AI Versnelt de Zoektocht naar Volgende Generatie Duurzame Koelmaterialen

In de wereld van materialen is thermische nanofotonica cruciaal voor het mogelijk maken van fundamentele doorbraken in technologische toepassingen.

Thermische nanofotonica combineert nanofotonica en thermische wetenschap om warmteoverdracht op nanoschaal te manipuleren en te beheersen. Het maakt gebruik van nanostructuren en materialen om thermische straling en warmteflux aan te passen, wat leidt tot vooruitgang in diverse toepassingen, waaronder energieopwekking, thermisch beheer en sensortechnologie.

Nanofotonica behandelt het gedrag van licht op nanometerschaal. Nanofotonische materialen bieden ondertussen spectrale en directionele controle over thermische emissie.

De traditionele methode om dergelijke materialen te vinden wordt belemmerd door trial-and-error benaderingen, maar de opkomst van machine learning (ML) en kunstmatige intelligentie (AI) heeft het vakgebied van materiaalkunde gerevolutioneerd door de processen van materiaalontdekking, -ontwerp en -optimalisatie aanzienlijk te versnellen.

Hoewel de technologie haar krachtige mogelijkheden heeft getoond bij het ontwerpen van nanofotonische en metamaterialen, is het een uitdaging om een algemene ontwerpmethodologie te ontwikkelen om hoogpresterende nanofotonische emitters met ultrabreedband controle en precieze bandselectiviteit op maat te maken. 

Dit komt doordat traditionele algoritmen, lokale optimalisatietraps en vooraf gedefinieerde geometrieën en materialen beperkingen opleggen. 

Dit wordt echter nu aangepakt door wetenschappers van de University of Texas at Austin, die hebben samengewerkt met onderzoekers van de Umeå University in Zweden, de National University of Singapore en de Shanghai Jiao Tong University.

Samen hebben ze een ML-techniek ontworpen¹ om complexe, 3D thermische meta-emitters te ontwerpen. 

Meta-emitters zijn ontworpen materialen die elektromagnetische straling kunnen beheersen en manipuleren, met toepassingen in energie‑efficiëntie en thermisch beheer. 

“Ons machine‑learning‑framework vertegenwoordigt een significante sprong voorwaarts in het ontwerp van thermische meta‑emitters. Door het proces te automatiseren en de ontwerpruimte uit te breiden, kunnen we materialen creëren met superieure prestaties die voorheen onvoorstelbaar waren.”

– Studie‑co‑leider Yuebing Zheng, een professor aan de Cockrell School of Engineering’s Walker Department of Mechanical Engineering

AI‑aangedreven Materialen voor Klimaatresistente Stedelijke Ontwerpen

Gepubliceerd in Nature, beschrijft de studie het nieuwe ML‑gebaseerde framework dat hielp bij het ontwerpen van materialen die de binnentemperaturen kunnen verlagen en daarmee de energiekosten.

Met hun framework hebben de wetenschappers daadwerkelijk meer dan 1.500 nieuwe materialen kunnen genereren die warmte selectief kunnen uitstralen op een gecontroleerde manier. Ze kunnen ook een hogere nauwkeurigheid bieden bij verwarming en koeling om de energie‑efficiëntie te verbeteren.

Hun framework kan ultrabreedband en band‑selectieve thermische meta‑emitters ontwerpen door meerdere parameters te optimaliseren met beperkte data die materiaaldiversiteit en 3D‑structurele complexiteit omvatten.

Volgens de studie maakt hun architectuur dubbele ontwerp‑mogelijkheden mogelijk. Ten eerste automatiseert het het inverse ontwerp van een veelvoud aan mogelijke metastructuren evenals materiaalcombinaties voor spectrale afstemming. Ten tweede heeft het een “ongekende capaciteit” om verschillende 3D meta‑emitters te ontwerpen door een drie‑vlak modellering‑methode toe te passen die de beperkingen van traditionele, platte, 2D‑structuren overwint. 

In hun studie presenteert het team zeven proof‑of‑concept meta‑emitters die superieure optische en stralingskoelingsprestaties aantonen, beter dan de huidige geavanceerde ontwerpen. De zeven klassen van meta‑emitters zijn afgestemd op specifieke functies.

