5 AI-gjennombrudd som transformerer materialoppdagelse i dag

Kunstig intelligens (AI) fortsetter å transformere verden og forme fremtiden for menneskeheten.

Teknologien driver endringer i nesten alle sektorer ved å utføre oppgaver som vanligvis krever menneskelig intelligens. AI-systemer bruker enorme mengder data for å identifisere mønstre og ta beslutninger. 

På denne måten kan AI simulere visse nivåer av menneskelig resonnering og kognitive prosesser.

Ifølge World Trade Report, kan AI’s produktivitetsgevinster og kostnadsfordeler øke global BNP med 12–13 % innen 2040.

Ved å redusere gapet i digital infrastruktur med høytinntektsøkonomier med 50 % og ta i bruk AI i større grad, kan lav- og mellominntektsøkonomier oppleve opptil 15 % økning i inntektene sine.

I tillegg til å hjelpe nasjoner med å styrke produktiviteten, handelen og den økonomiske posisjonen, kan AI hjelpe samfunnet ved å drive innovasjon på tvers av industrier. En av måtene teknologien gjør dette på nå, er gjennom materialoppdagelse. 

Løftet om AI i materialoppdagelse

Oppdagelsen av materialer har alltid vært nøkkelen til innovasjon. For mange århundrer siden førte blandingen av kobber og tinn til bronsealderen, da sterkere verktøy og våpen transformerte handel og samfunn.

Deretter kom jernalderen, da mestringen av jern omformet økonomier. Raskt frem til 1800-tallet, og stål fikk bred anvendelse. En legering av jern og karbon, var stål ryggraden i jernbaner, skyskrapere, skip og maskineri, og drev den industrielle revolusjon og global ekspansjon.

På slutten av 1900-tallet forvandlet Silikonalderen verden med oppdagelsen og forbedringen av halvledere som er grunnlaget for moderne elektronikk. Vi er nå i en æra av avanserte materialer, hvor grafen, karbonnanorør og kvantematerialer åpner dører til renere energi, lettere fly og raskere databehandling.

Fremveksten av AI og maskinlæring (ML) bidrar til innovasjon innen materialer og, indirekte, ulike industrier ved å betydelig akselerere prosessen med materialoppdagelse, design og optimalisering.

Til dette bruker AI algoritmer og modeller for å filtrere enorme databaser med kandidater for spesifikke anvendelsesbehov. Her er dype læringsmodeller som grafnevrale nettverk (GNN) og rekurrente nevrale nettverk (RNN) avgjørende for å analysere de komplekse datasett som finnes i materialvitenskap.

De kan også identifisere eksisterende materialer med ønskede egenskaper fra disse databasene og til og med forutsi materialers egenskaper basert på deres sammensetning og struktur.

Med hjelp av AI kan materialvitenskapen gå utover tradisjonelle prøving-og-feiling-metoder, som er tidkrevende og kostbare.

Dessuten kan AI-modeller generere nye materialstrukturer skreddersydd til spesifikke krav. Når de integreres med automatiserte eksperimentelle plattformer, kan AI fremskynde den lange prosessen fra materialoppdagelse til produksjon.

Til tross for disse fordelene, gjenstår utfordringer når det gjelder mangel på kvalitet og omfattende data for enkelte materialer. Vel Lykket syntese av nyfunnet og designet materiale i laboratoriet er en annen stor utfordring.

Som materialforsker Anthony Cheetham fra UCSB merkede¹ i Nature etter å ha undersøkt listen over 2,2 millioner hypotetiske krystaller funnet av GNoME, et AI-verktøy fra DeepMind, et datterselskap av Alphabet (Google), «Det er én ting å oppdage en forbindelse, og en helt annen ting å oppdage et nytt funksjonelt materiale».

Han bemerket også den upraktiske naturen til mange AI-predikerte forbindelser, og Cheetham sa:

“Vi fant ganske mange ting som var latterlige.”

Dette viser gapet mellom prediksjon og praktisk realisering. Det som kreves for å lukke dette gapet er kombinasjonen av AI med menneskelig ekspertise og eksperimentell vitenskap.

Likevel kan løftet om AI for å revolusjonere materialvitenskap ikke avvises. Gitt dens evne til å føre til raskere utvikling av materialer for energi, helsevesen, bilindustri, romfart og andre kritiske anvendelser, er denne påvirkningen for stor til å ignoreres.

