Inne i AI‑drevne laboratorier: En ny æra for materialoppdagelse

Akkurat som et økende antall industrier, blir materialvitenskap også hjulpet av kunstig intelligens (AI).

Her analyserer maskinlæringsalgoritmer (ML) enorme datasett og identifiserer mønstre for å foreslå lovende materialkandidater på minimal tid, mens de bruker betydelig færre ressurser enn prøve‑og‑feil‑metoder.

Det tradisjonelle manuelle, menneskeintensive arbeidet som ble forbedret av fremkomsten av beregningssystemer, som tillater komplekse beregninger, blir nå fullstendig revolusjonert av automatiserte, parallelle og iterative prosesser drevet av AI, simulering og eksperimentell automatisering. 

Modningen av AI‑teknologi, kombinert med høyytelsesdatabehandling og hybride skyteknologier, er hjelper materialvitenskapen inn i et nytt paradigme preget av den akselererte oppdagelsen av nye materialer, prediktiv modellering av materialegenskaper, og autonom eksperimentering. 

Dette paradigmeskiftet gjør det mulig for forskere å gå fra prøve‑og‑feil‑tilnærminger til design, noe som betydelig reduserer utviklingssykluser og baner vei for avanserte materialer innen energi, elektronikk, helsevesen, og bærekraftige anvendelser.

Nylig tok forskere fra North Carolina State University et stort skritt videre ved å skape et selvkjørende laboratorium for å oppnå et nytt sprang i laboratorieautomatisering og ytterligere akselerere oppdagelsen av materialer av forskere.

Det automatiserte laboratoriet samler inn ti ganger mer data enn tradisjonelle, manuelle metoder. Med dette kan forskere utføre sanntids, dynamiske kjemiske eksperimenter, spare tid og ressurser mens muliggjør raskere gjennombrudd.

Nye laboratorieoppdagelser vil ikke lenger ta år; i stedet ser vi på en fremtid hvor oppfinnelser vil skje på dager.

Et AI‑drevet laboratorium: Sanntidslæring for sanntidsoppdagelse

For å overvinne de globale utfordringene innen ren energi, menneskelig velferd, og bærekraft, er det kritisk å gjøre raske oppdagelser av avanserte funksjonelle materialer. Oppdagelse og syntese av nye materialer er også nøkkelen til innovative teknologier som batterier, databrikker, solceller, og mye mer.

Som et resultat har det blitt gjort mye fremgang i materialakselerasjonsplattformer og selvkjørende laboratorier.

Til tross for fremgangen, blir kapasiteten til disse plattformene og laboratoriene til å utforske komplekse parameterrom hindret av lav datagjennomstrømning. Langsom dataoverføring og -behandling fører til redusert produktivitet.

Derfor har forskere ved NC State University \”introdusert dynamiske flytseksperimenter som en dataintensiveringsstrategi for uorganiske materialsynteser innen selvkjørende fluidiske laboratorier ved kontinuerlig kartlegging av transiente reaksjonsforhold til steady‑state ekvivalenter.\”

Publisert i Nature Chemical Engineering¹, studien beskriver et toppmoderne selvkjørende laboratorium som bruker sanntidseksperimenter for kontinuerlig å samle inn data, og dermed gjør materialoppdagelse raskere og mer effektivt samtidig som kostnader og miljøpåvirkning reduseres.

For deres arbeid mottok studien støtte fra National Science Foundation og University of North Carolina Research Opportunities Initiative‑programmet.

Hva betyr egentlig selvkjørende laboratorier (SDLs)? Vel, dette er robotplattformer som kombinerer ML og automatisering med kjemi‑ og materialvitenskap for å finne materialer raskere. I disse ML‑assisterte modulære eksperimentelle plattformene gjennomføres en serie eksperimenter, som velges av ML‑algoritmen, iterativt for å oppnå det programmerte målet.

“Forestill deg at forskere kunne oppdage banebrytende materialer for ren energi, ny elektronikk, eller bærekraftige kjemikalier på dager i stedet for år, ved å bruke bare en brøkdel av materialene og generere langt mindre avfall enn status quo.”

