5 AI-doorbraken die vandaag de materiaalontdekking transformeren

Kunstmatige intelligentie (AI) blijft de wereld transformeren en de toekomst van de mensheid hervormen.

De technologie brengt veranderingen teweeg in bijna elke sector door taken uit te voeren die normaal menselijke intelligentie vereisen. AI‑systemen gebruiken enorme hoeveelheden data om patronen te herkennen en beslissingen te nemen. 

Op deze manier kan AI bepaalde niveaus van mensachtig redeneren en cognitieve processen simuleren.

Volgens het World Trade Report kunnen de productiviteitswinsten en kostenvoordelen van AI het wereldwijde BBP tegen 2040 met 12‑13 % doen stijgen.

Door hun digitale infrastructuurkloven met hoge‑inkomenslanden met 50 % te verkleinen en AI breder toe te passen, kunnen lage‑ en middeninkomenslanden hun inkomen met wel 15 % zien toenemen.

Naast het helpen van landen hun productiviteit, handel en economische positie te versterken, kan AI de samenleving ten goede komen door innovaties in verschillende industrieën aan te jagen. Een van de manieren waarop de technologie dat momenteel doet, is via materiaalontdekking. 

De belofte van AI in materiaalontdekking

De ontdekking van materialen is altijd de sleutel tot innovatie geweest. Vele eeuwen geleden leidde de mix van koper en tin tot het Bronstijdperk, toen sterkere gereedschappen en wapens de handel en maatschappijen transformeerden.

Daarna kwam het IJzertijdperk, toen de beheersing van ijzer de economieën hervormde. Snel vooruit naar de 19e eeuw, en staal werd wijdverspreid toegepast. Een legering van ijzer en koolstof, staal, vormde de ruggengraat van spoorwegen, wolkenkrabbers, schepen en machines, en voedde de Industriële Revolutie en wereldwijde expansie.

In de late 20e eeuw transformeerde het Siliciumtijdperk de wereld met de ontdekking en verfijning van halfgeleiders die de basis vormen van moderne elektronica. We bevinden ons nu in het tijdperk van geavanceerde materialen, waar grafeen, koolstofnanobuisjes en kwantummaterialen deuren openen naar schonere energie, lichtere vliegtuigen en snellere computers.

De komst van AI en machine learning (ML) draagt bij aan innovatie in materialen en, bij uitbreiding, in diverse industrieën door het proces van materiaalontdekking, -ontwerp en -optimalisatie aanzienlijk te versnellen.

Hiervoor gebruikt AI algoritmen en modellen om enorme databases met kandidaten te screenen voor specifieke toepassingsbehoeften. Hierbij zijn deep‑learning‑modellen zoals Graph Neural Networks (GNN’s) en Recurrent Neural Networks (RNN’s) cruciaal voor het analyseren van de complexe datasets die in de materiaalkunde worden gevonden.

Ze kunnen ook bestaande materialen met gewenste eigenschappen uit deze databases identificeren en zelfs de eigenschappen van materialen voorspellen op basis van hun samenstelling en structuur. 

Met de hulp van AI kan het vakgebied materiaalkunde buiten de traditionele trial‑and‑error‑methoden treden, die tijdrovend en duur zijn.

Bovendien kunnen AI‑modellen nieuwe materiaalstructuren genereren die zijn afgestemd op specifieke eisen. Wanneer AI wordt geïntegreerd met geautomatiseerde experimentele platformen, kan AI het lange proces van materiaalontdekking tot productie versnellen.

Ondanks deze voordelen blijven er uitdagingen over wat betreft het gebrek aan kwaliteit en uitgebreide data voor bepaalde materialen. Succesvolle synthese van nieuw gevonden en ontworpen materialen in het laboratorium is een andere grote uitdaging.

Zoals materiaalkundige Anthony Cheetham van UCSB opmerkte¹ in Nature na het bestuderen van de lijst met 2,2 miljoen hypothetische kristallen gevonden door GNoME, een AI‑tool van DeepMind, een dochteronderneming van Alphabet (GOOG ) (Google), “Het is één ding om een verbinding te ontdekken, en iets totaal anders om een nieuw functioneel materiaal te ontdekken.”

Hij wees bovendien op de onpraktische aard van veel AI‑voorspelde verbindingen en zei:

“We hebben nogal wat dingen gevonden die belachelijk waren.”