Så, la oss ta en titt på noen av de mest fremtredende eksemplene på AI’s anvendelse i materialvitenskap som viser potensialet til å presse grensene for materialoppdagelse og innovasjon.

Sveip for å rulle →

1. Perovskitt-solceller: AI-optimaliserte materialer og prosessering

En av de mest lovende løsningene for å oppnå bærekraftig energi er solenergi, og adopsjonen øker raskt. I 2024 installerte verden en rekord på ~600 GW solenergi, en økning på 33 % fra 2023. Innen slutten av tiåret forventes dette å nå ~1 TW per år.

Den økende etterspørselen etter solenergi skaper behov for mer effektive, allsidige og kostnadseffektive materialer for solceller.

Perovskitt er et slikt materiale som tilbyr en unik krystallstruktur. Det naturlig forekommende mineralet kan nå gjenskapes syntetisk. Ved å blande organiske og uorganiske elementer lager forskere syntetiske perovskitter som viser bemerkelsesverdige lysabsorberende egenskaper, noe som gjør dem svært egnet for solapplikasjoner.

I tillegg til høy effektivitet tilbyr disse materialene fordelene med fleksibilitet og justerbar båndgap, men skalerbarhet og stabilitetsproblemer vedvarer; derfor søkes det etter nye sammensetninger.

Dermed vendte forskere seg til AI for å korrelere ytelsen til perovskitt-solceller (PSC) med materialegenskaper og energikonverteringsprosesser for mer enn et tiår siden. De brukte deretter teknologien til å optimalisere materialekomposisjon, utvikle designstrategier og forutsi ytelse.

I 2019 gjennomgikk forskere fra University of Central Florida over 2 000 fagfellevurderte publikasjoner² om perovskitt for å samle over 200 datapunkter, som ble matet inn i AI-systemet de utviklet for å få den beste oppskriften for perovskitt-solceller (PSC). Samme år utviklet forskere ved MIT en modell³ for å akselerere syntese og analyse av nye forbindelser med en faktor ti og fant to nye blyfrie perovskitter som er verdt videre undersøkelse.

I 2022 rapporterte forskere fra MIT og Stanford University om⁴ at de tok i bruk AI for å skalere opp avansert produksjon av solceller.

For dette ble et system opprettet, som har vært under utvikling i flere år, for å integrere data fra tidligere eksperimenter samt informasjon basert på erfarne arbeideres personlige observasjoner. Denne integrasjonen gjorde resultatene mer nøyaktige og førte til produksjon av perovskittceller med en energikonverteringseffektivitet på 18,5 %.

Dette er ulikt de fleste maskinlæringssystemer, som primært bruker rådata og vanligvis ikke inkorporerer menneskelig erfaring. For å inkludere ekstern informasjon i modellen, brukte de en sannsynlighetsfaktor basert på Bayesisk optimalisering, som gjør dem i stand til å «oppdage trender vi ikke kunne se før».

Oppdagelsen av avansert perovskitt-solteknologi med hjelp av AI fortsetter og får økt fart for å øke PSC-effektiviteten. I en slik studie⁵ ble effektiviteten økt til 26,2 % samtidig som man sparte «enormt med tid og ressurser».

⬆ Tilbake til tabellen

2. AI-oppdagede elektrokatalysatorer for hydrogenproduksjon

Et lovende alternativ til ikke-fornybare fossile brensler som er ansvarlige for enorme mengder klimagassutslipp (GHG) er hydrogen. Det mest abundante elementet i universet, hydrogen, har fremstått som en ren og fornybar energikilde.

Imidlertid er effektiv produksjon av hydrogen for å møte etterspørselen på kommersiell skala en alvorlig utfordring. Her tilbyr vannsplitting elektrolyse en lovende vei, hvor elektrokatalyse spiller en kritisk rolle. Dette gjør utviklingen av kostnadseffektive, aktive og stabile elektrokatalysatorer til en essensiell forutsetning for å oppnå ønsket elektrokatalytisk hydrogenproduksjon fra vannsplitting.