– Medforfatter av artikkelen, Milad Abolhasani, ALCOA‑professor i kjemisk og biomolekylær ingeniørfag ved North Carolina State University

Han la til:

“Dette arbeidet bringer den fremtiden ett steg nærmere.”

Som en transformativ tilnærming til å akselerere vitenskapelig oppdagelse, får selvkjørende laboratorier økende popularitet innen kjemi‑ og materialvitenskapsfeltet.

Selvkjørende laboratorier som bruker kontinuerlige flytreaktorer er ofte avhengige av steady‑state flytseksperimenter, hvor ulike forløpere kombineres før kjemiske reaksjoner skjer, og blandingen flyter kontinuerlig gjennom en mikrokanal.

Produktet som kommer ut av den blir deretter karakterisert av en rekke sensorer når reaksjonen er fullført.

“Denne etablerte tilnærmingen til selvkjørende laboratorier har hatt en dramatisk innvirkning på materialoppdagelse,” bemerket Abolhasani, og delte at dette har gjort det mulig for forskere å “identifisere lovende materialkandidater for spesifikke anvendelser på noen måneder eller uker, i stedet for år, samtidig som både kostnader og miljøpåvirkning av arbeidet reduseres.” Men den var på ingen måte perfekt, og det er fortsatt områder for forbedring.

Spesielt er systemet inaktivt når den kjemiske reaksjonen finner sted før det resulterende materialet kan karakteriseres. Ventetiden for selvkjørende laboratorier kan være opptil en time for hvert steady‑state flytseksperiment.

“Vi har nå laget et selvkjørende laboratorium som bruker dynamiske flytseksperimenter, hvor kjemiske blandinger kontinuerlig varieres gjennom systemet og overvåkes i sanntid.”

– Abolhasani 

Det dette betyr er at de eliminerer prosessen med å kjøre separate prøver gjennom systemet og teste hver av dem én om gangen etter at de har nådd en tilstand.

I stedet har de bygget et system som rett og slett ikke stopper. Prøvene beveger seg kontinuerlig gjennom systemet. Dette er fordi “systemet aldri slutter å karakterisere prøven,” og forskeren kan “fange data om hva som skjer i prøven hvert halve sekund.”

Integreringen av dynamiske flytseksperimenter i selvkjørende fluidiske laboratorier markerer et avvik fra tradisjonelle batch‑eksperimenter.

I motsetning til konvensjonelle tilnærminger, hvor isolerte datapunkter samles inn under steady‑state forhold, brukes mikrofluidiske prinsipper i dynamiske flytseksperimenter for rask kartlegging av reaksjonsforhold.

Ved å skape en konstant datastrøm, utvider den drastisk tilgjengelige eksperimentelle data.

Abolhasani illustrerte at teamet nå får 20 datapunkter om hva eksperimentet produserer, startende med ett etter 0,5 sekunders reaksjonstid, så ett etter 1 sekund, og så videre, i motsetning til ett datapunkt de ville fått etter 10 sekunders reaksjonstid. Han la til:

“Det er som å gå fra et enkelt øyeblikksbilde til en full film av reaksjonen mens den skjer. I stedet for å vente på at hvert eksperiment skal fullføres, kjører systemet vårt alltid, alltid lærer.”

Å ha så mye mer data kan ha en enorm innvirkning på ytelsen til et AI‑drevet laboratorium. Data er tross alt nøkkelen til en algoritme. AI er datahungrig, og basert på dataene den får, gjør algoritmen prediksjoner.

Ifølge Abolhasani:

“Den viktigste delen av ethvert selvkjørende laboratorium er maskinlæringsalgoritmen systemet bruker for å forutsi hvilket eksperiment det skal gjennomføre neste.”

Dermed gjør strømme‑data‑tilnærmingen at ML‑hjernen i det selvkjørende laboratoriet kan ta ikke bare raskere, men også smartere beslutninger, “finne optimale materialer og prosesser på en brøkdel av tiden”.

Datakvaliteten bestemmer også nøyaktigheten til prediksjonene. Så ved å ha mer høykvalitets eksperimentelle data, kan algoritmen gjøre mer nøyaktige prediksjoner, og deretter kan den løse et problem raskere. 