Dit toont de kloof tussen voorspelling en praktische realisatie. Wat deze kloof vereist, is de combinatie van AI met menselijke expertise en experimentele wetenschap.

Desondanks kan de belofte van AI om de materiaalkunde te revolutioneren niet worden afgewezen. Gezien het vermogen om sneller materialen te ontwikkelen voor energie, gezondheidszorg, automotive, lucht‑ en ruimtevaart en andere cruciale toepassingen, is die impact te groot om te negeren.

Dus laten we een kijkje nemen naar enkele van de meest opvallende voorbeelden van AI‑toepassing in materiaalwetenschap die het potentieel laten zien om de grenzen van materiaalontdekking en innovatie te verleggen. 

Veeg om te scrollen →

1. Perovskietzonnecellen: AI‑geoptimaliseerde materialen en verwerking

Een van de meest veelbelovende oplossingen om duurzame energie te bereiken is zonne‑energie, en de adoptie ervan neemt razendsnel toe. In 2024 installeerde de wereld een record van ~600 GW zonne‑energie, een stijging van 33 % ten opzichte van 2023. Tegen het einde van het decennium wordt verwacht dat dit ~1 TW per jaar zal bereiken.

Deze groeiende vraag naar zonne‑energie creëert de behoefte aan efficiëntere, veelzijdigere en kosteneffectieve materialen voor zonnecellen.

Perovskiet is zo’n materiaal dat een unieke kristallijne structuur biedt. Het natuurlijk voorkomende mineraal kan nu synthetisch worden gereproduceerd. Door organische en anorganische elementen te mengen, creëren wetenschappers synthetische perovskieten die opmerkelijke lichtabsorberende eigenschappen vertonen, waardoor ze zeer geschikt zijn voor zonne‑toepassingen.

Naast hoge efficiëntie bieden deze materialen de voordelen van flexibiliteit en afstelbare bandgap, maar schaalbaarheid en stabiliteitsproblemen blijven bestaan; daarom is er een zoektocht naar nieuwe samenstellingen.

Dus wendden onderzoekers zich tot AI om de prestaties van perovskietzonnecellen (PSC’s) te correleren met materiaaleigenschappen en energie‑omzettingsprocessen, meer dan een decennium geleden. Ze gebruikten vervolgens de technologie om de materiaalsamenstelling te optimaliseren, ontwerpstrategieën te ontwikkelen en prestaties te voorspellen.

In 2019 beoordeelden onderzoekers van de University of Central Florida meer dan 2.000 peer‑reviewed publicaties² over perovskiet om meer dan 200 datapunten te verzamelen, die aan het AI‑systeem werden gevoed om het beste recept voor perovskietzonnecellen (PSC) te vinden. Datzelfde jaar ontwikkelden wetenschappers aan MIT een model³ om de synthese en analyse van nieuwe verbindingen te versnellen met een factor tien en vonden twee nieuwe loodvrije perovskieten die verdere studie waard zijn.

In 2022 meldden onderzoekers van MIT en Stanford University dat ze AI inschakelden om de productie van geavanceerde zonnecellen op te schalen.⁴

Hiervoor werd een systeem gecreëerd, dat meerdere jaren in ontwikkeling was, om gegevens van eerdere experimenten te integreren evenals informatie gebaseerd op de persoonlijke observaties van ervaren technici. Deze integratie maakte de uitkomsten nauwkeuriger en leidde tot de productie van perovskietcellen met een energie‑omzettingsrendement van 18,5 %.

Dit verschilt van de meeste machine‑learning‑systemen, die voornamelijk ruwe data gebruiken en doorgaans geen menselijke ervaring incorporeren. Om externe informatie in hun model op te nemen, gebruikten ze een probabilistische factor gebaseerd op Bayesian Optimization, waardoor ze “trends konden vinden die we eerder niet zagen.”

De ontdekking van geavanceerde perovskietzonne‑technologie met behulp van AI gaat voort en wint snelheid om de PSC‑efficiëntie te verhogen. In één dergelijke studie⁵ werd de efficiëntie verhoogd tot 26,2 % terwijl “enorm veel tijd en middelen” werden bespaard.

⬆ Terug naar tabel

2. AI‑ontdekte elektrocatalysatoren voor waterstofproductie

Een veelbelovend alternatief voor niet‑hernieuwbare fossiele brandstoffen die verantwoordelijk zijn voor enorme hoeveelheden broeikasgas (GHG)‑emissies, is waterstof. Het meest overvloedige element in het universum, waterstof, is uitgegroeid tot een schone en hernieuwbare energiebron.

