungkinkan perhitungan kompleks, kini sepenuhnya direvolusi oleh proses otomatis, paralel, dan iteratif yang digerakkan oleh AI, simulasi, dan otomatisasi eksperimental. 

Kematangan teknologi AI, dikombinasikan dengan komputasi berkinerja tinggi dan teknologi cloud hibrida, sedang membantu ilmu material memasuki paradigma baru yang ditandai oleh penemuan material baru yang dipercepat, pemodelan prediktif properti material, dan eksperimen otonom. 

Perubahan paradigma ini memungkinkan peneliti beralih dari pendekatan coba-coba ke desain, secara signifikan mengurangi siklus pengembangan dan membuka jalan bagi material canggih dalam energi, elektronik, perawatan kesehatan, dan aplikasi keberlanjutan.

Baru-baru ini, peneliti dari North Carolina State University melangkah lebih jauh dengan menciptakan laboratorium mengemudi sendiri untuk mencapai lompatan baru dalam otomasi laboratorium dan lebih mempercepat penemuan material oleh ilmuwan.

Laboratorium otomatis mengumpulkan sepuluh kali lebih banyak data dibandingkan metode manual tradisional metode. Dengan langkah ini, peneliti dapat melakukan eksperimen kimia dinamis secara real-time, menghemat waktu dan sumber daya sambil memungkinkan terobosan yang lebih cepat.

Penemuan laboratorium baru tidak akan memakan tahun lagi; sebaliknya, kita melihat masa depan di mana penemuan terjadi dalam hitungan hari.

Laboratorium Bertenaga AI: Pembelajaran Real-Time untuk Penemuan Real-Time

Untuk mengatasi tantangan global dalam energi bersih, kesejahteraan manusia, dan keberlanjutan, sangat penting untuk membuat penemuan cepat material fungsional canggih. Penemuan dan sintesis material baru juga menjadi kunci bagi teknologi inovatif seperti baterai, chip komputer, panel surya, dan banyak lagi.

Akibatnya, banyak kemajuan telah dicapai dalam platform percepatan material dan laboratorium mengemudi sendiri.

Meskipun ada kemajuan, kapasitas platform dan laboratorium ini untuk menjelajahi ruang parameter kompleks terhambat oleh throughput data yang rendah. Transfer data yang lambat dan pemrosesan menyebabkan produktivitas menurun.

Oleh karena itu, peneliti NC State University telah \”memperkenalkan eksperimen aliran dinamis sebagai strategi intensifikasi data untuk sintesis material anorganik dalam laboratorium fluida mengemudi sendiri dengan pemetaan kontinu kondisi reaksi transien ke ekivalen keadaan tunak.\”

Dipublikasikan di Nature Chemical Engineering¹, studi ini menjelaskan laboratorium mengemudi sendiri mutakhir yang menggunakan eksperimen real-time untuk terus mengumpulkan data, sehingga membuat penemuan material lebih cepat dan lebih efisien sambil mengurangi biaya dan dampak lingkungan.

Untuk pekerjaan mereka, studi ini menerima dukungan dari National Science Foundation dan program University of North Carolina Research Opportunities Initiative.

Sekarang, apa arti laboratorium mengemudi sendiri (SDL)? Nah, ini adalah platform robotik yang menggabungkan ML dan otomatisasi dengan ilmu kimia dan material untuk menemukan material lebih cepat. Pada platform eksperimental modular yang dibantu ML ini, serangkaian eksperimen, yang dipilih oleh algoritma ML, dilakukan secara iteratif untuk mencapai tujuan yang diprogram.

“Bayangkan jika ilmuwan dapat menemukan material terobosan untuk energi bersih, elektronik baru, atau bahan kimia berkelanjutan dalam hitungan hari bukan tahun, dengan hanya sebagian kecil material dan menghasilkan jauh lebih sedikit limbah dibandingkan keadaan saat ini.”

– Penulis bersama makalah, Milad Abolhasani, Profesor ALCOA Teknik Kimia dan Biomolekuler di North Carolina State University

Dia menambahkan:

“Pekerjaan ini membawa masa depan itu satu langkah lebih dekat.” 

Mewakili pendekatan transformatif untuk mempercepat penemuan ilmiah, laboratorium mengemudi sendiri semakin populer di bidang kimia dan ilmu material.. 

