Binnen AI-aangedreven laboratoria: Een nieuw tijdperk van materiaaldetectie

Net als een groeiend aantal industrieën, wordt materiaalkunde ook ondersteund door kunstmatige intelligentie (AI).

Hier analyseren machine learning (ML)-algoritmen enorme datasets en identificeren patronen om veelbelovende materiaalcandidaten in minimale tijd voor te stellen, terwijl ze aanzienlijk minder middelen verbruiken dan trial-and-error methoden.

Het traditionele handmatige, mens-intensieve werk dat werd uitgebreid door de opkomst van computersystemen, die complexe berekeningen mogelijk maken, wordt nu volledig gerevolutioneerd door geautomatiseerde, parallelle en iteratieve processen aangedreven door AI, simulatie en experimentele automatisering.

De volwassenwording van AI-technologie, gecombineerd met high‑performance computing en hybride cloudtechnologieën, is het helpen van materiaalkunde om een nieuw paradigma binnen te treden gemarkeerd door de versnelde ontdekking van nieuwe materialen, voorspellende modellering van materiaaleigenschappen en autonome experimentatie. 

Deze paradigmaverschuiving stelt onderzoekers in staat om over te schakelen van trial‑and‑error benaderingen naar ontwerp, waardoor ontwikkelingscycli aanzienlijk worden verkort en de weg wordt vrijgemaakt voor geavanceerde materialen in energie, elektronica, gezondheidszorg en duurzame toepassingen.

Onlangs hebben onderzoekers van North Carolina State University een grote stap verder gezet door een zelfrijdend laboratorium te creëren om een nieuwe sprong in laboratoriumautomatisering te realiseren en de ontdekking van materialen door wetenschappers verder te versnellen.

Het geautomatiseerde laboratorium verzamelt tien keer meer gegevens dan traditionele, handmatige methoden. Met deze stap kunnen onderzoekers realtime, dynamische chemische experimenten uitvoeren, tijd en middelen besparen terwijl snellere doorbraken mogelijk worden gemaakt.

Nieuwe laboratoriumontdekkingen zullen niet langer jaren duren; in plaats daarvan kijken we naar een toekomst waarin uitvindingen in dagen plaatsvinden.

Een AI-aangedreven laboratorium: realtime leren voor realtime ontdekking

Om de wereldwijde uitdagingen op het gebied van schone energie, menselijk welzijn en duurzaamheid te overwinnen, is het cruciaal om snelle ontdekkingen van geavanceerde functionele materialen te doen. Het ontdekken en synthetiseren van nieuwe materialen is ook essentieel voor innovatieve technologieën zoals batterijen, computerchips, zonnepanelen en nog veel meer.

Als gevolg hiervan is er veel vooruitgang geboekt op het gebied van materialenversnellingsplatformen en zelfrijdende laboratoria.

Ondanks de vooruitgang wordt de capaciteit van deze platformen en laboratoria om complexe parameterruimtes te verkennen belemmerd door een lage gegevensdoorvoer. Trage gegevensoverdracht en -verwerking leiden tot verminderde productiviteit.

Daarom hebben onderzoekers van NC State University “dynamische stromingsexperimenten geïntroduceerd als een data‑intensificatiestrategie voor anorganische materiaalsyntheses binnen zelfrijdende fluïdische laboratoria door de continue mapping van transiënte reactietoestanden naar steady‑state equivalenten.”

Gepubliceerd in Nature Chemical Engineering¹, beschrijft de studie een geavanceerd zelfrijdend laboratorium dat realtime experimenten gebruikt om voortdurend gegevens te verzamelen, waardoor het ontdekken van materialen sneller en efficiënter wordt, terwijl kosten en milieu‑impact worden verminderd.

Voor hun werk ontving de studie steun van de National Science Foundation en het University of North Carolina Research Opportunities Initiative‑programma.

Wat betekenen zelfrijdende laboratoria (SDL’s) eigenlijk? Wel, dit zijn robotplatformen die ML en automatisering combineren met chemie‑ en materiaalkunde om sneller materialen te vinden. In deze door ML ondersteunde modulaire experimentele platformen wordt een reeks experimenten, die door het ML‑algoritme worden geselecteerd, iteratief uitgevoerd om het geprogrammeerde doel te bereiken.

Stel je voor dat wetenschappers baanbrekende materialen voor schone energie, nieuwe elektronica of duurzame chemicaliën in dagen in plaats van jaren zouden kunnen ontdekken, met slechts een fractie van de materialen en veel minder afval dan de status‑quo.