Echter, efficiënte productie van waterstof om te voldoen aan de vraag op commerciële schaal is een serieuze uitdaging. Hier biedt waterstofsplitsing via elektrolyse een veelbelovend pad, waarbij elektrocatalyse een cruciale rol speelt. Dit maakt de ontwikkeling van goedkope, actieve en stabiele elektrocatalysatoren een essentiële voorwaarde om gewenste waterstofproductie via elektrolyse te realiseren.

Elektrocatalysatoren versnellen waterstofproductie door de energie die nodig is voor waterstofsplitsing te verlagen door gebruik te maken van dure edelmetalen zoals platina of meer betaalbare alternatieven zoals nikkel, kobalt, grafeen, MXenes en anderen.

Naast de eigenschappen en kosten van het materiaal wordt een specifieke katalysator gekozen op basis van of de reactie zuur, alkalisch of bij hoge temperaturen plaatsvindt. 

Echter, het is zeer tijdrovend en duur om de traditionele trial‑and‑error methode te gebruiken om bestaande en nieuwe geschikte materialen te zoeken om de reacties te verbeteren, dus AI wordt gebruikt⁶ om de beperkingen van traditionele benaderingen te overwinnen, nieuwe kandidaten te ontdekken en bekende producten te verbeteren.

Een recente studie meldde⁷ dat een op entropie gebaseerde AI, getraind op een DoE‑dataset, 16,2 miljoen chemische samenstellingen doorzocht en Fe12Co28Ni33Mo17Pd5Pt5 identificeerde als de beste samenstelling voor waterstofsplitsing. De legering vertoont ultralage overpotentialen voor zowel de fundamentele elektrocatalytische reacties, HER en OER, terwijl hij robuuste stabiliteit heeft.

Tegelijkertijd leverde het Google‑AI‑lab DeepMind 380.000 nieuwe verbindingen aan het Materials Project, een platform dat veel katalysatorzoektochten en autonome experimenten ondersteunt. 

De open‑access‑database, opgericht bij het Berkeley Lab van het Department of Energy, is door onderzoekers gebruikt om experimenteel nuttige eigenschappen te bevestigen in nieuwe materialen die potentieel hebben voor koolstofafvang en als fotokatalysatoren, thermoelectriciën en transparante geleiders.

De database bevat hoe de atomen van een materiaal geordend zijn en hoe stabiel het is. GNoME werd getraind met de data en workflows die door het Project waren ontwikkeld en vervolgens verbeterd via actief leren.

Met behulp van de berekeningen van Google DeepMind’s GNoME en data van het Materials Project testten de onderzoekers A‑Lab, een faciliteit bij Berkeley Lab waar AI robots begeleidt bij het maken van nieuwe materialen. A‑Lab produceerde met succes 41 nieuwe verbindingen⁸.

⬆ Terug naar tabel

3. Superharde materialen: ML‑geleide ontdekking voorbij diamant

Industrieën zoals defensie, lucht‑ en ruimtevaart en energieproductie vragen om superharde materialen, die praktisch oncompressibele vaste stoffen zijn. De hardheidswaarde van deze materialen overschrijdt 40 gigapascal (GPa) op de Vickers‑schaal, en ze hebben een hoge covalente binding en hoge elektrondichtheid.

Diamant is het hardste bekende materiaal tot nu toe, met een hardheidswaarde tussen 70‑150 GPa. Dit betekent dat er meer dan 70‑150 GPa druk nodig is om een indrukking op het oppervlak van diamant te maken. Daardoor wordt het gebruikt in snijgereedschappen, schuurmiddelen, slijtvaste coatings en voor het creëren van hogedrukexperimenten.

Deze kostbare stenen, een vaste vorm van het element koolstof met atomen gerangschikt in een diamanten kubisch kristalrooster, worden ook door wetenschappers gebruikt om nieuwe geschikte materialen te vinden. Maar AI heeft dat veranderd.

In de loop der jaren hebben verschillende onderzoekers gevonden⁹ nieuwe superharde fasen, waarbij één rapport¹⁰ BC10N, B4C5N3 en B2C3N toonde dynamisch stabiele fasen met hardheidswaarden >40 GPa.

In 2020 gebruikten onderzoekers van de University of Houston en Manhattan College een ML‑model¹¹ om nauwkeurig de hardheid van nieuwe materialen te voorspellen, waardoor ze sneller geschikte verbindingen konden vinden.