Laboratorium mengemudi sendiri yang menggunakan reaktor aliran kontinu sering mengandalkan eksperimen aliran keadaan tunak, di mana prekursor berbeda digabungkan sebelum reaksi kimia terjadi, dan campuran mengalir terus-menerus melalui sebuah mikrokanal. 

Produk yang keluar darinya kemudian dikarakterisasi oleh serangkaian sensor setelah reaksi selesai.

“Pendekatan yang telah mapan ini terhadap laboratorium mengemudi sendiri telah memberikan dampak dramatis pada penemuan material,” catat Abolhasani, sambil berbagi bahwa ini memungkinkan ilmuwan untuk “mengidentifikasi kandidat material yang menjanjikan untuk aplikasi spesifik dalam beberapa bulan atau minggu, bukan tahun, sambil mengurangi biaya dan dampak lingkungan dari pekerjaan tersebut.” Namun pendekatan ini tidak sempurna, masih ada area yang perlu diperbaiki.

Secara khusus, sistem menganggur ketika reaksi kimia terjadi sebelum material yang dihasilkan dapat di karakterisasi. Waktu tunggu untuk laboratorium mengemudi sendiri dapat mencapai satu jam untuk setiap eksperimen aliran keadaan tunak.

“Kami kini telah menciptakan laboratorium mengemudi sendiri yang menggunakan eksperimen aliran dinamis, di mana campuran kimia terus-menerus diubah melalui sistem dan dipantau secara real-time.”

– Abolhasani 

Apa ini berarti bahwa mereka menghilangkan proses menjalankan sampel terpisah melalui sistem dan menguji masing‑masing dari mereka satu pada satu waktu setelah mereka mencapai keadaan. 

Sebaliknya, mereka telah membangun sistem yang hanya tidak berhenti beroperasi. Sampel terus bergerak melalui sistem. Ini karena “sistem tidak pernah berhenti mengkarakterisasi sampel,” dan peneliti dapat “menangkap data tentang apa yang terjadi pada sampel setiap setengah detik.”

Integrasi eksperimen aliran dinamis dalam laboratorium fluida mengemudi sendiri menandai pergeseran dari eksperimen batch tradisional. 

Berbeda dengan pendekatan konvensional, di mana titik data terisolasi dikumpulkan di bawah kondisi keadaan tunak, dalam eksperimen aliran dinamis, prinsip mikrofluida digunakan untuk pemetaan cepat kondisi reaksi.

Dengan menciptakan aliran data konstan, hal ini secara drastis memperluas data eksperimen yang dapat diakses.

Abolhasani menjelaskan bahwa tim kini mendapatkan 20 titik data tentang apa yang dihasilkan eksperimen, dimulai dengan satu setelah 0,5 detik waktu reaksi, kemudian satu setelah 1 detik, dan seterusnya, tidak seperti satu titik data yang mereka dapatkan setelah 10 detik waktu reaksi. Dia menambahkan:

“Ini seperti beralih dari satu snapshot menjadi film penuh dari reaksi saat terjadi. Alih-alih menunggu setiap eksperimen selesai, sistem kami selalu berjalan, selalu belajar.” 

Memiliki begitu banyak data dapat memberikan dampak luar biasa pada kinerja laboratorium bertenaga AI. Data, bagaimanapun, adalah kunci bagi algoritma. AI sangat membutuhkan data, dan berdasarkan data yang diberikan, algoritma membuat prediksi.

Menurut Abolhasani:

“Bagian terpenting dari setiap laboratorium mengemudi sendiri adalah algoritma pembelajaran mesin yang digunakan sistem untuk memprediksi eksperimen mana yang harus dilakukan selanjutnya.” 

Dengan demikian, pendekatan data streaming memungkinkan otak ML laboratorium mengemudi sendiri membuat keputusan tidak hanya lebih cepat tetapi juga lebih cerdas, “menyempurnakan material dan proses optimal dalam sebagian kecil waktu.”

Kualitas data juga menentukan akurasi prediksi. Jadi, dengan memiliki lebih banyak data eksperimen berkualitas tinggi, algoritma dapat membuat prediksi yang lebih akurat, dan kemudian ia dapat menyelesaikan suatu masalah lebih cepat. 

“Ini memiliki manfaat tambahan berupa pengurangan jumlah bahan kimia yang diperlukan untuk mencapai solusi.” 

