AI gir kraft til jakten på neste generasjons bærekraftige kjølematerialer

I materialverden er termisk nanofotonikk avgjørende for å muliggjøre grunnleggende gjennombrudd på tvers av teknologiske anvendelser.

Termisk nanofotonikk kombinerer nanofotonikk og termisk vitenskap for å manipulere og kontrollere varmetransport på nanoskala. Den bruker nanostrukturer og materialer for å tilpasse termisk stråling og varmestrøm, noe som fører til fremskritt innen ulike anvendelser, inkludert energihøsting, termisk styring og sensoring.

Nanofotonikk omhandler lysets oppførsel på nanometerskala. Nanofotoniske materialer gir derimot spektral og retningskontroll over termisk emisjon.

Den tradisjonelle metoden for å finne slike materialer hindres av prøving‑og‑feiling‑tilnærminger, men fremkomsten av maskinlæring (ML) og kunstig intelligens (AI) har revolusjonert materialvitenskap ved å betydelig akselerere prosessene for materialoppdagelse, -design og -optimalisering.

Selv om teknologien har vist sine kraftige evner i design av nanofotoniske og metamaterialer, er det en utfordring å utvikle en generell designmetodikk for å tilpasse høyytelses nanofotoniske emittere med ultrabredbåndskontroll og presis båndselektivitet.

Dette skyldes begrensninger fra tradisjonelle algoritmer, lokale optimaliseringsfeller og forhåndsdefinerte geometrier og materialer.

Dette blir imidlertid nå adressert av forskere fra University of Texas at Austin, som samarbeidet med forskere fra Umeå universitet i Sverige, National University of Singapore og Shanghai Jiao Tong University.

Sammen har utformet en ML-teknikk¹ for å designe komplekse, 3D termiske meta-emittere.

Meta-emittere er konstruerte materialer designet for å kontrollere og manipulere elektromagnetisk stråling, og tilbyr anvendelser innen energieffektivitet og termisk styring.

«Vår maskinlæringsramme representerer et betydelig sprang fremover i design av termiske meta-emittere. Ved å automatisere prosessen og utvide designrommet kan vi skape materialer med overlegen ytelse som tidligere var utenkelige.»

– Studie‑medleder Yuebing Zheng, professor ved Cockrell School of Engineering, Walker Department of Mechanical Engineering

AI-drevne materialer for klimaresistent bydesign

Publisert i Nature beskriver studien det nye ML‑baserte rammeverket som hjalp med å designe materialer som kan senke innendørstemperaturer og dermed energikostnader.

Ved å bruke deres rammeverk har forskerne faktisk kunnet generere mer enn 1 500 nye materialer som kan selektivt emitere varme på en kontrollert måte. De kan også tilby høyere nøyaktighet i oppvarming og kjøling for å oppnå forbedret energieffektivitet.

Rammeverket deres kan designe ultrabredbånds‑ og båndselektive termiske meta-emittere ved å optimalisere flere parametere med begrenset data som dekker materialmangfold og 3D strukturell kompleksitet.

Ifølge studien gjør arkitekturen deres det mulig med to designkapasiteter. For det første automatiserer den invers design av et mangfold av mulige metastrukturer samt materialkombinasjoner for spektral tilpasning. For det andre har den en «enestående evne» til å designe ulike 3D meta‑emittere ved å anvende en treplan‑modelleringsmetode som overkommer begrensningene til tradisjonelle, flate 2D strukturer.

I studien presenterer teamet syv proof‑of‑concept‑meta‑emittere som demonstrerer overlegen optisk og strålingskjølingsytelse, og overgår dagens avanserte design. De syv klassene av meta‑emittere er tilpasset spesifikke funksjoner.

Det generaliserbare rammeverket som er utviklet er for fremstilling av 3D nanofotoniske materialer, som forskerne bemerket, «fasiliterer global optimalisering gjennom utvidet geometrisk frihet og dimensjonalitet samt en omfattende materialdatabase.»

For å vurdere levedyktigheten til deres designsystem, produserte forskerne fire prøve‑materialer og testet deretter deres ytelse.

Et av meta‑emitter‑materialene ble påført taket på et modellhus. For å analysere kjøleevnen ble materialet sammenlignet med standard kommersielle hvite og grå malinger. Det forskerne observerte etter at taket hadde fire timer med direkte midt‑dags sollys, var at det nyopprettede materialet i gjennomsnitt var 5 til 20 grader Celsius kjøligere enn tradisjonelle malinger.