De hoeveelheid hoge druk die nodig is om een markering op een materiaaloppervlak te maken, maakt ze zeldzaam, en “het identificeren van nieuwe materialen is uitdagend.” En dat is precies waarom, “materialen zoals synthetische diamant worden nog steeds gebruikt ondanks dat ze moeilijk en duur te maken zijn,” zei mede‑auteur Jakoah Brgoch, universitair hoofddocent scheikunde aan de University of Houston.

Een complicerende factor hier is de belastingafhankelijkheid, wat betekent dat de hardheid van een materiaal kan variëren afhankelijk van de uitgeoefende druk. Dit maakt experimenteel testen van een materiaal complex. Zelfs computationele modellering is bijna onmogelijk, dus de onderzoekers creëerden een model dat de uitdaging overwint door de belastingafhankelijke Vickers‑hardheid te voorspellen uitsluitend op basis van de chemische samenstelling van het materiaal.

Het algoritme was gebaseerd op een database die 560 verschillende verbindingen omvatte en waarvoor honderden academische publicaties moesten worden doorzocht. “Alle goede machine‑learning‑projecten beginnen met een goede dataset,” zei Brgoch. “Het echte succes hangt grotendeels af van de ontwikkeling van die dataset.”

Als gevolg hiervan vonden ze meer dan 10 nieuwe stabiele boorkoolstoffasen, en met een nauwkeurigheid van 97 % voor het model voelen ze zich hoopvol over succes in het laboratorium.

AI kent echter zijn beperkingen, zoals Brgoch opmerkte: “Het idee van machine learning is niet om te zeggen: ‘Hier is het volgende grootste materiaal,’ maar om ons experimentele zoekproces te begeleiden.” Wat de technologie doet, is “je vertellen waar je moet zoeken.”

⬆ Terug naar tabel

4. Polymeer‑dielectrische materialen: AI‑versnelde energie‑opslagmaterialen

Een essentieel onderdeel van moderne energieopslag zijn dielectrische materialen, die niet‑geleidend zijn, zoals lucht, glas en plastic. 

De keuze van dielectrisch materiaal bepaalt de energiedichtheid van condensatoren, en polymeer‑dielectrische materialen worden breed toegepast voor energieopslag omdat ze laag geprijsd, mechanisch flexibel, betrouwbaar, snel ontlaadbaar en gemakkelijk te verwerken zijn. Maar opnieuw, hun lage energiedichtheid is een probleem.

Daarom zoeken onderzoekers voortdurend naar verbeteringen door nieuwe polymeer‑dielectrische materialen te ontwikkelen om hun energie‑opslagcapaciteit te verhogen voor toepassingen in energiesystemen, elektronica en elektrische voertuigen (EV’s).

AI heeft enorme vooruitgang geboekt in polymeer‑materialen. Bijvoorbeeld, enkele maanden geleden werkten onderzoekers van MIT en Duke University samen om meer duurzame polymeren¹² te creëren door stress‑responsieve crosslinkermoleculen toe te voegen, die door AI werden geïdentificeerd. MIT‑onderzoekers hebben ook een systeem gebouwd¹³ dat tot 700 nieuwe polymeer‑blends per dag vindt, mengt en test voor toepassingen zoals batterij‑elektrolyten, eiwitstabilisatie of geneesmiddel‑afgifte‑materialen.

Het ontwerpen van nieuwe polymeer‑blends brengt het probleem met zich mee dat er praktisch oneindig veel mogelijke polymeren zijn om mee te beginnen, en zodra er een paar zijn geselecteerd om te mengen, moet de samenstelling van elk polymeer worden gekozen, evenals de concentratie van polymeren in de blend.

“Een dergelijk grote ontwerpruimte vereist algoritmische oplossingen en high‑throughput‑workflows omdat je simpelweg niet alle combinaties met brute force kunt testen.”

– Senior‑auteur van het artikel, Connor Coley

Hun AI‑systeem leverde optimale blends op, waarbij de beste 18 % beter presteerde dan de individuele componenten.

Gezien de efficiëntie waarmee AI nieuwe polymeeropties en blends levert, is het logisch om de technologie toe te passen¹⁴ om betere polymeer‑dielectrische materialen¹⁵ te identificeren.

Een onderzoeksteam deed precies dat en ontdekte¹⁶ dielectrische materialen met 11‑maal de energiedichtheid van commerciële alternatieven bij verhoogde temperaturen.

