AI Mempercepat Pencarian Bahan Pendingin Berkelanjutan Generasi Berikutnya

Dalam dunia material, nanofotonik termal sangat penting untuk memungkinkan terobosan fundamental di berbagai aplikasi teknologi.

Nanofotonik termal menggabungkan nanofotonik dan ilmu termal untuk memanipulasi serta mengendalikan transfer panas pada skala nano. Ia memanfaatkan nanostruktur dan material untuk menyesuaikan radiasi termal dan aliran panas, menghasilkan kemajuan dalam berbagai aplikasi, termasuk penangkapan energi, manajemen termal, dan sensor.

Nanofotonik berhubungan dengan perilaku cahaya pada skala nanometer. Material nanofotonik, di sisi lain, menawarkan kontrol spektral dan arah atas emisi termal.

Metode tradisional untuk menemukan material semacam itu terhambat oleh pendekatan coba-coba, namun kedatangan pembelajaran mesin (ML) dan kecerdasan buatan (AI) telah merevolusi bidang ilmu material dengan secara signifikan mempercepat proses penemuan, perancangan, dan optimasi material.

Meskipun teknologi ini telah menunjukkan kemampuan kuatnya dalam perancangan nanofotonik dan metamaterial, masih menjadi tantangan untuk mengembangkan metodologi desain umum yang dapat menyesuaikan pemancar nanofotonik berperforma tinggi dengan kontrol ultralebar dan selektivitas pita yang tepat.

Hal ini disebabkan oleh keterbatasan algoritma tradisional, perangkap optimasi lokal, serta geometri dan material yang telah ditentukan sebelumnya.

Namun, hal ini kini sedang ditangani oleh para ilmuwan dari University of Texas at Austin, yang berkolaborasi dengan peneliti dari Umeå University di Swedia, National University of Singapore, dan Shanghai Jiao Tong University.

Bersama-sama, mereka telah merancang teknik ML¹ untuk merancang meta‑pemancar termal 3D yang kompleks.

Meta‑pemancar adalah material rekayasa yang dirancang untuk mengontrol dan memanipulasi radiasi elektromagnetik, menawarkan aplikasi dalam efisiensi energi dan manajemen termal.

“Kerangka kerja pembelajaran mesin kami merupakan lompatan signifikan dalam perancangan meta‑pemancar termal. Dengan mengotomatisasi proses dan memperluas ruang desain, kami dapat menciptakan material dengan performa superior yang sebelumnya tidak terbayangkan.”

– Co‑leader studi Yuebing Zheng, seorang profesor di Cockrell School of Engineering’s Walker Department of Mechanical Engineering

Material Berbasis AI untuk Desain Perkotaan yang Tahan Iklim

Diterbitkan di Nature, studi ini merinci kerangka kerja berbasis ML baru yang membantu merancang material yang dapat menurunkan suhu di dalam ruangan dan, pada gilirannya, biaya energi.

Dengan menggunakan kerangka kerja mereka, para ilmuwan sebenarnya berhasil menghasilkan lebih dari 1.500 material baru yang dapat memancarkan panas secara selektif dengan cara yang terkontrol. Mereka juga dapat menawarkan akurasi yang lebih tinggi dalam pemanasan dan pendinginan untuk mencapai efisiensi energi yang lebih baik.

Kerangka kerja mereka dapat merancang meta‑pemancar termal ultralebar dan selektif pita dengan mengoptimalkan banyak parameter dengan data terbatas yang mencakup keberagaman material dan kompleksitas struktural 3D.

Menurut studi, arsitektur mereka memungkinkan kemampuan desain ganda. Pertama, ia mengotomatisasi desain invers dari banyak metastruktur serta kombinasi material untuk penyesuaian spektral. Kedua, ia memiliki “kemampuan belum pernah ada sebelumnya” untuk merancang berbagai meta‑pemancar 3D dengan menerapkan metode pemodelan tiga bidang yang mengatasi keterbatasan struktur datar 2D tradisional.

Dalam studi mereka, tim menyajikan tujuh meta‑pemancar bukti‑konsep yang menunjukkan performa pendinginan optik dan radiasi yang superior, melampaui desain canggih saat ini. Tujuh kelas meta‑pemancar tersebut disesuaikan untuk fungsi spesifik.