Elektrokatalysatorer akselererer hydrogenproduksjon ved å senke energien som trengs for vannsplitting ved å bruke dyre edelmetaller som platina eller mer rimelige alternativer som nikkel, kobolt, grafen, MXenes og andre.

I tillegg til materialets egenskaper og kostnad velges en spesifikk katalysator basert på om reaksjonen er sur, alkalisk eller foregår ved høye temperaturer.

Imidlertid er det svært tidkrevende og kostbart å bruke den tradisjonelle prøving-og-feiling-metoden for å søke etter eksisterende og nye egnede materialer for å forbedre reaksjonene, så AI blir brukt⁶ for å overvinne begrensningene ved tradisjonelle tilnærminger, oppdage nye kandidater og forbedre kjente produkter.

En nylig studie rapporterte⁷ at dens entropi-screenede AI, trent på et DoE-datasett, gjennomgikk 16,2 millioner kjemiske sammensetninger for å identifisere Fe12Co28Ni33Mo17Pd5Pt5 som den beste sammensetningen for vannsplitting. Legeringen viser ekstremt lave overpotensialer for begge grunnleggende elektrokatalytiske reaksjoner, HER og OER, samtidig som den har robust stabilitet.

I mellomtiden, for et par år siden, bidro Google AI-laboratorium DeepMind med 380 000 nye forbindelser til Materials Project, en plattform som ligger til grunn for mange katalysatorsøk og autonome eksperimenter.

Den åpne databasen etablert ved Department of Energy’s Berkeley Lab har blitt brukt av forskere til eksperimentelt å bekrefte nyttige egenskaper i nye materialer som viser potensial for bruk i karbonfangst og som fotokatalysatorer, termoelektriske materialer og transparente ledere.

Databasen inkluderer hvordan atomene i et materiale er arrangert og hvor stabilt det er. GNoME ble trent ved bruk av data og arbeidsflyter som ble utviklet av prosjektet og deretter forbedret via aktiv læring.

Ved å bruke beregningene fra Google DeepMinds GNoME sammen med data fra Materials Project, testet forskerne A-Lab, en fasilitet ved Berkeley Lab hvor AI styrer roboter i å lage nye materialer. A-Lab produserte vellykket⁸ 41 nye forbindelser.

⬆ Tilbake til tabellen

3. Superharde materialer: ML-styrt oppdagelse utover diamant

Industrier som militær, romfart og energiproduksjon krever superharde materialer, som er praktisk talt ukomprimerbare faste stoffer. Hardhetsverdien til disse materialene overstiger 40 gigapascal (GPa) på Vickers-skalaen, og de har høy kovalent binding og høy elektron tetthet.

Diamant er det hardeste kjente materialet til dags dato, med en hardhetsverdi i området 70–150 GPa. Dette betyr at det kreves mer enn dette (70–150 GPa) trykk for å lage en innrykk på diamantens overflate. Som et resultat brukes den i skjæreverktøy, slipemidler, slitestandsige belegg og for å skape høytrykksforsøk.

Disse edelsteinene, som er en fast form av elementet karbon med atomene arrangert i en diamantkubisk krystallstruktur, brukes også av forskere for å finne nye egnede materialer. Men AI har endret dette.

Gjennom årene har flere forskere funnet⁹ nye superharde faser, med en som rapporterer¹⁰ BC10N, B4C5N3 og B2C3N som viser dynamisk stabile faser med hardhetsverdier > 40 GPa.

I 2020 brukte forskere fra University of Houston og Manhattan College en ML-modell¹¹ for nøyaktig å forutsi hardheten til nye materialer, og dermed kunne de lettere finne egnede forbindelser.

Den høye trykkmengden som kreves for å lage et merke på et materiales overflate gjør dem sjeldne, og «å identifisere nye materialer er utfordrende». Og dette er akkurat grunnen til at «materialer som syntetisk diamant fortsatt brukes selv om de er utfordrende og dyre å lage», sa papirens medforfatter Jakoah Brgoch, som er førsteamanuensis i kjemi ved University of Houston.

En kompliserende faktor her er belastningsavhengighet, som betyr at et materiales hardhet kan variere avhengig av mengden påført trykk. Dette gjør eksperimentell testing av et materiale kompleks. Selv bruk av beregningsmodeller er nesten umulig, så forskerne laget en modell som overkommer utfordringen ved å forutsi belastningsavhengig Vickers-hardhet kun basert på materialets kjemiske sammensetning.