– Abolhasani

Untuk menunjukkan kemampuan sistem mereka, tim menerapkan eksperimen aliran dinamis pada titik kuantum koloidal CdSe. Ini digunakan sebagai platform uji karena statusnya sebagai sistem anorganik yang mapan dengan tidak hanya ketergantungan parameter yang kaya tetapi juga potensi teknologi yang signifikan.

Dalam kasus ini, tim menemukan bahwa laboratorium mereka, yang menggabungkan sistem aliran dinamis, mencapai “peningkatan efisiensi akuisisi data sebesar satu urutan besaran.”

It menghasilkan setidaknya 10 kali lebih banyak data dibandingkan laboratorium mengemudi sendiri lain yang menggunakan eksperimen aliran keadaan tunak. Selain itu, setelah dilatih, laboratorium mengemudi sendiri dapat menemukan kandidat terbaik pada percobaan pertama.

Terobosan ini, kata Abolhasani, “bukan hanya tentang kecepatan,” tetapi tentang mencapai keberlanjutan. Dengan mengurangi jumlah eksperimen yang diperlukan, sistem secara signifikan mengurangi konsumsi kimia dan limbah, mempromosikan praktik penelitian yang lebih berkelanjutan. Abolhasani berkata:

“Masa depan penemuan material tidak hanya tentang seberapa cepat kita dapat bergerak, tetapi juga tentang seberapa bertanggung jawab kita mencapainya. Pendekatan kami berarti lebih sedikit bahan kimia, lebih sedikit limbah, dan solusi lebih cepat untuk tantangan paling sulit masyarakat.”

Peran AI yang Berkembang dalam Ilmu Material: Penemuan Menarik Baru

AI sedang mengubah industri di seluruh dunia, dan itu termasuk ilmu material, yang merupakan dasar bagi banyak inovasi teknologi dan tantangan sosial. 

Akibatnya, penggunaan AI dalam penemuan dan pengembangan material baru telah berlangsung selama bertahun‑tahun sekarang, tetapi ia pasti memperoleh perhatian dalam beberapa tahun terakhir seiring teknologi menjadi lebih maju dan mampu. 

“Dengan pengembangan berkelanjutan, kami memperkirakan robotika dan otomatisasi akan meningkatkan kecepatan, presisi, dan reproduktifitas eksperimen di berbagai instrumen dan disiplin, menghasilkan data yang dapat dianalisis oleh sistem kecerdasan buatan untuk memandu eksperimen selanjutnya.“

– Dr. James Cahoon, penulis bersama makalah ‘Transforming Science Labs into Automated Factories of Discovery.^2′

Dengan itu, mari kita lihat beberapa kemajuan utama yang dicapai dalam ilmu material tahun ini di berbagai aplikasi.

Sebagai permulaan, seperti yang baru-baru ini kami bagikan, dengan bantuan AI, ilmuwan telah dapat merancang meta-emitor termal 3D yang kompleks yang dapat menurunkan suhu dalam ruangan dan membantu menghemat biaya energi. Material yang dibuat menggunakan teknik ML baru dapat menemukan aplikasi di gedung residensial dan komersial, pesawat luar angkasa, kain dan tekstil, mobil, dan lainnya.

“Dengan mengotomatisasi proses dan memperluas ruang desain, kami dapat menciptakan material dengan kinerja superior yang sebelumnya tidak dapat dibayangkan.“

– Co-leader studi, Yuebing Zheng

Mengembangkan Material Logam Baru dengan Kekuatan Superior

Beberapa bulan yang lalu, ilmuwan melaporkan menggunakan AI untuk merancang MPEA baru atau paduan elemen utama ganda, yang ditemukan dalam komponen pesawat terbang, konverter katalitik, dan pengganti lutut.

MPEA yang baru dirancang memiliki sifat mekanik superior, yang dikatakan Sanket Deshmukh, profesor associate di teknik kimia di Virginia Tech, “menunjukkan bagaimana kerangka kerja dan AI yang dapat dijelaskan dapat membuka kemungkinan baru dalam desain material.“

Untuk menginterpretasikan analisis yang dibuat oleh model AI, Deshmukh dan timnya menggunakan analisis SHAP (SHapley Additive exPlanations), yang memungkinkan mereka memahami bagaimana elemen berbeda dan lingkungan lokalnya mempengaruhi properti MPEA, sebagai gantinya, memberikan wawasan lebih dan prediksi yang akurat.