Het generaliseerbare framework dat is ontwikkeld, is bedoeld voor het fabriceren van 3D nanofotonische materialen, waarvan de onderzoekers opmerkten dat het “wereldwijde optimalisatie faciliteert door uitgebreide geometrische vrijheid en dimensionaliteit en een uitgebreide materialen‑database.”

Nu, om de levensvatbaarheid van hun ontwerpsysteem te beoordelen, hebben de onderzoekers vier voorbeeldmaterialen geproduceerd en vervolgens hun prestaties getest. 

Een van de meta‑emitter materialen werd toegepast op het dak van een modelhuis. Om het koelvermogen te analyseren, werd het materiaal vergeleken met standaard commerciële witte en grijze verf. Wat de onderzoekers observeerden na vier uur directe middagzon op het dak was dat het nieuw gecreëerde materiaal gemiddeld 5 tot 20 graden Celsius koeler was dan traditionele verf.

Op basis hiervan schat het team dat hun materiaal ongeveer 15.800 kilowattuur (kWh) per jaar aan koelingskosten zal besparen voor een appartementencomplex in een hete stad zoals Bangkok. Een standaard airconditioner verbruikt doorgaans ongeveer 1.500 kWh per jaar.

Dus de materialen die door het team zijn gecreëerd kunnen worden gebruikt voor residentiële en commerciële energiebesparing. In steden kunnen ze helpen de temperaturen te verlagen door zonlicht te weerkaatsen en warmte uit te stralen op gerichte golflengten. Op deze manier kan het materiaal mogelijk het stedelijke hitte‑eiland‑effect verminderen dat wordt veroorzaakt door beperkte groenvoorziening en dichte betonnen structuren.

Maar dat is niet de volledige reikwijdte van hun gebruik. Het materiaal kan ook worden ingezet in ruimte‑toepassingen, waar het efficiënt inkomende zonne‑straling en uitgezonden warmte beheert, waardoor de temperatuur van ruimtevaartuigen wordt gereguleerd.

De toepassingsmogelijkheden van thermische meta‑emitters reiken veel verder dan dit. Bijvoorbeeld, door ze in stoffen en textiel te integreren, kunnen we de koelingstechnologie in kleding en buitensportuitrusting verbeteren. 

Auto’s vormen nog een ander voorbeeld. Door auto’s te omhullen met thermische meta‑emitters en ze in interieurmaterialen te verwerken, kan de warmte die zich ophoopt wanneer auto’s in de zon staan, ook worden verminderd.

Ondanks hun vele voordelen hebben deze materialen geen brede adoptie gekregen vanwege hun arbeidsintensieve ontwerpproces, en zelfs geautomatiseerde opties ondervinden moeilijkheden bij het omgaan met hun complexe 3D hiërarchische structuur. Maar dat kan eindelijk veranderen met het nieuwste AI‑framework.

“Traditioneel was het ontwerpen van deze materialen traag en arbeidsintensief, gebaseerd op trial‑and‑error methoden. Deze aanpak leidt vaak tot suboptimale ontwerpen en beperkt de mogelijkheid om materialen met de benodigde eigenschappen te creëren die effectief zijn.”

– Zheng

Daarom zullen onderzoekers blijven werken aan hun technologie, deze verfijnen en toepassen op aanvullende aspecten van nanofotonica.

“Machine learning is misschien niet de oplossing voor alles, maar de unieke spectrale vereisten van thermisch beheer maken het bijzonder geschikt voor het ontwerpen van hoog‑presterende thermische emitters.”

– Co‑auteur Kan Yao

Hoe AI de Ontdekking van Nieuwe Materialen Versnelt

Gefocust op de structuur, eigenschappen, verwerking en prestaties van materialen, vormt materiaalkunde de basis van alles, van lucht‑ en ruimtevaart, elektronica en energie tot geneeskunde en vele andere velden. 

In feite is de ontdekking en ontwikkeling van nieuwe materialen cruciaal geweest in het vormgeven van de menselijke geschiedenis gedurende eeuwen, en heeft het de technologie vooruitgestuwd.