Algoritmen ble trent på en database som involverte 560 forskjellige forbindelser som krevde gjennomgang av hundrevis av akademiske artikler. «Alle gode maskinlæringsprosjekter starter med et godt datasett», sa Brgoch. «Den egentlige suksessen ligger i stor grad i utviklingen av dette datasettet.»

Som et resultat fant de over 10 nye stabile borokarbid-faser, og med modellens nøyaktighet på 97 % er de håpefulle om å oppnå suksess i laboratoriet.

AI er imidlertid ikke uten begrensninger, som Brgoch bemerket: «Ideen med å bruke maskinlæring er ikke å si ‘Her er det neste største materialet’, men å hjelpe med å veilede vår eksperimentelle søk.» Det teknologien gjør er «den forteller deg hvor du bør lete».

⬆ Tilbake til tabellen

4. Polymerdielektrika: AI-akselererte energilagringsmaterialer

En viktig komponent i moderne energilagring er dielektrika, som er ikke-ledende materialer som luft, glass og plast. 

Valget av dielektrisk materiale er det som bestemmer energitettheten i kondensatorer, og polymerdielektrika brukes i stor grad til energilagring på grunn av deres lave kostnad, mekaniske fleksibilitet, pålitelighet, raske utlades hastighet og enkel bearbeiding. Men igjen er deres lave energitetthet et problem. 

Som et resultat ser forskere kontinuerlig etter å forbedre ytelsen ved å utvikle nye polymerdielektrika for å øke deres energilagringskapasitet for anvendelser i kraftsystemer, elektronikk og elektriske kjøretøy (EV). 

AI har gjort fantastiske fremskritt innen polymermaterialer. For eksempel, for bare noen måneder siden samarbeidet forskere ved MIT og Duke University for å skape¹² mer holdbare polymerer ved å innlemme stress-responsiv krysslinkermolekyler, som ble identifisert av AI. MIT-forskere har også bygd¹³ et system som finner, blander og tester opptil 700 nye polymerblandinger per dag for anvendelser som batterielektrolytter, proteinstabilisering eller legemiddelleveringsmaterialer.

Design av nye polymerblandinger presenterer problemet med et nesten uendelig antall mulige polymerer å starte med, og når noen få er valgt for blanding, må sammensetningen av hver polymer velges, samt konsentrasjonen av polymerer i blandingen.

“Å ha et så stort designrom krever algoritmiske løsninger og arbeidsflyter med høy gjennomstrømning fordi du rett og slett ikke kunne teste alle kombinasjonene ved bruk av brute force.”

– Papirets seniorforfatter, Connor Coley

Deres AI-system ga dem optimale blandinger, hvor den beste presterte 18 % bedre enn sine individuelle komponenter.

Gitt effektiviteten AI gir nye polymeralternativer og blandinger, gir det mening å applisere teknologien¹⁴ for å identifisere bedre polymerdielektrika¹⁵.

Et forskerteam gjorde nettopp dette og oppdaget¹⁶ dielektrika med 11 ganger energitettheten til kommersielle alternativer ved høye temperaturer.

Den innovative algoritmen er utviklet for å forutsi egenskapene og formuleringene av polymerer før de faktisk blir laget. For dette definerte de først spesifikke krav og trente deretter ML-modellene på eksisterende material‑egenskapsdata for å forutsi ønskede resultater.

I tillegg til AI brukte forskerne etablert polymerkjemi og molekylær ingeniørkunst for å oppdage en rekke dielektrika i polynorbornen- og polyimidfamiliene, hvor mange av de oppdagede dielektrika viser høy energitetthet og høy termisk stabilitet over et bredt temperaturområde. 

Men én spesielt viste en energitetthet på 8,3 J cc⁻¹ ved 200 °C, noe som er mye høyere enn den kommersielt tilgjengelige polymerdielektrikken.

“I de tidlige dagene av AI i materialvitenskap, drevet av White House’s Materials Genome Initiative for over et tiår siden, var forskning på dette feltet i stor grad drevet av nysgjerrighet. Først i de siste årene har vi begynt å se håndfaste, virkelige suksesshistorier i AI‑drevet akselerert polymeroppdagelse,” sa medforfatter Rampi Ramprasad, professor ved Georgia Institute of Technology. “Disse suksessene inspirerer nå betydelige transformasjoner i landskapet for industriell material‑F&U.”