“Dette har den ekstra fordelen av å redusere mengden kjemikalier som trengs for å komme frem til en løsning.”

– Abolhasani

For å demonstrere systemets evner, anvendte teamet dynamiske flytseksperimenter på CdSe kolloidale kvanteprikker. Dette ble brukt som en testplattform på grunn av dens status som et veletablert uorganisk system med ikke bare rike parameteravhengigheter, men også betydelig teknologisk potensial.

I dette tilfellet fant teamet at deres laboratorium, som inneholdt et dynamisk flytsystem, oppnådde en forbedring i datainnsamlingseffektivitet på en størrelsesorden.

Det ga minst 10 ganger mer data enn andre selvkjørende laboratorier som brukte steady‑state flytseksperimenter. Dessuten, etter trening, var det selvkjørende laboratoriet i stand til å oppdage de beste kandidatene på første forsøk.

Dette gjennombruddet, som Abolhasani sa, «handler ikke bare om hastighet», men om å oppnå bærekraft. Ved å redusere antall nødvendige eksperimenter, reduserer systemet betydelig både kjemikalieforbruket og avfallet, og fremmer mer bærekraftige forskningspraksiser. Abolhasani sa:

“Fremtiden for materialoppdagelse handler ikke bare om hvor raskt vi kan gå, men også om hvor ansvarlig vi kommer dit. Vår tilnærming betyr færre kjemikalier, mindre avfall, og raskere løsninger for samfunnets tøffeste utfordringer.”

AI sin voksende rolle i materialvitenskap: Spennende nylige oppdagelser

AI transformerer industrier over hele verden, og det inkluderer materialvitenskap, som er grunnleggende for mange teknologiske innovasjoner og samfunnsutfordringer. 

Som et resultat har bruken av AI i oppdagelse og utvikling av nye materialer pågått i mange år nå, men den har definitivt fått fart de siste årene etter hvert som teknologien blir mer avansert og kapabel. 

“Med fortsatt utvikling forventer vi at robotikk og automatisering vil forbedre hastigheten, presisjonen og reproduserbarheten av eksperimenter på tvers av ulike instrumenter og disipliner, og generere data som kunstige intelligenssystemer kan analysere for å veilede videre eksperimentering.”

– Dr. James Cahoon, medforfatter av artikkelen ‘Transforming Science Labs into Automated Factories of Discovery’.²

Med det, la oss se på noen viktige fremskritt innen materialvitenskap i år på tvers av ulike anvendelser.

For det første, som vi nylig delte, har forskere med hjelp av AI kunnet designe komplekse, 3D termiske meta‑emitterer som kan senke innendørstemperaturer og bidra til å spare energikostnader. Materialet laget med en nyutviklet ML‑teknikk kan finne anvendelser i boliger og kommersielle bygninger, romfartøy, stoffer og tekstiler, biler og mer.

“Ved å automatisere prosessen og utvide designrommet, kan vi skape materialer med overlegen ytelse som tidligere var utenkelig.”

– Studienes medleder, Yuebing Zheng

Utvikling av nye metalliske materialer med overlegen styrke

For noen måneder siden rapporterte forskere ved hjelp av AI å designe en ny MPEA eller flere hovedkomponentlegeringer, som finnes i flykomponenter, katalysatorer og kneproteser.

Den nyutformede MPEA har overlegne mekaniske egenskaper, som Sanket Deshmukh, førsteamanuensis i kjemisk ingeniørfag ved Virginia Tech, sa, «demonstrerer hvordan rammeverk og forklarbar AI kan låse opp nye muligheter i materialdesign.»

For å tolke analysen utført av AI‑modellen, brukte Deshmukh og hans team SHAP (SHapley Additive exPlanations) analyse, som gjorde dem i stand til å forstå hvordan ulike elementer og deres lokale miljø påvirker MPEA‑ers egenskaper, og dermed gir mer innsikt og nøyaktige prediksjoner.

I tillegg til å akselerere oppdagelsen av avanserte metalllegeringer, tror Deshmukh at integrering av ML med evolusjonsalgoritmer og eksperimentell validering også kan hjelpe oss med å lage verktøy som «kan utvides til komplekse materialsystemer som glykomaterialer – polymermaterialer som inneholder karbohydrater.»