– Medeauteur van het artikel, Milad Abolhasani, ALCOA‑professor Chemische en Biomoleculaire Technologie aan de North Carolina State University

Hij voegde toe:

“Dit werk brengt die toekomst een stap dichterbij.”

Als een transformerende benadering om wetenschappelijke ontdekking te versnellen, winnen zelfrijdende laboratoria aan populariteit in de chemie‑ en materiaalkundige velden.

Zelfrijdende laboratoria die continue stromingsreactoren gebruiken, vertrouwen vaak op steady‑state stromingsexperimenten, waarbij verschillende precursoren worden gecombineerd voordat chemische reacties plaatsvinden, en het mengsel continu door een microkanaal stroomt.

Het product dat eruit komt, wordt vervolgens gekarakteriseerd door een reeks sensoren zodra de reactie voltooid is.

“Deze gevestigde aanpak van zelfrijdende laboratoria heeft een dramatische impact gehad op materiaaldetectie,” merkte Abolhasani op, terwijl hij deelde dat dit wetenschappers in staat heeft gesteld om “veelbelovende materiaalcandidaten voor specifieke toepassingen te identificeren in enkele maanden of weken, in plaats van jaren, terwijl zowel de kosten als de milieu‑impact van het werk worden verminderd.” Maar het was geenszins perfect, er zijn nog steeds verbeterpunten.

In het bijzonder, de stilstand van het systeem wanneer de chemische reactie plaatsvindt voordat het resulterende materiaal kan worden gekarakteriseerd. De wachttijd voor zelfrijdende laboratoria kan tot een uur bedragen voor elk steady‑state stromingsexperiment.

“We hebben nu een zelfrijdend laboratorium gecreëerd dat gebruik maakt van dynamische stromingsexperimenten, waarbij chemische mengsels continu door het systeem worden gevarieerd en in realtime worden gemonitord.”

– Abolhasani

Wat dit betekent is dat ze het proces elimineren waarbij afzonderlijke monsters door het systeem worden geleid en elk afzonderlijk worden getest nadat ze een staat hebben bereikt.

In plaats daarvan hebben ze een systeem gebouwd dat simpelweg niet stopt met draaien. De monsters bewegen continu door het systeem. Dit komt doordat “het systeem nooit stopt met het karakteriseren van het monster,” en de onderzoeker kan “gegevens vastleggen over wat er elke halve seconde in het monster gebeurt.”

De integratie van dynamische stromingsexperimenten binnen zelfrijdende fluïdische laboratoria markeert een afwijking van traditionele batch‑experimenten.

In tegenstelling tot conventionele benaderingen, waarbij geïsoleerde datapunten worden verzameld onder steady‑state omstandigheden, worden in dynamische stromingsexperimenten microfluïdische principes gebruikt voor snelle mapping van reactietoestanden.

Door een constante stroom aan gegevens te creëren, wordt de toegankelijke experimentele data drastisch uitgebreid.

Abolhasani illustreerde dat het team nu 20 datapunten krijgt over wat het experiment oplevert, beginnend met één na 0,5 seconde reactietijd, vervolgens één na 1 seconde, enzovoort, in tegenstelling tot het ene datapunt dat ze zouden krijgen na 10 seconden reactietijd. Hij voegde toe:

“Het is alsof je overschakelt van een enkele foto naar een volledige film van de reactie terwijl deze plaatsvindt. In plaats van te wachten tot elk experiment is voltooid, draait ons systeem altijd, altijd lerend.”

Het hebben van zoveel meer data kan een enorme impact hebben op de prestaties van een AI‑aangedreven laboratorium. Data is tenslotte de sleutel voor een algoritme. AI heeft veel data nodig, en op basis van de data die het krijgt, maakt het algoritme voorspellingen.

Volgens Abolhasani:

“Het belangrijkste onderdeel van elk zelfrijdend laboratorium is het machine‑learning algoritme dat het systeem gebruikt om te voorspellen welk experiment het vervolgens moet uitvoeren.”

Daarom stelt de streaming‑data‑benadering de ML‑brain van het zelfrijdende laboratorium in staat om niet alleen snellere, maar ook slimmere beslissingen te nemen, “zich te richten op optimale materialen en processen in een fractie van de tijd.”