Kerangka kerja yang dapat digeneralisasi yang dikembangkan bertujuan untuk memproduksi material nanofotonik 3D, yang dicatat oleh peneliti, “memfasilitasi optimisasi global melalui kebebasan geometris dan dimensi yang diperluas serta basis data material yang komprehensif.”

Sekarang, untuk menilai kelayakan sistem desain mereka, para peneliti menghasilkan empat material contoh dan kemudian menguji performanya.

Salah satu material meta‑pemancar diterapkan pada atap rumah model. Untuk menganalisis kemampuan pendinginnya, material tersebut dibandingkan dengan cat putih dan abu‑abu komersial standar. Apa yang diamati peneliti setelah atap terpapar sinar matahari langsung selama empat jam pada tengah hari adalah bahwa material baru tersebut, rata‑rata, 5 hingga 20 derajat Celsius lebih dingin dibandingkan cat tradisional.

Berdasarkan hal ini, tim memperkirakan bahwa material mereka akan menghemat sekitar 15.800 kilowatt‑jam (kWh) per tahun dalam biaya pendinginan untuk sebuah gedung apartemen di kota panas seperti Bangkok. Sebuah unit AC standar biasanya mengonsumsi sekitar 1.500 kWh per tahun.

Jadi, material yang dibuat oleh tim dapat dimanfaatkan untuk penghematan energi residensial dan komersial. Di kota‑kota, mereka dapat membantu menurunkan suhu dengan memantulkan sinar matahari dan memancarkan panas pada panjang gelombang yang ditargetkan. Dengan cara ini, material tersebut berpotensi mengurangi efek pulau panas perkotaan yang disebabkan oleh kurangnya ruang hijau dan struktur beton yang padat.

Namun, itu bukan batas penggunaan mereka. Material ini juga dapat digunakan dalam aplikasi luar angkasa, di mana ia secara efisien mengelola radiasi matahari yang masuk dan panas yang dipancarkan, membantu mengatur suhu pesawat luar angkasa.

Kasus penggunaan meta‑pemancar termal melampaui itu. Misalnya, dengan mengintegrasikannya ke dalam kain dan tekstil, kita dapat meningkatkan teknologi pendinginan pada pakaian dan peralatan luar ruangan.

Mobil adalah contoh lain. Dengan membungkus mobil dengan meta‑pemancar termal dan menyematkannya ke dalam material interior, panas yang terakumulasi ketika mobil berada di bawah sinar matahari juga dapat dikurangi.

Meskipun memiliki banyak keunggulan, material ini belum dapat diadopsi secara luas karena proses desainnya yang memakan waktu, dan bahkan opsi otomatis sekalipun mengalami kesulitan dalam menangani struktur hierarkis 3D yang kompleks. Namun semua itu akhirnya dapat berubah dengan kerangka kerja AI terbaru.

“Secara tradisional, merancang material ini lambat dan memakan tenaga kerja, bergantung pada metode coba‑coba. Pendekatan ini sering menghasilkan desain yang suboptimal dan membatasi kemampuan untuk menciptakan material dengan properti yang diperlukan agar efektif.”

– Zheng

Oleh karena itu, peneliti akan terus mengerjakan teknologi mereka, menyempurnakannya dan menerapkannya pada aspek lain dari nanofotonik.

“Pembelajaran mesin mungkin tidak menjadi solusi untuk segala hal, tetapi kebutuhan spektral unik dalam manajemen termal membuatnya sangat cocok untuk merancang pemancar termal berperforma tinggi.”

– Co‑author Kan Yao

Bagaimana AI Mempercepat Penemuan Material Baru

Berfokus pada struktur, sifat, proses, dan kinerja material, ilmu material menjadi dasar segala hal mulai dari dirgantara, elektronik, dan energi hingga kedokteran dan banyak bidang lainnya.

Faktanya, penemuan dan pengembangan material baru telah menjadi kunci dalam membentuk sejarah manusia selama berabad‑abad, mendorong kemajuan teknologi.