Basert på dette anslår teamet at materialet deres vil spare omtrent 15 800 kilowatt‑timer (kWh) per år i kjølekostnader for en leilighetsbygning i en varm by som Bangkok.Et standard klimaanlegg bruker vanligvis rundt 1 500 kWh årlig.

Dermed kan materialene laget av teamet brukes til energisparing i både boliger og kommersielle bygg. I byer kan de bidra til å senke temperaturer ved å reflektere sollys og frigjøre varme ved målrettede bølgelengder. På denne måten kan materialet potensielt redusere urbane varmeøy‑effekten som skyldes begrenset grønnområder og tett betong.

Men det er ikke hele bruksområdet. Materialet kan også brukes i romfartsapplikasjoner, hvor det effektivt håndterer innkommende solstråling og utsendt varme, og bidrar til å regulere temperaturene på romfartøy.

Bruksområdene for termiske meta‑emittere strekker seg langt utover dette. For eksempel, ved å integrere dem i stoffer og tekstiler, kan vi forbedre kjøleteknologien i klær og utendørsutstyr.

Biler er også et annet område. Ved å pakke biler med termiske meta‑emittere og integrere dem i interiørmaterialer, kan varmen som bygger seg opp når biler står i solen også reduseres.

Til tross for sine mange fordeler har disse materialene ikke oppnådd bred adopsjon på grunn av den arbeidskrevende designprosessen, og selv automatiserte alternativer har hatt vanskeligheter med å håndtere deres komplekse 3D hierarkiske struktur. Men alt dette kan endelig endres med det nyeste AI‑rammeverket.

«Tradisjonelt har design av disse materialene vært langsomt og arbeidsintensivt, avhengig av prøving‑og‑feiling‑metoder. Denne tilnærmingen fører ofte til suboptimale design og begrenser evnen til å skape materialer med de nødvendige egenskapene for å være effektive.»

– Zheng

Derfor vil forskerne fortsette å arbeide med teknologien, forbedre den og anvende den på ytterligere aspekter av nanofotonikk.

«Maskinlæring er kanskje ikke løsningen på alt, men de unike spektrale kravene til termisk styring gjør den spesielt egnet for å designe høyytelses termiske emittere.»

– Medforfatter Kan Yao

Hvordan AI akselererer oppdagelse av nye materialer

Fokusert på struktur, egenskaper, prosessering og ytelse av materialer, danner materialvitenskap grunnlaget for alt fra romfart, elektronikk og energi til medisin og mange andre felt. 

Faktisk har oppdagelsen og utviklingen av nye materialer vært avgjørende for å forme menneskehetens historie i århundrer, og har drevet teknologisk fremgang.

I flere tiår har vi vært avhengige av prøving‑og‑feiling‑tilnærmingen for å finne nye uorganiske materialer med gunstige egenskaper. Denne tilnærmingen er ekstremt ressurskrevende, og krever hundretusener av timer med eksperimenter for først å identifisere og deretter syntetisere bare noen få potensielle nye materialer.

Kompleksiteten til materialer på molekylært og atomært nivå er det som gjør oppdagelsen av nye materialer til en tidkrevende og kostbar prosess. Så har den økte tilgjengeligheten av superdatamaskiner endret materialvitenskap ved å tillate simulering av materialers oppførsel.

Og nå fører ankomsten av AI til en revolusjon i feltet ved å akselerere den beregningsbaserte tilnærmingen til materialvitenskap. Ved å oppgi ønskede egenskaper for et materiale samt begrensninger, kan generativ AI nå skape helt nye materialer.

Etter alt, kan dagens avanserte modeller, trent på massive datasett, når de kombineres med høy‑gjennomstrømmings‑databehandling, raskt screene kandidatmaterialer mot ønskede parametere, og dermed forutsi egenskaper for tallrike substanser på svært kort tid.

AI kan ikke bare spare betydelig utviklingstid og menneskelige og materialressurser, men også gjøre det mens den presist møter komplekse og varierte markedskrav.

Som Kristin Persson, professor i materialvitenskap ved University of California, Berkeley, merkede, er vi for tiden i et paradigme hvor vitenskap drives av big data og AI. I dag har vi nok data til å trene maskinlæringsalgoritmer, og «det gir et helt nytt nivå av hastighet når det gjelder innovasjon», sa hun.

Interessant nok drar AI også nytte av oppdagelsen av nye materialer. AI er data‑tørst, og materialvitenskapen mangler data. Ved å bruke denne teknologien kan materialegenskaper simuleres, og de resulterende dataene kan brukes til å trene maskinlæringsmodeller.