Avdekke hemmelighetene bak dendrittisk vekst i tynne filmer

Forskningen fra Tokyo University of Science (TUS) har utviklet en forklarbar AI‑modell som forutsier veksten av dendritter (trelignende grenmønster) i tynne filmer, som er et stort hinder i deres produksjon på stor skala og begrenser kommersialiseringen.

Ved å avdekke de spesifikke forholdene og mekanismene bak dendrittgrenning, hjelper AI‑modellen med å forbedre vekstprosessen for tynne filmer. Tynne film‑enheter er kritiske i teknologi som halvledere.

Den nye AI‑modellen integrerte maskinlæringsmetoden kalt principal component analysis (PCA) og topologiteknikken kalt persistent homology med fri energi‑analyse.

“Ved å integrere topologi og fri energi, gir vår metode en allsidig tilnærming til materialanalyse. Gjennom denne integrasjonen kan vi etablere en hierarkisk forbindelse mellom atomskala mikrostrukturer og makroskopiske funksjonaliteter på tvers av et bredt spekter av materialer, og bane vei for fremtidige fremskritt innen materialvitenskap.”
– Professor Masato Kotsugi fra avdelingen for materialvitenskap og teknologi ved TUS

Få en bedre forståelse av nanopartikler

Et team av forskere fra flere universiteter samlet seg for å utvikle en metode for bedre å forstå den dynamiske oppførselen til nanopartikler, som er byggeklossene i elektronikk, farmasøytiske produkter og industrielle materialer.

Den kombinerte elektronmikroskopi med AI for å visualisere strukturer og bevegelser av molekyler med en enestående tidsoppløsning.

Som Peter A. Crozier, professor i materialvitenskap og ingeniørfag ved Arizona State University, forklarte:

“Elektronmikroskopi kan fange bilder med høy romlig oppløsning, men på grunn av hastigheten som den atomære strukturen til nanopartikler endrer seg under kjemiske reaksjoner, må vi samle inn data med svært høy hastighet for å forstå deres funksjonalitet.”

For å dempe dette støyet utviklet de en AI‑metode som automatisk fjerner den, «muliggjør visualisering av viktig atomnivå‑dynamikk.»

I mellomtiden tar en forskningsgruppe fra Graz University of Technology nanostrukturbygning til et nytt nivå ved bruk av AI.

For dette utvikler de et selv‑lærende AI‑system som autonomt posisjonerer individuelle molekyler raskt og i riktig orientering ved bruk av scanning tunnelling mikroskoper, en ellers vanskelig og tidkrevende prosess, for å muliggjøre bygging av «svært komplekse molekylære strukturer, inkludert logiske kretser i nanometerområdet.»

Målet er til slutt å bygge kvantekoraller, som er nanostrukturer i form av en port som kan fange elektroner, og bruke dem til å bygge logiske kretser for å studere hvordan de fungerer på molekylært nivå.

Oppdage bedre fotovoltaiske materialer

Et bærekraftig alternativ til konvensjonelle silisiumbaserte solceller, perovskitt‑solceller viser stort potensial som neste generasjons fotovoltaisk teknologi for å omdanne sollys til elektrisitet.

Deres effektivitet kan økes ytterligere gjennom molekyler som leder positive ladninger, men det finnes millioner av ulike molekyler, noe som betyr syntetisering og testing av dem alle. Imidlertid, ved å bruke AI med automatisert høy‑gjennomstrømmende syntese, klarte et forskerteam fra Karlsruhe Institute of Technology (KIT) å oppdage nye organiske molekyler på bare noen få uker, med kun 150 målrettede eksperimenter.

De nyoppdagede materialene økte også effektiviteten til en referansesolcelle med omtrent to prosentpoeng.

For dette vendte forskerne seg til en database med én million virtuelle molekyler og valgte tilfeldig 13 000 av dem før de valgte 101 av dem. De valgte hadde de største forskjellene i egenskapene, og de ble syntetisert med robotssystemer før de ble brukt til å produsere solceller.