Jarenlang hebben we vertrouwd op de trial‑and‑error benadering om nieuwe anorganische materialen met gunstige eigenschappen te vinden. Deze aanpak is extreem middelen‑intensief, vereist honderdduizenden uren experimenten om eerst een handvol potentiële nieuwe materialen te identificeren en vervolgens te synthetiseren.

De complexiteit van materialen op moleculair en atomair niveau maakt de ontdekking van nieuwe materialen een langdurig en kostbaar proces. Dus veranderde de toegenomen beschikbaarheid van supercomputers de materiaalkunde door simulatie van het gedrag van materialen mogelijk te maken.

En nu leidt de komst van AI tot een revolutie in het vakgebied door de computationele benadering van materiaalkunde te versnellen. Door de gewenste eigenschappen voor een materiaal en beperkingen te geven, kunnen generatieve AI‑systemen nu volledig nieuwe materialen creëren.

Uiteindelijk kunnen de geavanceerde modellen van vandaag, getraind op enorme datasets, in combinatie met high‑throughput computing, snel kandidaat‑materialen screenen op gewenste parameters, waardoor eigenschappen voor talrijke stoffen in zeer korte tijd worden voorspeld.

AI kan niet alleen aanzienlijke ontwikkeltijd en menselijke en materiële bronnen besparen, maar dit ook doen terwijl het nauwkeurig voldoet aan complexe en gevarieerde markteisen.

Zoals Kristin Persson, professor in materiaalkunde aan de University of California, Berkeley, opmerkte, bevinden we ons momenteel in een paradigma waarin wetenschap wordt gedreven door big data en AI. Vandaag hebben we genoeg data om machine‑learning‑algoritmen te trainen, en “dat brengt een geheel nieuw snelheidsniveau in innovatie,” zei ze.

Interessant genoeg profiteert AI ook van de ontdekking van nieuwe materialen. AI is data‑hongerig, en het vakgebied van materiaalkunde mist data. Door deze technologie te gebruiken, kunnen materiaaleigenschappen worden gesimuleerd, en de resulterende data kan worden gebruikt om machine‑learning‑modellen te trainen.

Persson leidt momenteel de multi‑institutionele, multinationale inspanning genaamd  Materials Project, die supercomputing en geavanceerde gesimuleerde methoden benut om de eigenschappen van alle bekende anorganische materialen en meer te berekenen. De data wordt gratis beschikbaar gesteld om nieuwe materialen te ontwerpen.

Klik hier om meer te leren over de adaptieve dakpannen die kunnen helpen het energieverbruik voor verwarming/koeling te verminderen.

Doorbraken in AI‑gedreven Materiaalontdekking

Onderzoekers van U of T Engineering introduceerden recentelijk een nieuw hulpmiddel² dat voorspelt hoe een nieuw materiaal het best kan worden gebruikt om de kloof tussen de ontdekking van een materiaal en de inzet ervan te verkleinen.

Het multimodale AI‑hulpmiddel gebruikt vroeg‑stadium data om het potentiële reële gebruik van een nieuw materiaal te voorspellen, met focus op een specifieke categorie poreuze materialen genaamd metal‑organic frameworks (MOFs). 

Vorig jaar ontwikkelden onderzoekers meer dan 5.000 verschillende soorten van deze materialen, die aanpasbare eigenschappen hebben, aldus studie‑leider professor Seyed Mohamad Moosavi van de University of Toronto (ChemE). Hij voegde toe dat de uitdaging is dat een MOF die voor één specifieke toepassing is gecreëerd, vaak geschikte eigenschappen heeft voor een geheel andere toepassing.

“In materiaalontdekking is de typische vraag: ‘Wat is het beste materiaal voor deze toepassing?’” zei Moosavi. “We keerden de vraag om en vroegen: ‘Wat is de beste toepassing voor dit nieuwe materiaal?’ Met zoveel materialen die elke dag worden gemaakt, willen we de focus verleggen van ‘welk materiaal maken we hierna’ naar ‘welke evaluatie moeten we hierna doen.’”