Het innovatieve algoritme is ontwikkeld om de eigenschappen en formuleringen van polymeren te voorspellen voordat ze daadwerkelijk worden gesynthetiseerd. Hiervoor definieerden ze eerst specifieke eisen en trainden de ML‑modellen op bestaande materiaal‑eigenschap data om de gewenste uitkomsten te voorspellen.

Naast AI maakten de onderzoekers gebruik van gevestigde polymeerchemie en moleculaire engineering om een reeks dielectrische materialen te ontdekken in de families van polynorbornene en polyimide, waarbij veel van de ontdekte dielectrische materialen een hoge energiedichtheid en hoge thermische stabiliteit over een breed temperatuurbereik vertoonden. 

Maar één in het bijzonder vertoonde een energiedichtheid van 8,3 J cc⁻¹ bij 200 °C, wat veel hoger is dan de commercieel beschikbare polymeer‑dielectricum.

“In de beginjaren van AI in de materiaalkunde, aangedreven door het Materials Genome Initiative van het Witte Huis meer dan een decennium geleden, was onderzoek op dit gebied grotendeels nieuwsgierigheid‑gedreven. Pas in recente jaren beginnen we tastbare, real‑world succesverhalen te zien in AI‑versnelde polymeer‑ontdekking,” zei mede‑auteur Rampi Ramprasad, professor aan het Georgia Institute of Technology. “Deze successen inspireren nu aanzienlijke transformaties in het industriële R&D‑landschap voor materialen.”

⬆ Terug naar tabel

5. Vaste‑stroom elektrolyten: AI voor veiligere, hogere‑dichtheid batterijen

Gedreven door de wijdverspreide adoptie van draagbare apparaten en EV’s en de toenemende vraag naar opslagoplossingen voor hernieuwbare energie, groeit de wereldwijde batterijenmarkt sneller¹⁷. Gezien de belangrijke rol die batterijen spelen in de moderne wereld, proberen wetenschappers voortdurend meer energie‑efficiënte en veiligere batterij‑technologieën te ontwikkelen.

Hoewel lithium‑ionbatterijen het meest gangbaar zijn, hebben ze een beperkte levensduur en veiligheidsrisico’s, die door vaste‑stroombatterijen (SSB’s) worden aangepakt.

Deze batterijen vervangen vloeibare elektrolyten door vaste‑stroom elektrolyten om het risico op ontbranding bij hoge temperaturen te elimineren, terwijl ze een hogere energiedichtheid en verbeterde duurzaamheid mogelijk maken, waardoor veiligere en krachtigere batterijen ontstaan.

Maar deze batterijen met vaste elektrolyten hebben hun eigen uitdagingen, zoals lage ionische geleidbaarheid, compatibiliteit van elektrode‑interfaces, mechanische en chemische stabiliteit, en kosteneffectieve productie. Daarom onderzoeken onderzoekers materialen die deze problemen via AI kunnen overwinnen.

In tegenstelling tot de andere velden die we vandaag bespraken, is de batterijsector een van de heetste gebieden waar de toepassing van AI¹⁸ explosief is gegroeid dankzij de betrokkenheid van toonaangevende autofabrikanten en startups die veel geld in R&D voor vaste‑stroombatterijen steken. Naast het veiligheidsrisico heeft de sector ook grote databases opgebouwd, die rijk genoeg zijn om ML‑modellen te trainen.

Zelfs overheden hebben SSB’s als strategische prioriteit aangewezen om binnenlandse toeleveringsketens veilig te stellen en nationale energie‑ en klimaatdoelen te bereiken.

Er zijn dus verschillende gevallen waarin AI onderzoekers en bedrijven heeft geholpen¹⁹ nieuwe vaste elektrolyten te ontdekken.

Vorig jaar gebruikten Microsoft (MSFT ) ‑onderzoekers AI in combinatie met supercomputers om 32 miljoen potentiële anorganische materialen te doorzoeken en vonden 18 veelbelovende kandidaten²⁰ in een kwestie van enkele dagen. Het nieuwe materiaal, N2116, is een vaste‑stroom elektrolyt die het lithiumgebruik in batterijen met 70 % kan verminderen en is getest om een lampje te laten branden.

DeepMind’s AI‑tool GNoME heeft ondertussen 528 veelbelovende lithium‑ion geleiders geïdentificeerd²¹, waarvan sommige kunnen bijdragen aan efficiëntere batterijen. 