Selain mempercepat penemuan paduan logam canggih, Deshmukh percaya bahwa mengintegrasikan ML dengan algoritma evolusi dan validasi eksperimental juga dapat membantu kami menciptakan alat yang “dapat diperluas ke sistem material kompleks seperti glikomaterial – material polimerik yang mengandung karbohidrat.”

Mengungkap Rahasia Pertumbuhan Dendritik dalam Film Tipis

The penelitian³ dari Tokyo University of Science (TUS) telah mengembangkan model AI yang dapat dijelaskan yang memprediksi pertumbuhan dendrit (pola cabang seperti pohon) dalam film tipis, yang merupakan hambatan utama dalam fabrikasi area luas dan membatasi komersialisasinya.

Dengan mengungkap kondisi spesifik dan mekanisme di balik percabangan dendrit, model AI membantu meningkatkan proses pertumbuhan film tipis. Perangkat film tipis krusial dalam teknologi seperti semikonduktor.

Model AI baru ini mengintegrasikan metode pembelajaran mesin yang disebut analisis komponen utama (PCA) dan teknik topologi yang disebut homologi persisten dengan analisis energi bebas.

“Dengan mengintegrasikan topologi dan energi bebas, metode kami menawarkan pendekatan serbaguna untuk analisis material. Melalui integrasi ini, kami dapat membangun hubungan hierarkis antara mikrostruktur skala atom dan fungsionalitas makroskopik di berbagai material, membuka jalan bagi kemajuan masa depan dalam ilmu material.“

– Profesor Masato Kotsugi dari Departemen Ilmu Material dan Teknologi di TUS

Mendapatkan Pemahaman Lebih Baik tentang Nanopartikel

Tim ilmuwan dari beberapa universitas bersatu untuk mengembangkan metode⁴ untuk lebihmemahami perilaku dinamis nanopartikel, yang merupakan blok bangunan elektronik, farmasi, dan material industri.

Ini menggabungkan mikroskopi elektron dengan AI untuk memvisualisasikan struktur dan pergerakan molekul dengan resolusi waktu yang belum pernah terjadi sebelumnya.

Seperti yang dijelaskan Peter A. Crozier, profesor ilmu material dan teknik di Arizona State University:

“Mikroskopi elektron dapat menangkap gambar dengan resolusi spasial tinggi, tetapi karena kecepatan perubahan struktur atomik nanopartikel selama reaksi kimia, kami perlu mengumpulkan data dengan kecepatan sangat tinggi untuk memahami fungsinya.”

Untuk mengurangi noise ini, mereka mengembangkan metode AI yang secara otomatis menghilangkannya, “memungkinkan visualisasi dinamika kunci pada tingkat atomik.”

Sementara itu, kelompok riset dari Graz University of Technology membawa konstruksi nanostruktur ke tingkat baru menggunakan AI.

Untuk ini, mereka mengembangkan sistem AI yang belajar sendiri yang secara otonom menempatkan molekul individu dengan cepat dan dalam orientasi yang tepat menggunakan mikroskop tunneling pemindaian, proses yang biasanya sulit dan memakan waktu, untuk memungkinkan pembangunan “struktur molekul yang sangat kompleks, termasuk sirkuit logika dalam skala nanometer.”

Tujuannya adalah pada akhirnya membangun koral kuantum, yang merupakan nanostruktur berbentuk gerbang yang dapat menjebak elektron, dan menggunakannya untuk membangun sirkuit logika untuk mempelajari cara kerjanya pada tingkat molekuler.

Menemukan Material Fotovoltaik yang Lebih Baik

Alternatif berkelanjutan untuk sel surya berbasis silikon konvensional, sel surya perovskite menunjukkan janji besar sebagai teknologi fotovoltaik generasi berikutnya untuk mengubah sinar matahari menjadi listrik.

Efikasinya dapat ditingkatkan lebih lanjut melalui molekul yang menghantarkan muatan positif, tetapi ada jutaan molekul berbeda, yang berarti mensintesis dan menguji semuanya. Namun, dengan memanfaatkan AI bersama sintesis throughput tinggi otomatis, tim peneliti dari Karlsruhe Institute of Technology (KIT) berhasil menemukan molekul organik baru dalam beberapa minggu saja, dengan hanya 150 eksperimen terarah. 

Material yang baru ditemukan juga meningkatkan efisiensi sel surya referensi sekitar dua poin persentase.