Dus ontwikkelde ChemE‑PhD‑student Sartaaj Khan een multimodaal machine‑learning‑systeem getraind op verschillende soorten data. Multimodaliteit was hier cruciaal omdat het model “een completer beeld” gaf om nauwkeurigere voorspellingen te doen zonder post‑synthese.

Onderzoekers van Argonne National Laboratory gebruikten ondertussen een generatief AI‑diffusiemodel om meer dan 120.000 MOF³ kandidaten te genereren in iets meer dan een half uur met een supercomputer. Het aangepaste neurale netwerk reduceerde het aantal MOFs tot 364, waarvan werd aangenomen dat ze hoog‑presterend waren.

Met een paar extra dagen en verdere computationele analyse vond het team 102 stabiele MOFs in de dataset. 6 van deze hadden een CO₂‑capaciteit die tot de top 5 % van materialen in de populaire hMOF‑database behoorde.

In een ander voorbeeld gebruikten wetenschappers AI om volledig nieuwe nanomaterialen te ontwerpen⁴ die zo licht zijn als piepschuim maar de sterkte van koolstofstaal hebben. 

Sterkte en taaiheid staan vaak haaks op elkaar in veel materialen, inclusief nano‑gearchitecteerde, die bestaan uit ultrakleine bouwblokken. Wanneer deze bouwblokken worden herhaald, maakt het materiaal sterk, maar kan het ook spanningsconcentraties veroorzaken die tot plotselinge breuken leiden. 

Om betere manieren te vinden om nanomaterialen te ontwerpen, simuleerden onderzoekers mogelijke geometrieën en lieten ze vervolgens door een algoritme gaan dat leerde van hun ontwerpen om de beste vormen te voorspellen voor een gelijkmatige verdeling van aangebrachte spanningen terwijl het een zware last draagt.

De onderzoekers gebruikten een 3D‑printer om deze vormen tot leven te brengen en ontdekten dat ze een spanning van 2,03 megapascal (MPa) per kubieke meter per kilogram konden weerstaan, wat vijf keer hoger is dan die van titanium.

Onderzoekers zien hun potentiële toepassing als ultralichte componenten in lucht‑ en ruimtevaarttoepassingen om brandstofbehoeften en de hoge CO₂‑voetafdruk van vliegen te verminderen.

According to first-author Peter Serles, an engineering researcher at Caltech:

“Dit is de eerste keer dat machine learning wordt toegepast om nano‑gearchitecteerde materialen te optimaliseren, en we waren verbaasd over de verbeteringen. Het replicateerde niet alleen succesvolle geometrieën uit de trainingsdata; het leerde van welke vormveranderingen werkten en welke niet, waardoor het geheel nieuwe rooster‑geometrieën kon voorspellen.”

AI‑gebaseerde materiaalontdekking wordt ook uitgebreid gebruikt voor stedelijke planning. A samenwerkend onderzoek⁵ van Peking University en de University of Southern Denmark ontwikkelde een geavanceerd framework dat deep learning combineert met remote sensing om bouwmaterialen met ongekende precisie te identificeren.

Naast energie‑efficiëntie kan AI stedelijke planning verbeteren door te helpen bij milieumonitoring en -conservatie, woning‑ en infrastructuurontwikkeling, en openbare veiligheid en rampenrespons.

Klik hier om meer te leren over de bladloze windturbines, vaak aangeduid als de toekomst van schone energie.

Investeren in AI‑gebaseerde Materiaalontdekking

Als we kijken naar het investeringspotentieel van AI, is het enorm, met de markt geprojecteerd om triljoenen waard te zijn in de komende jaren. Als het gaat om bedrijven die deze technologische vooruitgang leiden, vooral in de materiaalkunde, springen twee namen eruit: Microsoft (MSFT ) en Google (Alphabet Inc.) (GOOG ), die hun eigen modellen hebben gelanceerd om de schaal en precisie van materiaalonderzoek te verhogen. Voor dit artikel richten we ons echter op Alphabet Inc.