⬆ Tilbake til tabellen

5. Faststoffelektrolytter: AI for tryggere, høyere energitetthetsbatterier

Drevet av den brede adopsjonen av bærbare enheter og elbiler og den økende etterspørselen etter lagringsløsninger for fornybar energi, vokser det globale batterimarkedet rasant¹⁷. Gitt den viktige rollen batterier spiller i den moderne verden, prøver forskere kontinuerlig å utvikle mer energieffektive og tryggere batteriteknologier.

Selv om litium‑ion‑batterier er mest brukt i dag, har de begrenset levetid og sikkerhetsrisiko, som løses av faststoffbatterier (SSB). 

Disse batteriene erstatter flytende elektrolytter med faststoffelektrolytter for å eliminere risikoen for brann ved høye temperaturer samtidig som de muliggjør høyere energitetthet og forbedrer holdbarhet, og skaper tryggere og kraftigere batterier.

Men disse batteriene med faste elektrolytter har sine egne utfordringer, som lav ionisk ledningsevne, kompatibilitet ved elektrodegrensesnitt, mekanisk og kjemisk stabilitet, og kostnadseffektiv produksjon. Så forskere utforsker materialer som kan overvinne disse problemene ved hjelp av AI.

I motsetning til andre felt vi diskuterte i dag, er batterier et av de mest brennende områdene hvor bruken av AI¹⁸ har eksplodert på grunn av involveringen av ledende bilprodusenter og oppstartsbedrifter som investerer store summer i faststoffbatteri‑F&U. I tillegg til sikkerhetsrisikoen har sektoren også samlet store databaser som er rike nok til å trene ML-modeller.

Selv myndigheter har listet SSB som en strategisk prioritet for å sikre nasjonale forsyningskjeder og oppnå nasjonale energi- og klimamål.

Så finnes det flere tilfeller hvor AI har hjulpet¹⁹ forskere og selskaper med å oppdage nye faste elektrolytter.

I fjor brukte Microsoft-forskere AI sammen med superdatamaskiner for å sile gjennom 32 millioner potensielle uorganiske materialer for å finne 18 lovende kandidater²⁰ på noen få dager. Det nye materialet, N2116, er en faststoffelektrolytt som kan redusere litiumbruk i batterier med 70 % og har blitt testet for å drive en lyspære.

DeepMinds AI-verktøy GNoME har identifisert²¹ 528 lovende litium‑ion‑ledere, hvorav noen kan bidra til å gjøre batterier mer effektive. 

Deretter er det LBS²² (Li8B10S19) fra Stanford-forskere, som kalte det «det mest stabile, svovelbaserte litium‑ion‑elektrolyttet vi noen gang har sett eksperimentelt». Forskerne identifiserte²³ faste elektrolytter for en dag å erstatte brannfarlige flytende elektrolytter i litium‑ion‑batterier via AI for omtrent et tiår siden.

⬆ Tilbake til tabellen

Konklusjon

Disse eksemplene viser at AI kan akselerere hvordan vi oppdager nye materialer. Utfordringen nå er å omgjøre datamaskinprediksjoner til virkelige resultater, noe som betyr å kombinere AI med erfarne forskere og pålitelig data.

Sveip for å rulle →

Det vi ser er tidlige dager. Disse oppdagelsene fører oss mot renere energi, tryggere teknologi, tøffere materialer og industrier som ikke tømmer planeten. AI endrer hvordan vi driver materialvitenskap, og det er viktig for hva som kommer neste.

Klikk her for å lære alt om investering i kunstig intelligens.

Referanser

1. Peplow, M. (2025). AI drømmer opp millioner av nye materialer. Er de noen gode? Nature, 646, 22–25. Publisert 1. oktober 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (16. desember 2019). Kunstig intelligens kan hjelpe forskere med å lage spray‑on solceller. ScienceDaily. Publisert 16  desember 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Høyeffektiv perovskitt-solceller via enkeltkildes dampdeponering. 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). Maskinlæring med kunnskapsbegrensninger for prosessoptimalisering av åpenluft produksjon av perovskitt-solceller. 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,