Persson leder for tiden det multinasjonale initiativet Materials Project, som utnytter superdatabehandling og avanserte simuleringsmetoder for å beregne egenskapene til alle kjente uorganiske materialer og utover. Dataene gjøres fritt tilgjengelige for å designe nye materialer.

Klikk her for å lære om de adaptive takflisene som kan bidra til å redusere oppvarmings‑/kjølings‑energiforbruk.

Gjennombrudd i AI‑drevet materialoppdagelse

Forskere fra U of T Engineering presenterte et nytt verktøy² nylig som forutsier hvordan et nytt materiale best kan brukes for å redusere tidsforsinkelsen mellom oppdagelse av et materiale og dets implementering.

Det multimodale AI‑verktøyet bruker tidlig‑stadiedata for å forutsi den potensielle virkelige bruken av et nytt materiale med fokus på en spesiell kategori av porøse materialer kalt metall‑organiske rammer (MOF).

Bare i fjor utviklet forskere over 5 000 ulike typer av disse materialene, som har justerbare egenskaper, bemerket studieleder professor Seyed Mohamad Moosavi fra University of Toronto (ChemE). Han la til at utfordringen er at et MOF laget for én spesiell anvendelse ofte viser seg å ha egenskaper som passer for en helt annen.

«I materialoppdagelse er det typiske spørsmålet: ‘Hva er det beste materialet for denne anvendelsen?’» sa Moosavi. «Vi snudde spørsmålet og spurte: ‘Hva er den beste anvendelsen for dette nye materialet?’ Med så mange materialer laget hver dag, ønsker vi å flytte fokuset fra ‘hvilket materiale lager vi neste’ til ‘hvilken evaluering bør vi gjøre neste.’»

Dermed utviklet ChemE PhD‑student Sartaaj Khan et multimodalt maskinlæringssystem trent på ulike typer data. Multimodalitet var nøkkelen her da det ga modellen «et mer komplett bilde» for å gjøre mer nøyaktige forutsigelser uten å kreve post‑syntese.

Forskere fra Argonne National Laboratory brukte derimot en generativ AI‑diffusjonsmodell for å generere over 120 000 MOF³ kandidater på litt over et halvt time ved bruk av en superdatamaskin. Den modifiserte nevrale nettverket reduserte antallet MOF til 364, som ble antatt å ha høy ytelse.

Etter noen flere dager og ytterligere beregningsanalyse fant teamet 102 stabile MOF i datasettet. 6 av disse hadde en CO₂‑kapasitet som rangert blant de øverste 5 % av materialene i den populære hMOF‑databasen.

I et annet eksempel brukte forskere AI til å designe helt nye nanomaterialer⁴ som er like lette som Styrofoam, men har styrken til karbonstål.

Styrke og seighet har ofte motsatte krav i mange materialer, inkludert nano‑arkitekturerte, som er sammensatt av ultra‑små byggeklosser. Når disse byggeklossene gjentas, gjør de materialet sterkt, men kan også forårsake spenningskonsentrasjoner som fører til plutselige brudd.

For å finne bedre måter å designe nanomaterialer på, simulerte forskerne mulige geometrier og kjørte dem gjennom en algoritme som lærte av deres design for å forutsi de beste formene for jevn fordeling av påførte spenninger samtidig som de bærer en tung last.

Forskerne brukte en 3D‑printer for å realisere disse formene og fant at de kunne tåle en stress på 2,03 megapascal (MPa) per kubikkmeter per kilogram, fem ganger høyere enn titan.

Forskerne ser deres potensielle anvendelse som ultralette komponenter i romfartsapplikasjoner for å redusere drivstoffbehovet og det høye karbonavtrykket ved flyging.

Ifølge første‑forfatter Peter Serles, ingeniørforsker ved Caltech:

«Dette er første gang maskinlæring er brukt til å optimalisere nano‑arkitekturerte materialer, og vi ble overrasket over forbedringene. Den replikerte ikke bare vellykkede geometrier fra treningsdataene; den lærte av hvilke endringer i formene som fungerte og hvilke som ikke gjorde det, og gjorde det i stand til å forutsi helt nye gittergeometrier.»

AI‑basert materialoppdagelse brukes også i stor grad til byplanlegging. Et samarbeidsprosjekt⁵ mellom Peking University og University of Southern Denmark utviklet et avansert rammeverk som integrerer dyp læring med fjernmåling for å identifisere byggematerialer med enestående presisjon.

I tillegg til energieffektivitet kan AI heve byplanlegging ved å bidra med miljøovervåking og bevaring, bolig‑ og infrastrukturutvikling, samt offentlig sikkerhet og katastroferespons.

Klikk her for å lære om bladløse vindturbiner, ofte omtalt som fremtiden for ren energi.

Investering i AI‑basert materialoppdagelse

Hvis vi ser på investeringspotensialet til AI, er det enormt, med markedet anslått til å være verdt billioner i de kommende årene. Når det gjelder selskaper som leder denne teknologiske fremgangen, spesielt innen materialvitenskap, skiller to navn seg ut: Microsoft (MSFT ) og Google (Alphabet Inc.) (GOOG ), som har lansert sine egne modeller for å heve skalaen og presisjonen i materialforskning. Imidlertid vil denne artikkelen fokusere på Alphabet Inc.

Alphabet Inc. (GOOG )

Sent i 2023 lanserte Googles DeepMind et AI‑verktøy kalt Graph Networks for Materials Exploration (Gnome) for å akselerere materialoppdagelsesprosessen. På den tiden rapporterte⁶ at de fant 2,2 millioner nye krystaller med hjelp av det dype læringsverktøyet.

Dette, bemerket Google, er «tilsvarende omtrent 800 års kunnskap og demonstrerer en enestående skala og nøyaktighet i forutsigelser.» De nyoppdagede krystallene inkluderte 380 000 stabile materialer, noe som gjør dem til lovende kandidater for eksperimentell syntese og i stand til å drive fremtidige teknologier.

Gnome‑modellen er en graf‑nevralt nettverk (GNN)‑modell, hvor inndata representeres som en graf. Gnome ble trent på data fra Materials Project, inkludert krystallstrukturer og deres stabilitet, for å generere nye kandidat‑krystaller og forutsi deres stabilitet.

Google vurderte dens prediktive kraft ved gjentatte ganger å sjekke ytelsen ved hjelp av Density Functional Theory (DFT). For ‘treningsprosessen’ brukte de ‘aktiv læring’ hvor de resulterende dataene ble matet tilbake inn i modellen, noe som betydelig økte Gnomes ytelse.

Modellens nøyaktighet for stabilitetsforutsigelse, ifølge Google, steg fra 50 % til 80 %. Modellens effektivitet ble samtidig skalert fra under 10 % til over 80 %.

Dessuten har omtrent 736 materialer forutsagt av Gnome blitt uavhengig syntetisert av eksterne forskere. Google samarbeidet også med Lawrence Berkeley National Lab for å syntetisere 41 nye materialer, og bekreftet dermed verktøyets prediktive styrke og kraften i autonom eksperimentering.

La oss nå se på den $2,2‑billioner‑store markedsverdien til giganten. På tidspunktet for skrivingen handles aksjene rundt $182, ned 3,86 % år‑til‑dato. Den har en EPS (TTM) på 8,97 og en P/E (TTM) på 20,29. Utbytteavkastningen er 0,46 %.

Når det gjelder selskapets økonomi, rapporterte Googles morselskap, Alphabet, en inntekt på $90,2 milliarder for Q1 som avsluttet 31. mars 2025. Resultat per aksje var $2,81. Disse tallene, sa administrerende direktør Sundar Pichai, «reflekterer sunn vekst og momentum på tvers av virksomheten. Denne veksten støttes av vår unike full‑stack‑tilnærming til AI.»

Siste nyheter og utviklinger for Alphabet Inc. (GOOG) aksjer

Konklusjon

AI transformerer alle aspekter av livene våre, inkludert hvordan vi designer materialer som former fremtiden vår. Teknologiens integrasjon i materialvitenskap representerer et virkelig paradigmeskifte, og akselererer oppdagelser som tidligere tok år å oppnå, nå på dager eller til og med timer.

Kort sagt driver AI den nærmeste fremtiden for materialinnovasjon ved å utnytte massive datasett, høy‑gjennomstrømmings‑databehandling og generative modeller, som gjør det mulig for forskere å forutsi, designe og optimalisere nye materialer med enestående effektivitet og presisjon.

Klikk her for å lære om ren‑energi‑aksjer med miljøfokus.

Referanser:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabredbånds‑ og båndselektive termiske meta‑emittere ved maskinlæring. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Kobling av syntese av metall‑organiske rammer til anvendelser ved bruk av multimodal maskinlæring. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Et generativt kunstig intelligens‑rammeverk basert på en molekylær diffusjonsmodell for design av metall‑organiske rammer for karbonfangst. 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. Ultrahøy spesifikk styrke ved Bayesisk optimalisering av karbon‑nanolatticer. 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 dekodet: Høy‑presis identifisering av byggematerialer via dyp læring og fjernmåling. 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. Skalering av dyp læring for materialoppdagelse. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9