Alphabet Inc. (GOOG )

Eind 2023 bracht Google’s DeepMind een AI‑tool genaamd Graph Networks for Materials Exploration (Gnome) uit om het materiaalontdekkingsproces te versnellen. Destijds meldde⁶ dat het 2,2 miljoen nieuwe kristallen vond met behulp van het deep‑learning‑instrument.

Dit, aldus Google, is “gelijk aan ongeveer 800 jaar aan kennis en toont een ongekende schaal en nauwkeurigheid in voorspellingen.” De nieuw ontdekte kristallen omvatten 380.000 stabiele materialen, waardoor ze veelbelovende kandidaten zijn voor experimentele synthese en geschikt om toekomstige technologieën van stroom te voorzien.

Het Gnome‑model is een graph neural network (GNN) model, waarbij de invoergegevens worden weergegeven als een graaf. Gnome werd getraind op data van het Materials Project, inclusief kristalstructuren en hun stabiliteit, om nieuwe kandidaat‑kristallen te genereren en hun stabiliteit te voorspellen.

Google evalueerde zijn voorspellende vermogen door herhaaldelijk de prestaties te controleren met behulp van Density Functional Theory (DFT). Voor het ‘trainingsproces’ gebruikte het ‘active learning’, waarbij de resulterende data terug in het model werd gevoed, wat de prestaties van Gnome aanzienlijk verbeterde.

Volgens Google steeg de nauwkeurigheid van de stabiliteitsvoorspelling van het model van 50 % naar 80 %. De efficiëntie van het model werd ondertussen verhoogd van minder dan 10 % naar meer dan 80 %.

Bovendien zijn ongeveer 736 materialen die door het Genome werden voorspeld onafhankelijk gesynthetiseerd door externe onderzoekers. Google werkte ook samen met Lawrence Berkeley National Lab om 41 nieuwe materialen te synthetiseren, waarmee de voorspellende kracht van de tool en de kracht van autonome experimentatie werden bevestigd.

Laten we nu de prestaties van de $2,2 biljoen marktkapitalisatie‑gigant bekijken. Op het moment van schrijven worden de aandelen verhandeld rond $182, een daling van 3,86 % YTD. Het heeft een EPS (TTM) van 8,97 en een P/E (TTM) van 20,29. Het uitgekeerde dividendrendement is 0,46 %.

Wat de bedrijfsfinanciën betreft, meldde Google’s moederbedrijf, Alphabet, een omzet van $90,2 miljard voor Q1 eindigend op 31 maart 2025. De winst per aandeel bedroeg $2,81. Deze cijfers, zei CEO Sundar Pichai, “reflecteren een gezonde groei en momentum binnen het bedrijf. Deze groei wordt ondersteund door onze unieke full‑stack benadering van AI.”

Laatste Alphabet Inc. (GOOG) Aandelen Nieuws en Ontwikkelingen

Conclusie

AI transformeert elk aspect van ons leven, inclusief hoe we materialen ontwerpen die onze toekomst vormgeven. De integratie van de technologie in de materiaalkunde vormt een ware paradigmaverschuiving, waardoor ontdekkingen die vroeger jaren duurden, nu dagen of zelfs uren kosten.

Kort gezegd, AI drijft de nabije toekomst van materiaalinnovatie door gebruik te maken van enorme datasets, high‑throughput computing en generatieve modellen, waardoor onderzoekers nieuwe materialen kunnen voorspellen, ontwerpen en optimaliseren met ongekende efficiëntie en precisie.

Klik hier om meer te leren over de clean‑energy‑aandelen met een milieufocus.

Referenties:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabreedband en Band‑Selectieve Thermische Meta‑Emitters door Machine Learning. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Connecting Metal–Organic Framework Synthesis to Applications Using Multimodal Machine Learning. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. A Generative Artificial Intelligence Framework Based on a Molecular Diffusion Model for the Design of Metal–Organic Frameworks for Carbon Capture. 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. Ultrahigh Specific Strength by Bayesian Optimization of Carbon Nanolattices. 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. Urban Fabric Decoded: High‑Precision Building Material Identification via Deep Learning and Remote Sensing. 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. Scaling Deep Learning for Materials Discovery. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9