Legge grunnlaget for AI‑drevet materialoppdagelse

Selv om alle disse oppdagelsene blir gjort, trenger AI data for å faktisk få det til å skje. Dette inkluderer data om materialer samt data fra storskalige simuleringer.

Selv om mange slike databaser er tilgjengelige, er de ganske isolerte, og derfor trengs en standard «slik at brukere kan kommunisere med alle disse datalibrariene og forstå informasjonen de mottar», bemerket Gian‑Marco Rignanese, professor ved Institute of Condensed Matter and Nanosciences ved UCLouvain i Belgia.

Så, i fjor sommer, slapp et stort internasjonalt samarbeid slapp en utvidet versjon av OPTIMADE‑standarden for å legge til rette for AI‑drevet materialoppdagelse.

OPTIMADE (Open databases integration for materials design) standarden støttes av et stort internasjonalt nettverk av institusjoner og materialdatabaser. Med mål om å gi brukere enklere tilgang til både ledende og mindre kjente materialdatabaser, ble en ny versjon introdusert som kan ytterligere akselerere den pågående AI‑drevne materialoppdagelsen.

Investere i AI for materialoppdagelse

Når man ser på investering i dette området, er Alphabet Inc. (GOOGL ) som eier Google, en som har lansert et AI‑verktøy kalt Gnome. Det har rapportert å ha funnet 2,2 millioner nye krystaller med det. Så er det Microsoft (MSFT ), som har introdusert MatterGen og MatterSim for å lage nye kandidatmaterialer og validere dem.

NVIDIA Corporation (NVDA )

Det er ingen annen enn AI‑favoritten Nvidia. Sent på slutten av året introduserte selskapet introducerte NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).

Plattformen har som mål å akselerere FoU innen kjemi og materialvitenskap gjennom AI, og for å oppnå dette inkluderer den API‑er og akselererte inferens‑mikrotjenester. Dette vil muliggjøre opprettelse og distribusjon av generative AI‑modeller for å utforske det enorme materialuniverset og foreslå nye kandidater, samt utvikling og bruk av surrogatmodeller for å oppnå en balanse mellom beregningskostnad og nøyaktighet. Den vil også tillate tilgjengelige informasjonsverktøy og forhåndstrente grunnmodeller for rask screening og simuleringsverktøy for å trene og finjustere AI‑modeller for nye bruksområder.

Gjennom ALCHEMI har NVIDIA som mål å fremskynde oppdagelsesarbeidsflyten og «innlede en ny æra med banebrytende oppdagelser som driver en mer bærekraftig, sunnere fremtid.»

Nvidia er et selskap med en markedsverdi på 4,22 billioner dollar, hvis aksjer handles rundt $173,5, opp 28,8 % år‑til‑dato. Dens EPS (TTM) er 3,10, P/E (TTM) er 55,73, og utbytteavkastningen er 0,02 %.

Siste nyheter og utviklinger for NVIDIA Corporation (NVDA) aksjer

Konklusjon

Etter hvert som AI, automatisering og høyytelsesdatabehandling kommer sammen, går materialvitenskapen inn i sin mest transformative æra, og markerer et etterlengtet skifte fra menneskestyrt prøve‑og‑feil til autonom oppdagelse.

Midt i dette endrer AI‑drevne laboratorier og selvkjørende eksperimentelle plattformer fullstendig måten forskere ikke bare oppdager, men også tester og optimaliserer materialer på. Dessuten, med initiativer som NVIDIAs ALCHEMI, Googles Gnome og Microsofts MatterGen, satser store teknologiselskaper også på AI for å drive den neste bølgen av innovasjon!

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

Referanser:

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. Flytdrevet dataintensivering for å akselerere autonom uorganisk materialoppdagelse. Nature Chemical Engineering, publisert online 14. juli 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Omforme vitenskapelige laboratorier til automatiserte fabrikker for oppdagelse. 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. Kobling av struktur og prosess i dendrittisk vekst ved bruk av persistent homology med energianalyse. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Artikkel 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. Visualisering av nanopartikkeloverflatedynamikk og ustabiliteter muliggjort av dyp avstøying. 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. Omvendt designarbeidsflyt oppdager hulltransportmaterialer skreddersydd for perovskitt‑solceller. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901