Untuk ini, para ilmuwan menggunakan basis data dengan satu juta molekul virtual dan secara acak memilih 13.000 di antaranya sebelum memilih 101 di antaranya. Yang terpilih memiliki perbedaan terbesar dalam properti mereka, dan mereka disintesis dengan sistem robotik sebelum menggunakannya untuk menghasilkan sel surya.

Menyusun Fondasi untuk Penemuan Material Berbasis AI

Sementara semua penemuan ini sedang dibuat, agar AI benar‑benar dapat mewujudkannya, ia membutuhkan data. Ini mencakup data tentang material serta data dari simulasi skala besar. 

Meskipun banyak basis data semacam itu tersedia, mereka cukup terisolasi, sehingga diperlukan standar “agar pengguna dapat berkomunikasi dengan semua perpustakaan data ini dan memahami informasi yang mereka terima,“ kata Gian-Marco Rignanese, profesor di Institute of Condensed Matter and Nanosciences di UCLouvain, Belgia.

Jadi, musim panas lalu, kolaborasi internasional besar merilis versi diperluas dari standar OPTIMADE untuk memfasilitasi penemuan material berbasis AI.

Standar OPTIMADE (Open integrasi basis data untuk desain material) didukung oleh jaringan internasional besar…

Dengan tujuan memberikan pengguna akses lebih mudah ke basis data material terkemuka maupun yang kurang dikenal, versi baru dari standar ini diperkenalkan yang dapat lebih mempercepat penemuan material berbasis AI yang sedang berlangsung.

Berinvestasi dalam AI untuk Penemuan Material

Saat mempertimbangkan investasi di bidang ini, Alphabet Inc. (GOOGL ) milik Google adalah salah satu yang telah merilis alat AI bernama Gnome. Alat tersebut melaporkan menemukan 2,2 juta kristal baru dengan itu. Selanjutnya ada Microsoft (MSFT ), yang telah memperkenalkan MatterGen dan MatterSim untuk menciptakan material kandidat baru dan memvalidasinya.

NVIDIA Corporation (NVDA )

Itu tidak lain adalah bintang AI Nvidia. Akhir tahun lalu, perusahaan memperkenalkan NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).

Platform ini bertujuan mempercepat R&D dalam kimia dan ilmu material melalui kekuatan AI, dan untuk mencapai ini, ia mencakup API dan layanan mikro inferensi yang dipercepat. Ini akan memungkinkan pembuatan dan penyebaran model AI generik untuk menjelajahi alam semesta material yang luas dan menyarankan kandidat baru, dan pengembangan serta penggunaan model surrogate untuk mencapai keseimbangan antara biaya komputasi dan akurasi. Itu juga memungkinkan alat informatik yang dapat diakses dan model fondasi yang telah dilatih sebelumnya untuk penyaringan cepat dan alat simulasi untuk melatih dan menyempurnakan model AI untuk kasus penggunaan baru.

Melalui ALCHEMI, NVIDIA berupaya mempercepat alur kerja penemuan dan “memperkenalkan era baru penemuan terobosan yang mendukung masa depan yang lebih berkelanjutan dan lebih sehat.”

Nvidia adalah perusahaan dengan kapitalisasi pasar $4,22 triliun, sahamnya diperdagangkan sekitar $173,5, naik 28,8% sejak awal tahun. EPS (TTM) nya adalah 3,10, P/E (TTM) adalah 55,73, dan hasil dividen yang ditawarkan adalah 0,02%.

Berita dan Perkembangan Saham NVIDIA Corporation (NVDA) Terbaru

Kesimpulan

Seiring AI, otomatisasi, dan komputasi berkinerja tinggi bersatu, ilmu material memasuki era paling transformatifnya, menandai pergeseran yang sangat dibutuhkan dari coba-coba yang dipimpin manusia ke penemuan otonom.

Di tengah ini, laboratorium bertenaga AI dan platform eksperimental mengemudi sendiri sepenuhnya mengubah cara ilmuwan tidak hanya menemukan tetapi juga menguji dan mengoptimalkan material. Lebih lagi, dengan inisiatif seperti ALCHEMI milik NVIDIA, Gnome milik Google, dan MatterGen milik Microsoft, perusahaan teknologi besar juga bertaruh pada AI untuk mendorong gelombang inovasi berikutnya!

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

Referensi:

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, dipublikasikan online 14 Juli 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