De kwaliteit van data bepaalt ook de nauwkeurigheid van de voorspellingen. Dus, door meer hoogwaardige experimentele data te hebben, kan het algoritme nauwkeurigere voorspellingen doen, en vervolgens een probleem sneller oplossen.

“Dit heeft het bijkomende voordeel dat de hoeveelheid benodigde chemicaliën om tot een oplossing te komen, wordt verminderd.”

– Abolhasani

Om de mogelijkheden van hun systeem te demonstreren, paste het team dynamische stromingsexperimenten toe op CdSe colloïdale quantumdots. Dit werd gebruikt als testomgeving vanwege de status als een goed gevestigd anorganisch systeem met niet alleen rijke parameterafhankelijkheden maar ook aanzienlijke technologische potentie.

In dit geval ontdekte het team dat hun laboratorium, dat een dynamisch stromingssysteem omvatte, een “verbetering van een orde van grootte in de efficiëntie van gegevensverwerving” behaalde.

Het leverde minstens 10‑maal meer data op dan andere zelfrijdende laboratoria die steady‑state stromingsexperimenten gebruikten. Bovendien kon het zelfrijdende laboratorium, eenmaal getraind, de beste kandidaten bij de eerste poging ontdekken.

Deze doorbraak, volgens Abolhasani, “gaat niet alleen over snelheid,” maar over het bereiken van duurzaamheid. Door het vereiste aantal experimenten te verminderen, reduceert het systeem aanzienlijk zowel het chemisch verbruik als afval, en bevordert het duurzamere onderzoeksmethoden. Abolhasani zei:

“De toekomst van materiaaldetectie gaat niet alleen over hoe snel we kunnen gaan, maar ook over hoe verantwoordelijk we daar komen. Onze aanpak betekent minder chemicaliën, minder afval en snellere oplossingen voor de moeilijkste uitdagingen van de samenleving.”

De groeiende rol van AI in materiaalkunde: spannende recente ontdekkingen

AI transformeert wereldwijd industrieën, en dat omvat materiaalkunde, die fundamenteel is voor vele technologische innovaties en maatschappelijke uitdagingen.

Als gevolg hiervan wordt AI al vele jaren gebruikt bij de ontdekking en ontwikkeling van nieuwe materialen, maar het heeft de laatste jaren zeker aan populariteit gewonnen naarmate de technologie geavanceerder en capabeler wordt.

“Met voortdurende ontwikkeling verwachten we dat robotica en automatisering de snelheid, precisie en reproduceerbaarheid van experimenten over diverse instrumenten en disciplines zullen verbeteren, waardoor de data worden gegenereerd die kunstmatige‑intelligentiesystemen kunnen analyseren om verdere experimenten te sturen.

– Dr. James Cahoon, een co‑auteur van het artikel ‘Transforming Science Labs into Automated Factories of Discovery’.

Laten we met dat een kijkje nemen naar enkele belangrijke vorderingen in materiaalkunde dit jaar over verschillende toepassingen.

Voor starters, zoals we onlangs deelden, hebben wetenschappers met behulp van AI complexe, 3D thermische meta‑emitters kunnen ontwerpen die binnentemperaturen kunnen verlagen en energiekosten kunnen besparen. Het materiaal dat met een nieuw ontworpen ML‑techniek is gecreëerd, kan toepassingen vinden in residentiële en commerciële gebouwen, ruimtevaartuigen, stoffen en textiel, auto’s en meer.

“Door het proces te automatiseren en de ontwerpruimte uit te breiden, kunnen we materialen met superieure prestaties creëren die voorheen onvoorstelbaar waren.

– De co‑lead van de studie, Yuebing Zheng

Ontwikkeling van nieuwe metalen materialen met superieure sterkte

Een paar maanden geleden meldden wetenschappers dat ze AI gebruikten om een nieuwe MPEA of meerdere hoofd‑elementlegeringen te ontwerpen, die worden aangetroffen in vliegtuigonderdelen, katalysatoren en knie‑vervangingen.

De nieuw ontworpen MPEA heeft superieure mechanische eigenschappen, wat Sanket Deshmukh, universitair hoofddocent chemische technologie aan Virginia Tech, zei: “toont aan hoe raamwerken en uitlegbare AI nieuwe mogelijkheden in materiaalkunde kunnen ontsluiten.”

Om de analyse van het AI‑model te interpreteren, gebruikten Deshmukh en zijn team SHAP (SHapley Additive exPlanations) analyse, die hen in staat stelde te begrijpen hoe verschillende elementen en hun lokale omgevingen de eigenschappen van MPEA’s beïnvloeden, waardoor meer inzicht en nauwkeurigere voorspellingen worden verkregen.