Selama beberapa dekade, kita mengandalkan pendekatan coba‑coba untuk menemukan material anorganik baru dengan sifat yang menguntungkan. Pendekatan ini sangat menghabiskan sumber daya, memerlukan ratusan ribu jam eksperimen untuk pertama kali mengidentifikasi dan kemudian mensintesis hanya beberapa material baru yang potensial.

Kompleksitas material pada tingkat molekuler dan atomik membuat penemuan material baru menjadi proses yang panjang dan mahal. Jadi, ketersediaan superkomputer meningkatkan ilmu material dengan memungkinkan simulasi perilaku material.

Dan kini, kedatangan AI memimpin revolusi dalam bidang ini dengan mempercepat pendekatan komputasional dalam ilmu material. Dengan memberikan sifat yang diinginkan untuk sebuah material serta batasan, sistem AI generatif kini dapat menciptakan material yang sepenuhnya baru.

Setelah semua, model canggih saat ini, yang dilatih pada dataset besar, ketika digabungkan dengan komputasi berkecepatan tinggi, dapat dengan cepat menyaring kandidat material terhadap parameter yang diinginkan, sehingga memprediksi sifat untuk banyak zat dalam waktu sangat singkat.

Tidak hanya AI dapat menghemat waktu pengembangan yang signifikan serta sumber daya manusia dan material, tetapi juga dapat melakukannya sambil secara tepat memenuhi persyaratan pasar yang kompleks dan beragam.

Sebagaimana dikatakan Kristin Persson, seorang profesor ilmu material di University of California, Berkeley, menyatakan, kami saat ini berada dalam paradigma di mana ilmu dipandu oleh data besar dan AI. Hari ini, kami memiliki cukup data untuk melatih algoritma pembelajaran mesin, dan “itu membawa tingkat kecepatan baru dalam hal inovasi,” katanya.

Menariknya, AI juga mendapat manfaat dari penemuan material baru. AI sangat membutuhkan data, dan bidang ilmu material kekurangan data. Dengan memanfaatkan teknologi ini, sifat material dapat disimulasikan, dan data yang dihasilkan dapat digunakan untuk melatih model pembelajaran mesin.

Persson saat ini memimpin upaya multi‑institusi, multi‑nasional yang disebut Materials Project, yang memanfaatkan superkomputasi dan metode simulasi lanjutan untuk menghitung sifat semua material anorganik yang diketahui dan lebih jauh lagi. Data tersebut tersedia secara gratis untuk merancang material baru.

Klik di sini untuk mempelajari tentang ubin atap adaptif yang dapat membantu mengurangi konsumsi energi pemanasan/pendinginan.

Terobosan dalam Penemuan Material Berbasis AI

Peneliti dari U of T Engineering memperkenalkan alat baru² baru-baru ini yang memprediksi bagaimana sebuah material baru dapat paling baik digunakan untuk mengurangi jeda antara penemuan material dan penerapannya.

Alat AI multimodal ini menggunakan data tahap awal untuk memprediksi potensi penggunaan dunia nyata untuk material baru dengan fokus pada kategori khusus material berpori yang disebut kerangka kerja logam‑organik (MOF).

Tahun lalu saja, peneliti mengembangkan lebih dari 5.000 jenis material ini, yang memiliki sifat dapat disesuaikan, kata pemimpin studi Profesor Seyed Mohamad Moosavi dari University of Toronto (ChemE). Ia menambahkan bahwa tantangannya adalah bahwa MOF yang dibuat untuk satu aplikasi tertentu sering kali ternyata memiliki sifat yang cocok untuk aplikasi yang sama sekali berbeda.

“Dalam penemuan material, pertanyaan tipikal adalah, ‘Apa material terbaik untuk aplikasi ini?’” kata Moosavi. “Kami membalik pertanyaan itu dan menanyakan, ‘Apa aplikasi terbaik untuk material baru ini?’ Dengan begitu banyak material yang dibuat setiap hari, kami ingin mengalihkan fokus dari ‘material apa yang akan kami buat selanjutnya’ ke ‘evaluasi apa yang harus kami lakukan selanjutnya.’”

