AI Versnelt de Zoektocht naar Volgende Generatie Duurzame Koelmaterialen

Binnen de materiaalkunde is thermische nanofotonica belangrijk voor technologieën die warmte en thermische straling op nanoschaal sturen.

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.

Traditionele materiaalontwikkeling combineert theorie, simulatie en experimenten, maar de zoektocht kan veel tijd en middelen kosten. Machine learning (ML) en kunstmatige intelligentie (AI) kunnen bepaalde stappen in ontdekking, ontwerp en optimalisatie versnellen zonder experimentele validatie te vervangen.

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 ontwikkelden de onderzoekers een ML-methode¹ voor het ontwerpen van complexe driedimensionale thermische meta-emitters.

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.”

– Yuebing Zheng, medeleider van het onderzoek en hoogleraar aan het Walker Department of Mechanical Engineering van de Cockrell School of 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 raamwerk genereerden de onderzoekers meer dan 1.500 computationele ontwerpen voor thermische meta-emitters. Ze zijn bedoeld om warmtestraling binnen gekozen golflengten te sturen, maar zijn niet allemaal gesynthetiseerd of experimenteel getest. Maakbaarheid, duurzaamheid en kosten moeten vóór praktisch gebruik nog worden beoordeeld.

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.

Het systeem automatiseert het inverse ontwerp van veel metastructuren en materiaalcombinaties voor een gewenste spectrale respons. Het kan ook complexere driedimensionale structuren doorzoeken dan traditionele vlakke ontwerpen. Dit is een computationele ontwerpmogelijkheid en betekent niet dat alle kandidaten eenvoudig te produceren zijn.

Het team presenteerde zeven conceptdemonstrators met sterke optische prestaties en stralingskoeling voor hun beoogde functies. Elk ontwerp was afgestemd op een specifiek spectraal doel.

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. 

Eén meta-emitter werd aangebracht op het dak van een modelhuis en vergeleken met commerciële witte en grijze verf. Na vier uur in directe middagzon lag de oppervlaktetemperatuur van het proefvlak gemiddeld 5 tot 20°C lager dan bij de referentievlakken. Dit was een beperkte oppervlaktetemperatuurtest en geen directe meting van het jaarlijkse energiegebruik van een echt gebouw.

Op basis van modellering schatte het team dat een bepaald appartementencomplex in Bangkok jaarlijks ongeveer 15.800 kWh minder koelenergie zou kunnen gebruiken. De berekening berust op aannames over gebouw en klimaat en kan niet rechtstreeks op alle woningen worden toegepast.

Het materiaal kan op termijn de koelbehoefte van woningen en bedrijfsgebouwen verminderen. Door zonlicht te weerkaatsen en warmte op gekozen golflengten uit te stralen, kan het ook bijdragen aan het beperken van stedelijke hitte-eilanden. Het effect op stadsniveau hangt af van dekkingsgraad en lokale omstandigheden.

Een andere mogelijke toepassing is passieve warmteregeling van ruimtevaartuigen door geabsorbeerde zonnestraling en uitgestraalde warmte te beheersen. Duurzaamheid en maakbaarheid in de ruimte moeten afzonderlijk worden gevalideerd.

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.

Thermische meta-emitters worden nog niet breed toegepast omdat het ontwerp en de fabricage van driedimensionale hiërarchische structuren complex zijn. Het AI-raamwerk kan het ontwerpproces verbeteren, maar lost grootschalige productie, kosten en levensduur niet vanzelf op.

“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.

Onderzoekers combineren al lange tijd experimenten, theorie en natuurkundige simulaties om nieuwe anorganische materialen te vinden. Het kost veel experimentele en computationele middelen om enkele veelbelovende kandidaten te identificeren, synthetiseren en testen.

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.

AI wordt nu gebruikt om structuren en eigenschappen van kandidaatmaterialen te voorspellen en delen van zeer grote ontwerpruimten te prioriteren. Generatieve modellen kunnen nieuwe kandidaten voorstellen, maar stabiliteit, synthetiseerbaarheid en prestaties moeten met berekeningen en experimenten worden bevestigd.

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 de selectie van kandidaten versnellen en in sommige ontwikkelingsstappen middelen besparen. De nauwkeurigheid hangt af van de trainingsdata en het toepassingsgebied van het model; experimentele validatie blijft noodzakelijk.

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 University of Toronto Engineering presenteerden onlangs een nieuw hulpmiddel² dat voorspelt voor welke toepassing een nieuw materiaal het meest geschikt kan zijn en zo de tijd tussen ontdekking en toepassing kan verkorten.

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.’”

Promovendus Sartaaj Khan ontwikkelde een multimodaal machine-learningsysteem dat op meerdere soorten gegevens werd getraind. Zo kreeg het model een vollediger beeld van het materiaal en kon het mogelijke toepassingen beter beoordelen vóór verdere synthese en tests.