Naast het versnellen van de ontdekking van geavanceerde metalen legeringen, gelooft Deshmukh dat het integreren van ML met evolutionaire algoritmen en experimentele validatie ons ook kan helpen tools te creëren die “kunnen worden uitgebreid naar complexe materiaalsystemen zoals glycomaterialen – polymeer materialen die koolhydraten bevatten.”

Het ontrafelen van de geheimen van dendritische groei in dunne films

Het onderzoek van de Tokyo University of Science (TUS) heeft een uitlegbaar AI‑model ontwikkeld dat de groei van dendrieten (boomachtige vertakkingspatroon) in dunne films voorspelt, wat een grote hindernis is bij grootschalige fabricage en hun commercialisering beperkt.

Door de specifieke omstandigheden en mechanismen achter dendrietvertakkingen te onthullen, helpt het AI‑model het groeiproces van dunne films te verbeteren. Dunne filmtoepassingen zijn cruciaal in technologieën zoals halfgeleiders.

Het nieuwe AI‑model integreerde de machine‑learning methode genaamd principal component analysis (PCA) en de topologische techniek persistent homology met vrije‑energie‑analyse.

“Door topologie en vrije energie te integreren, biedt onze methode een veelzijdige benadering van materiaalanalyse. Door deze integratie kunnen we een hiërarchische verbinding tot stand brengen tussen microstructuren op atomair niveau en macroniveau functionaliteiten over een breed scala aan materialen, wat de weg vrijmaakt voor toekomstige vooruitgang in de materiaalkunde.”

– Professor Masato Kotsugi van de afdeling Materiaalwetenschap en Technologie aan de TUS

Een beter begrip van nanodeeltjes verkrijgen

Een team van wetenschappers van meerdere universiteiten kwam samen om een methode te ontwikkelen om het dynamische gedrag van nanodeeltjes beter te begrijpen, die de bouwstenen zijn van elektronica, farmaceutica en industriële materialen.

Het combineerde elektronenmicroscopie met AI om de structuren en bewegingen van moleculen met een ongekende tijdsresolutie te visualiseren.

Zoals professor Peter A. Crozier van de Arizona State University uitlegt:

“Elektronenmicroscopie kan beelden vastleggen met een hoge ruimtelijke resolutie, maar vanwege de snelheid waarmee de atomaire structuur van nanodeeltjes verandert tijdens chemische reacties, moeten we data met een zeer hoge snelheid verzamelen om hun functionaliteit te begrijpen.”

Om dit ruis te verminderen, ontwikkelden ze een AI‑methode die deze automatisch verwijdert, “waardoor de visualisatie van cruciale atomische dynamiek mogelijk wordt.”

Tegelijkertijd tilt een onderzoeksgroep van de Technische Universiteit Graz de constructie van nanostructuren naar een nieuw niveau met behulp van AI.

Hiervoor ontwikkelen ze een zelflerend AI‑systeem dat autonoom individuele moleculen snel en in de juiste oriëntatie positioneert met behulp van scanning tunnelling microscopen, een anders moeilijk en tijdrovend proces, om de bouw van “hoogcomplexe moleculaire structuren, inclusief logische schakelingen in nanometerbereik” mogelijk te maken.

Het doel is uiteindelijk quantum‑corrals te bouwen, nanostructuren in de vorm van een poort die elektronen kunnen vangen, en deze te gebruiken om logische schakelingen te bouwen om te bestuderen hoe ze op moleculair niveau functioneren.

Betere fotovoltaïsche materialen ontdekken

Een duurzame alternatieve voor conventionele silicium‑gebaseerde zonnecellen, perovskiet‑zonnecellen, tonen groot potentieel als volgende‑generatie fotovoltaïsche technologie om zonlicht om te zetten in elektriciteit.

Hun effectiviteit kan verder worden verhoogd door moleculen die positieve ladingen geleiden, maar er bestaan miljoenen verschillende moleculen, wat betekent dat ze moeten worden gesynthetiseerd en getest.

Door AI te combineren met geautomatiseerde high‑throughput synthese, kon een team van onderzoekers van het Karlsruhe Institute of Technology (KIT) in slechts enkele weken nieuwe organische moleculen ontdekken, met slechts 150 gerichte experimenten.

De nieuw ontdekte materialen verhoogden de efficiëntie van een referentie‑zonnecel met ongeveer twee procentpunten.