Jadi, mahasiswa PhD ChemE Sartaaj Khan mengembangkan sistem pembelajaran mesin multimodal yang dilatih pada berbagai jenis data. Multimodalitas menjadi kunci karena memberikan model “gambaran yang lebih lengkap” untuk membuat prediksi lebih akurat tanpa memerlukan pasca‑sintesis.

Peneliti dari Argonne National Laboratory, di sisi lain, menggunakan model difusi AI generatif untuk menghasilkan lebih dari 120.000 kandidat MOF³ dalam waktu hanya setengah jam menggunakan superkomputer. Jaringan saraf yang dimodifikasi mengurangi jumlah MOF menjadi 364, yang diyakini berperforma tinggi.

Dengan beberapa hari tambahan dan analisis komputasi lebih lanjut, tim menemukan 102 MOF stabil dalam dataset. 6 di antaranya memiliki kapasitas CO2 yang berada di antara 5% teratas material dalam basis data hMOF yang populer.

Dalam contoh lain, ilmuwan menggunakan AI untuk merancang nanomaterial baru sepenuhnya⁴ yang se ringan Styrofoam namun memiliki kekuatan setara baja karbon.

Kekuatan dan ketangguhan cenderung berlawanan dalam banyak material, termasuk yang nano‑arsitektur, yang terdiri dari blok‑blok bangunan ultra‑kecil. Ketika blok‑blok ini diulang, material menjadi kuat, namun juga dapat menyebabkan konsentrasi stres yang mengakibatkan keretakan tiba‑tiba.

Untuk menemukan cara yang lebih baik dalam merancang nanomaterial, peneliti mensimulasikan kemungkinan geometri dan kemudian menjalankannya melalui algoritma yang belajar dari desain mereka untuk memprediksi bentuk terbaik yang mendistribusikan stres secara merata sambil menahan beban berat.

Peneliti menggunakan printer 3D untuk mewujudkan bentuk‑bentuk tersebut dan menemukan bahwa mereka dapat menahan tekanan sebesar 2,03 megapascal (MPa) per meter kubik per kilogram, lima kali lebih tinggi daripada titanium.

Peneliti melihat potensi aplikasi mereka sebagai komponen ultra‑ringan dalam aplikasi dirgantara untuk mengurangi kebutuhan bahan bakar dan jejak karbon tinggi penerbangan.

“Ini adalah pertama kalinya pembelajaran mesin diterapkan untuk mengoptimalkan material nano‑arsitektur, dan kami terkejut dengan perbaikannya. Itu tidak hanya meniru geometri sukses dari data pelatihan; ia belajar dari perubahan bentuk yang berhasil dan yang tidak, memungkinkan prediksi geometri kisi baru sepenuhnya.”

Penemuan material berbasis AI juga banyak digunakan untuk perencanaan perkotaan. Sebuah penelitian kolaboratif⁵ oleh Peking University dan University of Southern Denmark mengembangkan kerangka kerja canggih yang mengintegrasikan pembelajaran mendalam dengan penginderaan jauh untuk mengidentifikasi material bangunan dengan presisi yang belum pernah terjadi sebelumnya.

Selain efisiensi energi, AI dapat meningkatkan perencanaan perkotaan dengan membantu pemantauan lingkungan dan konservasi, pengembangan perumahan dan infrastruktur, serta keselamatan publik dan respons bencana.

Klik di sini untuk mempelajari tentang turbin angin tanpa baling‑baling, yang sering disebut sebagai masa depan energi bersih.

Berinvestasi dalam Penemuan Material Berbasis AI

Jika kita melihat potensi investasi AI, itu sangat besar, dengan pasar diproyeksikan bernilai triliunan dalam beberapa tahun mendatang. Ketika berbicara tentang perusahaan yang memimpin kemajuan teknologi ini, khususnya dalam ilmu material, dua nama menonjol: Microsoft (MSFT ) dan Google (Alphabet Inc.) (GOOG ), yang telah meluncurkan model mereka sendiri untuk meningkatkan skala dan presisi riset material. Namun, untuk tujuan artikel ini, kami akan fokus pada Alphabet Inc.

Alphabet Inc. (GOOG )

Pada akhir 2023, DeepMind milik Google merilis alat AI bernama Graph Networks for Materials Exploration (Gnome) untuk mempercepat proses penemuan material. Pada saat itu, ia melaporkan⁶ menemukan 2,2 juta kristal baru dengan bantuan alat pembelajaran mendalam tersebut.