Onderzoekers van Argonne National Laboratory gebruikten een generatief diffusiemodel om op een supercomputer in iets meer dan een halfuur meer dan 120.000 kandidaatstructuren voor MOF’s³ te genereren. Een aangepast neuraal netwerk beperkte de selectie tot 364 kandidaten met veelbelovende berekende prestaties. Deze aantallen betreffen berekende kandidaten, geen gesynthetiseerde materialen.

Na verdere berekeningen selecteerde het team 102 MOF’s die als stabiel werden beoordeeld. Zes hadden een berekende CO₂-capaciteit in de hoogste vijf procent van de hMOF-database. De voorspellingen moeten nog experimenteel worden bevestigd.

In een ander onderzoek werd AI gebruikt om een koolstofnanorooster met een zeer hoge sterkte-gewichtsverhouding te ontwerpen⁴. De omschrijving dat het zo licht is als piepschuim en zo sterk als koolstofstaal vat een vergelijking van specifieke sterkte samen; ze betekent niet dat alle eigenschappen overeenkomen met massief staal.

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 structuren werden met 3D-printen vervaardigd. De gerapporteerde specifieke sterkte was 2,03 MPa·m³/kg, ongeveer vijfmaal die van titanium wanneer rekening wordt gehouden met de dichtheid. Dit is geen directe vergelijking van absolute sterkte of totale taaiheid.

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

Volgens hoofdauteur Peter Serles, technisch onderzoeker bij 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 materiaalanalyse wordt ook gebruikt in de stadsplanning. In een gezamenlijk onderzoek⁵ combineerden Peking University en University of Southern Denmark deep learning met teledetectie om bouwmaterialen te classificeren. De nauwkeurigheid kan variëren met de beelden, het geografische gebied en de trainingsdata.

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

Particuliere prognoses ramen dat de AI-markt biljoenen dollars waard kan worden, maar zulke langetermijnramingen zijn onzeker. Tot de bedrijven die actief zijn in AI voor materiaalonderzoek behoren Microsoft (MSFT ) en Google (Alphabet Inc.) (GOOG ). Hier ligt de nadruk op Alphabet.

Alphabet Inc.

Eind 2023 introduceerde Google DeepMind Graph Networks for Materials Exploration (GNoME). De bijbehorende studie⁶ rapporteerde 2,2 miljoen nieuwe berekende kandidaatstructuren voor kristallen.

Google omschreef dit als het equivalent van ongeveer 800 jaar kennis. Van de 2,2 miljoen kandidaten werden er ongeveer 380.000 als computationeel stabiel aangemerkt. Dat betekent niet dat ze allemaal zijn gesynthetiseerd of commercieel bruikbaar zijn.

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.

Google meldde dat de nauwkeurigheid van de stabiliteitsvoorspellingen tijdens het iteratieve active-learningproces steeg van ongeveer 50 naar 80 procent. Dit resultaat geldt voor de dataset en evaluatiemethode van het onderzoek en kan niet automatisch op alle materiaalproblemen worden toegepast.

Bij publicatie hadden 736 materialen uit extern onderzoek structuren die overeenkwamen met GNoME-voorspellingen. In een geautomatiseerd experiment met Lawrence Berkeley National Laboratory werden daarnaast 41 kandidaten gesynthetiseerd. Daarmee is slechts een klein deel van het zeer grote aantal voorspellingen gevalideerd.

Aandelenkoers, marktkapitalisatie, koers-winstverhouding en andere marktgegevens veranderen voortdurend. Beleggers dienen de realtimegegevens hieronder en de nieuwste rapportages te controleren en te bedenken dat AI voor materiaalontdekking nog maar een klein onderdeel van Alphabets totale activiteiten vormt.

Alphabet rapporteerde voor het kwartaal dat eindigde op 31 maart 2025 een omzet van 90,2 miljard dollar en een verwaterde winst per aandeel van 2,81 dollar. CEO Sundar Pichai wees op de groei van het bedrijf en zijn full-stackbenadering van AI. Deze gegevens betreffen een eerder kwartaal en bieden geen garantie voor toekomstige resultaten.

Laatste Alphabet Inc. (GOOG) Aandelen Nieuws en Ontwikkelingen

Conclusie

AI verandert de manier waarop materiaal-kandidaten worden gezocht en geoptimaliseerd. Sommige computationele stappen kunnen van jaren naar dagen of uren worden teruggebracht, maar synthese en tests van prestaties, veiligheid en duurzaamheid blijven veel tijd vergen.

Grote datasets, high-throughputberekeningen en generatieve modellen laten onderzoekers meer kandidaten efficiënt vergelijken. De resultaten hangen af van de datakwaliteit en experimentele validatie; AI vult wetenschappelijk oordeel en laboratoriumwerk aan.

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