Hiervoor maakten de wetenschappers gebruik van een database met één miljoen virtuele moleculen en selecteerden willekeurig 13.000 daarvan voordat ze 101 ervan kozen. De gekozen moleculen hadden de grootste verschillen in hun eigenschappen, en werden gesynthetiseerd met robotische systemen voordat ze werden gebruikt om zonnecellen te produceren.

De basis leggen voor AI‑gedreven materiaaldetectie

Hoewel al deze ontdekkingen worden gedaan, heeft AI om dit daadwerkelijk te laten gebeuren data nodig. Dit omvat gegevens over materialen evenals gegevens uit grootschalige simulaties.

Hoewel veel van dergelijke databases beschikbaar zijn, zijn ze redelijk geïsoleerd, waardoor een standaard nodig is “zodat gebruikers met al deze gegevensbibliotheken kunnen communiceren en de informatie die ze ontvangen kunnen begrijpen,” merkte Gian‑Marco Rignanese, professor aan het Institute of Condensed Matter and Nanosciences van de UCLouvain in België, op.

Vorig zomer bracht een grote internationale samenwerking een uitgebreide versie van de OPTIMADE‑standaard uit om AI‑gedreven materiaaldetectie te vergemakkelijken.

De OPTIMADE (Open databases integration for materials design)‑standaard wordt ondersteund door een groot internationaal netwerk van instellingen en materiaaldatabases. Met het doel gebruikers gemakkelijker toegang te geven tot zowel toonaangevende als minder bekende materiaaldatabases, werd een nieuwe versie geïntroduceerd die de voortgezette AI‑gedreven materiaaldetectie verder kan versnellen.

Investeren in AI voor materiaaldetectie

Bij het overwegen van investeringen in deze sector, Alphabet Inc (GOOG ). (GOOGL ) eigenaar van Google is een die een AI‑tool genaamd Gnome heeft uitgebracht. Het heeft gemeld dat het 2,2 miljoen nieuwe kristallen heeft gevonden met behulp ervan. Vervolgens is er Microsoft (MSFT ), die MatterGen en MatterSim heeft geïntroduceerd om nieuwe kandidaatmaterialen te creëren en te valideren.

NVIDIA Corporation (NVDA )

Dat is niemand minder dan AI‑favoriet Nvidia. Eind vorig jaar introduceerde NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).

Het platform heeft als doel R&D in chemie en materiaalkunde te versnellen door de kracht van AI, en om dit te bereiken omvat het API’s en versnelde inferentie‑microservices. Dit zal de creatie en inzet van generatieve AI‑modellen mogelijk maken om het enorme materiaaluniversum te verkennen en nieuwe kandidaten voor te stellen, en de ontwikkeling en het gebruik van surrogate‑modellen om een balans te vinden tussen de rekenkosten en nauwkeurigheid. Het zal ook toegankelijke informatica‑tools en voorgetrainde foundation‑modellen bieden voor snelle screening en simulatie‑tools om AI‑modellen te trainen en fijn af te stemmen voor nieuwe use‑cases.

Via ALCHEMI wil NVIDIA de ontdekkings‑workflow versnellen en “een nieuw tijdperk van baanbrekende ontdekkingen inluiden die een duurzamere, gezondere toekomst mogelijk maken.”

Nvidia is een bedrijf met een marktkapitalisatie van $4,22 biljoen, waarvan de aandelen rond $173,5 handelen, een stijging van 28,8 % YTD. De EPS (TTM) is 3,10, de P/E (TTM) is 55,73, en het dividendrendement bedraagt 0,02 %.

Laatste NVIDIA Corporation (NVDA) aandelennieuws en ontwikkelingen

Conclusie

Nu AI, automatisering en high‑performance computing samenkomen, betreedt de materiaalkunde haar meest transformerende tijdperk, wat een broodnodige verschuiving markeert van mens‑geleide trial‑and‑error naar autonome ontdekking.

Tegelijkertijd veranderen AI‑aangedreven laboratoria en zelfrijdende experimentele platformen volledig de manier waarop wetenschappers niet alleen materialen ontdekken, maar ook testen en optimaliseren. Bovendien, met initiatieven zoals NVIDIA’s ALCHEMI, Google’s Gnome en Microsoft’s MatterGen, zet de grote technologie ook in op AI om de volgende golf van innovatie aan te jagen!

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

Referenties:

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, online gepubliceerd 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