Google mencatat, ini “setara dengan sekitar 800 tahun pengetahuan dan menunjukkan skala serta tingkat akurasi prediksi yang belum pernah terjadi sebelumnya.” Kristal yang baru ditemukan termasuk 380.000 material stabil, menjadikannya kandidat menjanjikan untuk sintesis eksperimental dan mampu mendukung teknologi masa depan.

Model Gnome adalah model jaringan saraf graf (GNN), di mana data input direpresentasikan sebagai graf. Gnome dilatih pada data dari Materials Project, termasuk struktur kristal dan stabilitasnya, untuk menghasilkan kristal kandidat baru dan memprediksi stabilitasnya.

Google menilai daya prediksinya dengan terus memeriksa kinerjanya menggunakan Density Functional Theory (DFT). Untuk ‘proses pelatihan,’ ia menggunakan ‘pembelajaran aktif’ di mana data yang dihasilkan dimasukkan kembali ke dalam model, secara signifikan meningkatkan performa Gnome.

Akurasi prediksi stabilitas model, menurut Google, melonjak dari 50% menjadi 80%. Efisiensi model, sementara itu, meningkat dari di bawah 10% menjadi lebih dari 80%.

Selain itu, sekitar 736 material yang diprediksi oleh Gnome telah secara independen disintesis oleh peneliti eksternal. Google juga berkolaborasi dengan Lawrence Berkeley National Lab untuk mensintesis 41 material baru, memvalidasi kekuatan prediktif alat tersebut dan kekuatan eksperimen otonom.

Sekarang, mari kita lihat kinerja raksasa dengan kapitalisasi pasar $2,2 triliun ini. Pada saat penulisan, sahamnya diperdagangkan sekitar $182, turun 3,86% YTD. Ia memiliki EPS (TTM) sebesar 8,97 dan P/E (TTM) sebesar 20,29. Yield dividen yang dibayarkan adalah 0,46%.

Mengenai keuangan perusahaan, perusahaan induk Google, Alphabet, melaporkan pendapatan $90,2 miliar untuk Q1 yang berakhir 31 Maret 2025. Laba per saham adalah $2,81. Angka‑angka ini, kata CEO Sundar Pichai, “mencerminkan pertumbuhan sehat dan momentum di seluruh bisnis. Pertumbuhan ini didukung oleh pendekatan full‑stack unik kami terhadap AI.”

Berita dan Perkembangan Saham Alphabet Inc. (GOOG) Terbaru

Kesimpulan

AI mengubah setiap aspek kehidupan kita, termasuk cara kita merancang material yang membentuk masa depan kita. Integrasi teknologi ini ke dalam ilmu material merupakan perubahan paradigma sejati, mempercepat penemuan yang dulu memakan tahun menjadi hari, bahkan jam.

Singkatnya, AI mendorong masa depan dekat inovasi material dengan memanfaatkan dataset besar, komputasi berkecepatan tinggi, dan model generatif, memungkinkan peneliti memprediksi, merancang, dan mengoptimalkan material baru dengan efisiensi dan presisi yang belum pernah terjadi sebelumnya.

Klik di sini untuk mempelajari tentang saham energi bersih dengan fokus lingkungan.

Referensi:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Meta‑Pemancar Termal Ultralebar dan Selektif Pita dengan Pembelajaran Mesin. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Menghubungkan Sintesis Kerangka Kerja Logam‑Organik ke Aplikasi Menggunakan Pembelajaran Mesin Multimodal. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Kerangka AI Generatif Berbasis Model Difusi Molekuler untuk Desain Kerangka Kerja Logam‑Organik untuk Penangkapan Karbon. 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. Kekuatan Spesifik Ultra‑Tinggi melalui Optimisasi Bayesian Lattice Karbon Nano. 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. Kain Urban Terurai: Identifikasi Material Bangunan Presisi Tinggi melalui Pembelajaran Mendalam dan Penginderaan Jauh. 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. Menskala Pembelajaran Mendalam untuk Penemuan Material. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9