Daarna is er LBS²² (Li8B10S19) van Stanford‑onderzoekers, die het “meest stabiele, zwavel‑gebaseerde lithium‑ion elektrolyt dat we ooit experimenteel hebben gezien” noemden. De onderzoekers identificeerden eerst vaste elektrolyten²³ die ooit vloeibare, brandbare elektrolyten in Li‑ionbatterijen zouden kunnen vervangen via AI, ongeveer een decennium geleden.

⬆ Terug naar tabel

Conclusie

Deze voorbeelden laten zien dat AI de snelheid kan verhogen waarmee we nieuwe materialen ontdekken. De uitdaging nu is om computervoorstellingen om te zetten in real‑world resultaten, wat betekent dat AI moet worden gekoppeld aan ervaren onderzoekers en betrouwbare data.

Veeg om te scrollen →

Wat we zien, zijn de eerste dagen. Deze ontdekkingen brengen ons dichter bij schonere energie, veiligere technologie, robuustere materialen en industrieën die de planeet niet uitputten. AI verandert de manier waarop we materiaalkunde doen, en dat is van belang voor wat er daarna komt.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.

Referenties

1. Peplow, M. (2025). AI is dreaming up millions of new materials. Are they any good? Nature, 646, 22–25. Gepubliceerd 1 oktober 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (16 december 2019). Artificial intelligence may help scientists make spray‑on solar cells. ScienceDaily. Gepubliceerd 16  december 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). High‑efficiency perovskite solar cells via single‑source vapor deposition. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Machine learning with knowledge constraints for process optimization of open‑air perovskite solar cell manufacturing. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
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. (2024). Inverse design workflow discovers hole‑transport materials tailored for perovskite solar cells. Science, 386(6727), 1256‑1264. Gepubliceerd 13 december 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Unlocking the potential: machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation. Chemical Society Reviews, 53, 11390–11461. Gepubliceerd 9 oktober 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). AI‑driven design of multiprincipal element alloys for optimal water splitting. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Gepubliceerd 15 juli 2025. https://doi.org/10.1073/pnas.2504226122
8. 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). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624, 86–91. Gepubliceerd 29 november 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Predicting superhard materials via a machine learning informed evolutionary structure search. npj Computational Materials, 5, 89. Gepubliceerd 3 september 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Machine learning and evolutionary prediction of superhard B‑C‑N compounds. npj Computational Materials, 7, 114. Gepubliceerd 21 juli 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Finding the Next Superhard Material through Ensemble Learning. Advanced Materials, 33(5), e2005112. Gepubliceerd 4 december 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (5 augustus 2025). AI helps chemists develop tougher plastics. MIT News. Geraadpleegd 5 augustus 2025, van https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805?utm_source=chatgpt.com
13. MIT News. (28 juli 2025). New system dramatically speeds the search for polymer materials. MIT News. Geraadpleegd 5 augustus 2025, van https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728?utm_source=chatgpt.com
14. Tan, D. Q. (2020). The search for enhanced dielectric strength of polymer‑based dielectrics: A focused review on polymer nanocomposites. Journal of Applied Polymer Science, 137, e49379. Gepubliceerd 5 april 2020. https://doi.org/10.1002/app.49379
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). High Dielectric Design of Polymer Composites by Using Artificial Neural Network. Applied Sciences, 12, 12592. Gepubliceerd 25 december 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). AI‑assisted discovery of high‑temperature dielectrics for energy storage. Nature Communications, 15(1), 6107. Gepubliceerd 19 juli 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). The battery industry has entered a new phase. IEA Commentary. Gepubliceerd 5 maart 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase?utm_source=chatgpt.com
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Speeding up the development of solid state electrolyte by machine learning. Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). Artificial Intelligence Empowers Solid‑State Batteries for Material Screening and Performance Evaluation. Nano‑Micro Letters, 17, 287. Gepubliceerd 6 juni 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMind’s Gnome is pushing AI into materials science. Time Magazine. Gepubliceerd 6 juni 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). How AI and HPC are speeding up scientific discovery. Microsoft Source – Innovation Features. Gepubliceerd 29 oktober 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22. Ma, Y., Wan, J., Xu, X., … (2023). Experimental discovery of a fast and stable lithium thioborate solid electrolyte, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). No burning batteries: Stanford scientists turn to AI to create safer lithium‑ion batteries. Stanford News. Gepubliceerd 12 december 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries