5 AI‑genombrott som transformerar materialupptäckt idag

Artificiell intelligens (AI) fortsätter att förändra världen och omforma mänsklighetens framtid.

Tekniken driver förändringar i nästan alla sektorer genom att utföra uppgifter som vanligtvis kräver mänsklig intelligens. AI‑system använder enorma mängder data för att identifiera mönster och fatta beslut. 

På så sätt kan AI simulera vissa nivåer av mänskligt liknande resonemang och kognitiva processer.

Enligt World Trade Report kan AI:s produktivitetsvinster och kostnadsfördelar öka den globala BNP:n med 12‑13 % till 2040.

Genom att minska sitt digitala infrastruktursgap med höginkomstekonomier med 50 % och anta AI i större utsträckning kan låg‑ och medelinkomstekonomier se en inkomstökning på upp till 15 %.

Förutom att hjälpa nationer att stärka sin produktivitet, handel och ekonomiska position kan AI hjälpa samhället genom att driva innovationer över industrier. Ett av sätten tekniken för närvarande gör detta på är genom materialupptäckt. 

AI:s löfte inom materialupptäckt

Upptäckten av material har alltid varit nyckeln till innovation. Många århundraden sedan ledde blandningen av koppar och tenn till bronsåldern, när starkare verktyg och vapen omformade handel och samhällen.

Sedan kom järnåldern, när behärskning av järn omformade ekonomier. Hoppa fram till 1800‑talet, och stål fick bred spridning. En legering av järn och kol, stål var ryggraden för järnvägar, skyskrapor, fartyg och maskiner, och drev den industriella revolutionen och global expansion.

I slutet av 1900‑talet förändrade kiselåldern världen med upptäckten och förfiningen av halvledare som är grunden för modern elektronik. Vi är nu i en era av avancerade material, där grafen, kolnanorör och kvantmaterial öppnar dörrar till renare energi, lättare flygplan och snabbare databehandling.

Framväxten av AI och maskininlärning (ML) bidrar till innovation inom material och, i förlängningen, olika industrier genom att avsevärt påskynda processen för materialupptäckt, design och optimering.

För detta använder AI algoritmer och modeller för att filtrera enorma databaser med kandidater för specifika tillämpningsbehov. Här är djupinlärningsmodeller som Graph Neural Networks (GNNs) och Recurrent Neural Networks (RNNs) avgörande för att analysera de komplexa dataset som finns i materialvetenskap.

De kan också identifiera befintliga material med önskade egenskaper från dessa databaser och till och med förutsäga materialens egenskaper baserat på deras sammansättning och struktur. 

Med AI:s hjälp kan materialvetenskapen gå bortom de traditionella trial‑and‑error‑metoderna, som är tidskrävande och dyra.

Dessutom kan AI‑modeller generera nya materialstrukturer skräddarsydda för specifika krav. När de integreras med automatiserade experimentella plattformar kan AI påskynda den långa processen från materialupptäckt till produktion.

Trots dessa fördelar kvarstår utmaningar när det gäller brist på kvalitet och omfattande data för vissa material. Framgångsrik syntes av nyupptäckta och designade material i laboratoriet är en annan stor utmaning.

Som materialforskaren Anthony Cheetham från UCSB påpekade¹ i Nature efter att ha granskat listan med 2,2 miljoner hypotetiska kristaller som hittats av GNoME, ett AI‑verktyg från DeepMind, ett dotterbolag till Alphabet (Google), “Det är en sak att upptäcka en förening, och en helt annan sak att upptäcka ett nytt funktionellt material.”

Han noterade vidare den opraktiska naturen hos många AI‑förutsagda föreningar, Cheetham sade:

“Vi fann en hel del saker som var löjliga.”

Detta visar klyftan mellan förutsägelse och praktisk realisering. Vad denna klyfta kräver är kombinationen av AI med mänsklig expertis och experimentell vetenskap.

Ändå kan AI:s löfte att revolutionera materialvetenskap inte förnekas. Med tanke på dess förmåga att leda till snabbare utveckling av material för energi, sjukvård, fordonsindustri, rymdteknik och andra viktiga tillämpningar är dess påverkan för stor för att ignoreras.

Låt oss därför titta på några av de mest framstående exemplen på AI:s tillämpning inom materialvetenskap som visar dess potential att tänja på gränserna för materialupptäckt och innovation. 

Swipe to scroll →

1. Perovskitsolceller: AI‑optimerade material och bearbetning

En av de mest lovande lösningarna för att uppnå hållbar energi är solenergi, och dess antagande ökar snabbt. År 2024 installerade världen ett rekord på cirka 600 GW solkraft, en ökning med 33 % från 2023. Vid slutet av decenniet förväntas detta nå cirka 1 TW per år.

Den växande efterfrågan på solenergi skapar ett behov av mer effektiva, mångsidiga och kostnadseffektiva material för solceller.

Perovskit är ett sådant material som erbjuder en unik kristallstruktur. Det naturligt förekommande mineralet kan nu återges syntetiskt. Genom att blanda organiska och oorganiska element skapar forskare syntetiska perovskiter som uppvisar anmärkningsvärda ljusabsorberande egenskaper, vilket gör dem mycket lämpliga för solapplikationer.

Förutom hög effektivitet erbjuder dessa material fördelarna av flexibilitet och justerbart bandgap, men skalbarhets- och stabilitetsproblem kvarstår; därför pågår sökandet efter nya sammansättningar.

Så vände forskare sig till AI för att korrelera prestandan hos perovskitsolceller (PSC) med materialegenskaper och energikonversionsprocesser för mer än ett decennium sedan. De använde sedan tekniken för att optimera materialkomposition, utveckla designstrategier och förutsäga prestanda.

2019 granskade² över 2 000 peer‑reviewade publikationer om perovskit för att samla in över 200 datapunkter, vilka matades in i det AI‑system de skapade för att få det bästa receptet för perovskitsolceller (PSC). Samma år utvecklade forskare vid MIT en modell för att påskynda syntes och analys av nya föreningar med en faktor tio och fann två nya blyfria perovskiter som var värda vidare undersökning.

2022 rapporterade forskare från MIT och Stanford University att de tog hjälp av AI för att skala upp tillverkning av avancerade solceller.

För detta skapades ett system, som har utvecklats i flera år, för att integrera data från tidigare experiment samt information baserad på erfarna arbetstagares personliga observationer. Denna integration gjorde resultaten mer exakta och ledde till tillverkning av perovskitceller med en energikonverteringseffektivitet på 18,5 %.

Detta skiljer sig från de flesta maskininlärningssystem, som främst använder rådata och vanligtvis inte införlivar mänsklig erfarenhet. För att inkludera extern information i deras modell använde de en sannolikhetsfaktor baserad på Bayesian Optimization, vilket gjorde det möjligt att “upptäcka trender som vi tidigare inte kunde se”.

Upptäckten av avancerad perovskitsolteknik med hjälp av AI fortsätter och får ökad hastighet för att öka PSC‑effektiviteten. I en sådan studie⁵ ökades effektiviteten till 26,2 % samtidigt som man sparade “enormt mycket tid och resurser.”

⬆ Back to table

2. AI‑upptäckta elektrokatalysatorer för vätgasproduktion

Ett lovande alternativ till icke‑förnybara fossila bränslen som är ansvariga för enorma mängder växthusgaser (GHG) är väte. Det mest förekommande elementet i universum, väte, har framträtt som en ren och förnybar energikälla.

Dock är effektiv produktion av väte för att möta den kommersiella efterfrågan en allvarlig utmaning. Här erbjuder vattenelektrolys en lovande väg, där elektrokatalys spelar en kritisk roll. Detta gör utvecklingen av låga kostnader, aktiva och stabila elektrokatalysatorer till ett nödvändigt förutsättningskrav för att uppnå önskad elektrokatalytisk vätgasproduktion via vattenelektrolys.

Elektrokatalysatorer påskyndar vätgasproduktion genom att sänka den energi som krävs för vattenelektrolys genom att använda dyra ädelmetaller som platina eller mer prisvärda alternativ som nickel, kobolt, grafen, MXenes och andra.

Förutom materialets egenskaper och kostnad väljs en specifik katalysator baserat på om reaktionen är sur, alkalisk eller sker vid höga temperaturer. 

Det är dock mycket tidskrävande och dyrt att använda den traditionella trial‑and‑error‑metoden för att söka befintliga och nya lämpliga material för att förbättra reaktionerna, så AI används⁶ för att övervinna begränningarna i traditionella metoder, upptäcka nya kandidater och förbättra kända produkter.

En nyligen genomförd studie⁷ rapporterade att dess entropi‑screenade AI, tränad på ett DoE‑dataset, gick igenom 16,2 miljoner kemiska sammansättningar för att identifiera Fe12Co28Ni33Mo17Pd5Pt5 som den bästa sammansättningen för vattenelektrolys. Legeringen visar extremt låga överpotential för både grundläggande elektrokatalytiska reaktioner, HER och OER, samtidigt som den har robust stabilitet.

Under tiden, för ett par år sedan, bidrog Google AI‑labbet DeepMind med 380 000 nya föreningar till Materials Project, en plattform som ligger till grund för många katalysatorsökningar och autonoma experiment. 

Den öppna databasen som grundades vid Department of Energy:s Berkeley Lab har använts av forskare för att experimentellt bekräfta användbara egenskaper i nya material som visar potential för koldioxidinfångning samt som fotokatalysatorer, termoelektriska material och transparenta ledare.

Databasen innehåller hur atomerna i ett material är arrangerade och hur stabilt det är. GNoME tränades med hjälp av data och arbetsflöden som utvecklades av projektet och förbättrades sedan via aktiv inlärning.

Genom att använda beräkningarna från Google DeepMinds GNoME tillsammans med data från Materials Project testade forskarna A‑Lab, en anläggning vid Berkeley Lab där AI styr robotar i framställning av nya material. A‑Lab producerade framgångsrikt 41 nya föreningar.

⬆ Back to table

3. Superhårda material: ML‑styrd upptäckt bortom diamant

Industrier som militär, rymdteknik och energiproduktion kräver superhårda material, som i praktiken är oförcompressibla fasta ämnen. Hårdhetsvärdet för dessa material överstiger 40 gigapascal (GPa) på Vickers‑skalan, och de har hög bindningskovalens och hög elektrondensitet.

Diamant är det hårdaste kända materialet hittills, med ett hårdhetsvärde i intervallet 70–150 GPa. Detta innebär att det krävs mer än så (70–150 GPa) tryck för att lämna ett intryck på diamantens yta. Som ett resultat används den i skärverktyg, slipmedel, slitstarka beläggningar och för att skapa högtrycksexperiment.

Dessa ädelstenar, som är en fast form av grundämnet kol med sina atomer arrangerade i en diamantkuben kristallstruktur, används också av forskare för att hitta nya lämpliga material. Men AI har förändrat detta.

Under åren har flera forskare hittat⁹ nya superhårda faser, där en rapporterat¹⁰ BC10N, B4C5N3, och B2C3N som uppvisar dynamiskt stabila faser med hårdhetsvärden > 40 GPa.

År 2020 använde forskare från University of Houston och Manhattan College en ML‑modell för att exakt förutsäga hårdheten hos nya material, vilket möjliggjorde att de lättare kunde hitta lämpliga föreningar.

Mängden högt tryck som krävs för att göra ett avtryck på ett materials yta gör dem sällsynta, och “att identifiera nya material är en utmaning.” Och detta är exakt varför, “material som syntetisk diamant fortfarande används trots att de är svåra och dyra att tillverka,” sade papperets medförfattare Jakoah Brgoch, som är docent i kemi vid University of Houston.

En komplicerande faktor här är belastningsberoende, vilket innebär att ett materials hårdhet kan variera beroende på den applicerade tryckbelastningen. Detta gör experimentell testning av ett material komplex. Även användning av beräkningsmodeller är nästan omöjligt, så forskarna skapade en modell som övervinner utmaningen genom att förutsäga den belastningsberoende Vickers‑hårdheten enbart baserat på materialets kemiska sammansättning.

Algoritmen byggde på en databas som involverade 560 olika föreningar och krävde att gå igenom hundratals akademiska artiklar. “Alla bra maskininlärningsprojekt börjar med en bra dataset,” sade Brgoch. “Den verkliga framgången ligger till stor del i utvecklingen av denna dataset.”

Som ett resultat hittade de över 10 nya stabila borokarbidfaser, och med modellens noggrannhet på 97 % känner de sig hoppfulla om att uppnå framgång i laboratoriet.

AI är dock inte utan begränsningar, som Brgoch påpekade, “Idén med att använda maskininlärning är inte att säga, ‘Här är nästa största material’, utan att hjälpa till att vägleda vår experimentella sökning.” Vad tekniken gör är att “den talar om för dig var du bör leta.”

⬆ Back to table

4. Polymerdielektriker: AI‑accelererade energilagringsmaterial

En väsentlig komponent i modern energilagring är dielektriker, som är icke‑ledande material såsom luft, glas och plast. 

Valet av dielektriskt material är vad som bestämmer energitätheten i kondensatorer, och polymerdielektriker används i stor utsträckning för energilagring på grund av deras låga kostnad, mekaniska flexibilitet, pålitlighet, snabba urladdningshastighet och enkla bearbetning. Men återigen är deras låga energitäthet ett problem.

Som ett resultat söker forskare kontinuerligt att förbättra prestanda genom att utveckla nya polymerdielektriker för att öka deras energilagringskapacitet för tillämpningar i elsystem, elektronik och elfordon (EV). 

AI har gjort fantastiska framsteg inom polymermaterial. Till exempel, för bara ett par månader sedan samarbetade forskare vid MIT och Duke University för att skapa¹² mer hållbara polymerer genom att införliva stress‑responsiva tvärbindningsmolekyler, vilka identifierades av AI. MIT‑forskare har också byggt¹³ ett system som hittar, blandar och testar upp till 700 nya polymerblandningar per dag för tillämpningar som batterielektrolyter, proteinstabilisering eller läkemedelsleveransmaterial.

Att designa nya polymerblandningar innebär problemet med ett nästan oändligt antal möjliga polymerer att börja med, och när några har valts ut för blandning måste sammansättningen av varje polymer väljas, liksom koncentrationen av polymerer i blandningen.

“Att ha ett så stort designutrymme kräver algoritmiska lösningar och högre genomströmning i arbetsflöden eftersom man helt enkelt inte kan testa alla kombinationer med brute force.”

– Papperets seniorförfattare, Connor Coley

Deras AI‑system gav dem optimala blandningar, där den bästa presterade 18 % bättre än dess enskilda komponenter.

Med tanke på hur effektivt AI ger nya polymeralternativ och blandningar, är det logiskt att tillämpa teknologin¹⁴ för att identifiera bättre polymerdielektriker¹⁵.

Ett forskarlag gjorde just det och upptäckte¹⁶ dielektriker med 11 gånger energitätheten hos kommersiella alternativ vid förhöjda temperaturer.

Den innovativa algoritmen utvecklades för att förutsäga egenskaper och formuleringar av polymerer innan de faktiskt skapas. För detta definierade de först specifika krav och tränade sedan ML‑modellerna på befintliga material‑egenskapsdata för att förutsäga önskade resultat.

Förutom AI använde forskarna etablerad polymerkemi och molekylär ingenjörskonst för att upptäcka en serie dielektriker i polynorbornen‑ och polyimidfamiljerna, där många av de upptäckta dielektrikerna uppvisar hög energitäthet och hög termisk stabilitet över ett brett temperaturintervall. 

Men en särskilt visade en energitäthet på 8,3 J cc⁻¹ vid 200 °C, vilket är mycket högre än den kommersiellt tillgängliga polymerdielektrikern.

“I de tidiga dagarna av AI i materialvetenskap, drivet av Vita husets Materials Genome Initiative för över ett decennium sedan, var forskningen inom detta område i stor utsträckning nyfikenhetsdriven. Först på senare år har vi börjat se konkreta, verkliga framgångshistorier i AI‑driven accelererad polymerupptäckt,” sade medförfattare Rampi Ramprasad, professor vid Georgia Institute of Technology. “Dessa framgångar inspirerar nu betydande omvandlingar i den industriella material‑F&U‑landskapet.”

⬆ Back to table

5. Fast elektrolyter: AI för säkrare, högre energitäta batterier

Drivet av den omfattande antagandet av bärbara enheter och EVs och den ökande efterfrågan på förnybara energilagringslösningar, den globala batterimarknaden är snabbt framåtskridande¹⁷. Med tanke på den viktiga roll som batterier spelar i den moderna världen försöker forskare ständigt utveckla mer energieffektiva och säkrare batteriteknologier.

Medan litium‑jonbatterier är mest använda idag, har de begränsad livslängd och säkerhetsrisker, vilka hanteras¹⁸ av fast‑tillstånd‑batterier (SSB). 

Dessa batterier ersätter flytande elektrolyter med fast‑tillstånd‑elektrolyter för att eliminera risken för brand vid förhöjda temperaturer samtidigt som de möjliggör högre energitäthet och förbättrad hållbarhet, vilket skapar säkrare och kraftfullare batterier. 

Men dessa batterier med fasta elektrolyter möter egna utmaningar, såsom låg jonkonduktivitet, elektrodkontaktkompatibilitet, mekanisk och kemisk stabilitet samt kostnadseffektiv tillverkning. Så forskare utforskar material som kan övervinna dessa problem med hjälp av AI.

Till skillnad från andra områden vi diskuterat idag är batterier ett av de hetaste områdena där tillämpningen av AI har exploderat på grund av ledande biltillverkare och startups som investerar stora summor i forskning och utveckling av fast‑tillstånd‑batterier. Förutom säkerhetsrisken har sektorn också samlat stora databaser som är tillräckligt rika för att träna ML‑modeller.

Till och med regeringar har listat SSB som en strategisk prioritet för att säkra inhemska leveranskedjor och uppnå nationella energi- och klimatmål.

Så finns det flera exempel där AI har hjälpt¹⁹ forskare och företag att upptäcka nya fasta elektrolyter.

Förra året använde Microsoft‑forskare AI tillsammans med superdatorer för att sålla igenom 32 miljoner potentiella oorganiska material för att hitta 18 lovande kandidater på några dagar. Det nya materialet, N2116, är en fast‑tillstånd‑elektrolyt som kan minska litiumanvändningen i batterier med 70 % och har testats för att driva en glödlampa.

DeepMinds AI‑verktyg GNoME har under tiden identifierat 528 lovande litium‑jonledare, varav vissa kan hjälpa till att göra batterier mer effektiva. 

Sedan finns LBS (Li8B10S19) från Stanford‑forskare, som kallade det “det mest stabila, svavelbaserade litium‑jonelektrolyten vi någonsin har sett experimentellt.” Forskarna identifierade först fasta elektrolyter för att så småningom ersätta brandfarliga flytande elektrolyter i litium‑jonbatterier via AI för ungefär ett decennium sedan.

⬆ Back to table

Slutsats

Dessa exempel visar att AI kan påskynda hur vi upptäcker nya material. Utmaningen nu är att omvandla datorförutsägelser till verkliga resultat, vilket innebär att kombinera AI med erfarna forskare och pålitliga data.

Swipe to scroll →

Det vi ser är de tidiga dagarna. Dessa upptäckter för oss närmare renare energi, säkrare teknik, hårdare material och industrier som inte tömmer planeten. AI förändrar hur vi bedriver materialvetenskap, och det är viktigt för vad som kommer härnäst.

Klicka här för att lära dig allt om investering i artificiell intelligens.

Referenser

1. Peplow, M. (2025). AI is dreaming up millions of new materials. Are they any good? Nature, 646, 22–25. Publicerad 1 oktober 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (2019, December 16). Artificial intelligence may help scientists make spray‑on solar cells. ScienceDaily. Publicerad 16 december 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). High‑efficiency perovskite solar cells via single‑source vapor deposition. 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). Machine learning with knowledge constraints for process optimization of open‑air perovskite solar cell manufacturing. 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, D. M., Pérez‑Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). Inverse design workflow discovers hole‑transport materials tailored for perovskite solar cells. Science, 386(6727), 1256‑1264. Publicerad 13 december 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Unlocking the potential: machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation. Chemical Society Reviews, 53, 11390–11461. Publicerad 9 oktober 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). AI‑driven design of multiprincipal element alloys for optimal water splitting. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Publicerad 15 juli 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624, 86–91. Publicerad 29 november 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Predicting superhard materials via a machine learning informed evolutionary structure search. npj Computational Materials, 5, 89. Publicerad 3 september 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Machine learning and evolutionary prediction of superhard B‑C‑N compounds. npj Computational Materials, 7, 114. Publicerad 21 juli 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Finding the Next Superhard Material through Ensemble Learning. Advanced Materials, 33(5), e2005112. Publicerad 4 december 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, August 5). AI helps chemists develop tougher plastics. MIT News. Retrieved August 5, 2025, from https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (2025, July 28). New system dramatically speeds the search for polymer materials. MIT News. Retrieved August 5, 2025, from https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, D. Q. (2020). The search for enhanced dielectric strength of polymer‑based dielectrics: A focused review on polymer nanocomposites. Journal of Applied Polymer Science, 137, e49379. Publicerad 5 april 2020. https://doi.org/10.1002/app.49379.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). High Dielectric Design of Polymer Composites by Using Artificial Neural Network. Applied Sciences, 12, 12592. Publicerad 25 december 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). AI‑assisted discovery of high‑temperature dielectrics for energy storage. Nature Communications, 15(1), 6107. Publicerad 19 juli 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). The battery industry has entered a new phase. IEA Commentary. Publicerad 5 mars 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Speeding up the development of solid state electrolyte by machine learning. Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). Artificial Intelligence Empowers Solid‑State Batteries for Material Screening and Performance Evaluation. Nano‑Micro Letters, 17, 287. Publicerad 6 juni 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMind’s Gnome is pushing AI into materials science. Time Magazine. Publicerad 6 juni 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). How AI and HPC are speeding up scientific discovery. Microsoft Source – Innovation Features. Publicerad 29 oktober 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22. Ma, Y., Wan, J., Xu, X., … (2023). Experimental discovery of a fast and stable lithium thioborate solid electrolyte, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). No burning batteries: Stanford scientists turn to AI to create safer lithium‑ion batteries. Stanford News. Publicerad 12 december 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries