Inuti AI-drivna laboratorier: En ny era av materialupptäckt

Precis som ett växande antal industrier får materialvetenskapen också stöd av artificiell intelligens (AI).

Här analyserar maskininlärningsalgoritmer (ML) enorma datamängder och identifierar mönster för att föreslå lovande materialkandidater på minimal tid, medan de förbrukar betydligt färre resurser än trial-and-error-metoder.

Det traditionella manuella, mänskligt intensiva arbetet som förstärktes av framväxten av beräkningssystem, som möjliggör komplexa beräkningar, revolutioneras nu fullständigt av automatiserade, parallella och iterativa processer drivna av AI, simulering och experimentell automatisering. 

Mognaden av AI-teknik, i kombination med högpresterande beräkning och hybridmolnteknologier, är hjälper materialvetenskapen att gå in i ett nytt paradigm som kännetecknas av den accelererade upptäckten av nya material, prediktiv modellering av materialegenskaper och autonom experimentering. 

Denna paradigmförskjutning gör det möjligt för forskare att gå från trial-and-error-metoder till design, vilket avsevärt minskar utvecklingscykler och banar väg för avancerade material inom energi, elektronik, sjukvård och hållbarhetsapplikationer.

Nyligen tog forskare från North Carolina State University ett stort steg framåt genom att skapa ett självstyrande laboratorium för att uppnå ett nytt språng i laboratorieautomatisering och ytterligare påskynda upptäckten av material av forskare.

Det automatiserade laboratoriet samlar in tio gånger mer data än traditionella, manuella metoder. Med detta kan forskare genomföra realtids, dynamiska kemiska experiment, vilket sparar tid och resurser samtidigt som möjliggör snabbare genombrott.

Nya laboratorieupptäckter kommer inte längre att ta år; snarare ser vi en framtid där uppfinningar sker på dagar.

Ett AI-drivet laboratorium: Realtidsinlärning för realtidsupptäckt

För att övervinna de globala utmaningarna inom ren energi, mänskligt välfärd och hållbarhet är det kritiskt att göra snabba upptäckter av avancerade funktionella material. Upptäckt och syntes av nya material är också nyckeln till innovativa teknologier som batterier, datorkretsar, solpaneler och mycket mer.

Som ett resultat, mycket framsteg har gjorts inom materialaccelerationsplattformar och självstyrande laboratorier.

Trots framstegen, hindras kapaciteten hos dessa plattformar och laboratorier att utforska komplexa parameterutrymmen av låg datagenomströmning. Långsamma dataöverföringar och bearbetning leder till minskad produktivitet.

Därför har forskare vid NC State University \”infört dynamiska flödesexperiment som en dataintensifieringsstrategi för oorganisk materialsyntes inom självstyrande fluidiska laboratorier genom kontinuerlig kartläggning av övergående reaktionsförhållanden till steady-state-ekvivalenter\”.

Publicerad i Nature Chemical Engineering¹, studien beskriver ett toppmodernt självstyrande laboratorium som använder realtidsexperiment för att kontinuerligt samla in data, vilket gör materialupptäckt snabbare och mer effektivt samtidigt som kostnader och miljöpåverkan minskas.

För deras arbete fick studien stöd från National Science Foundation och University of North Carolina Research Opportunities Initiative-programmet.

Vad betyder egentligen självstyrande laboratorier (SDLs)? Jo, dessa är robotplattformar som kombinerar ML och automatisering med kemi- och materialvetenskap för att snabbare hitta material. I dessa ML-assisterade modulära experimentplattformar genomförs en serie experiment, som väljs av ML-algoritmen, iterativt för att uppnå det programmerade målet.

“Föreställ dig att forskare kunde upptäcka banbrytande material för ren energi, ny elektronik eller hållbara kemikalier på dagar istället för år, med bara en bråkdel av materialen och generera mycket mindre avfall än status quo.”

– Papirets medförfattare, Milad Abolhasani, ALCOA-professor i kemisk och biomolekylär ingenjörskonst vid North Carolina State University

Han tillade:

“Detta arbete för den framtiden ett steg närmare.” 

Representerar ett transformerande tillvägagångssätt för att påskynda vetenskaplig upptäckt, blir självstyrande laboratorier allt mer populära inom kemi- och materialvetenskapsfältet. 

Selvstyrande laboratorier som använder kontinuerliga flödesreaktorer förlitar sig ofta på steady-state flödesexperiment, där olika prekursorer kombineras innan kemiska reaktioner sker, och blandningen flödar kontinuerligt genom en mikrokanal. 

Produkten som kommer ut ur den karakteriseras sedan av en serie sensorer när reaktionen är klar.

“Denna etablerade metod för självstyrande laboratorier har haft en dramatisk inverkan på materialupptäckt,” noterade Abolhasani, och delade att detta har gjort det möjligt för forskare att “identifiera lovande materialkandidater för specifika tillämpningar på några månader eller veckor, snarare än år, samtidigt som både kostnader och miljöpåverkan minskas.” Men den var på inget sätt perfekt, och det finns fortfarande förbättringsområden.

Speciellt, när systemet är inaktiv under den kemiska reaktionen sker innan det resulterande materialet kan bli karakteriserat. Väntetiden för självstyrande laboratorier kan vara upp till en timme för varje steady-state flödesexperiment.

“Vi har nu skapat ett självstyrande laboratorium som använder dynamiska flödesexperiment, där kemiska blandningar kontinuerligt varieras genom systemet och övervakas i realtid.”

– Abolhasani 

Vad detta betyder är att de eliminerar processen att köra separata prover genom systemet och testa varje av dem ett i taget efter att de har nått ett tillstånd. 

Istället har de byggt ett system som helt enkelt inte slutar köra. Proverna rör sig kontinuerligt genom systemet. Detta beror på att “systemet aldrig slutar karakterisera provet,” och forskaren kan “fånga data om vad som händer i provet varannan halvsekund.”

Integreringen av dynamiska flödesexperiment i självstyrande fluidiska laboratorier markerar ett avsteg från traditionella batch-experiment. 

I kontrast till konventionella metoder, där isolerade datapunkter samlas in under steady-state-förhållanden, i dynamiska flödesexperiment, mikrofluidiska principer används för snabb kartläggning av reaktionsförhållanden.

Genom att skapa ett konstant dataström expanderar den tillgängliga experimentdata drastiskt.

Abolhasani illustrerade att teamet nu får 20 datapunkter om vad experimentet producerar, med en efter 0,5 sekunders reaktionstid, sedan en efter 1 sekund, och så vidare, till skillnad från den en datapunkt de skulle få efter 10 sekunders reaktionstid. Han tillade:

“Det är som att gå från ett enda ögonblicksbild till en hel film av reaktionen när den sker. Istället för att vänta på att varje experiment ska avslutas, kör vårt system alltid, lär sig alltid.” 

Att ha så mycket mer data kan ha en enorm inverkan på prestandan i ett AI-drivet laboratorium. Data är trots allt nyckeln till en algoritm. AI är datahungrig, och baserat på den data den matas, gör algoritmen förutsägelser.
Enligt Abolhasani:

“Den viktigaste delen av varje självstyrande laboratorium är maskininlärningsalgoritmen som systemet använder för att förutsäga vilket experiment det ska genomföra härnäst.” 

Som sådan tillåter strömmande-data-approachen ML-hjärnan i det självstyrande laboratoriet att inte bara fatta snabbare utan också smartare beslut, “finjustera optimala material och processer på en bråkdel av tiden.”
Datakvaliteten bestämmer också noggrannheten i förutsägelserna. Så, genom att ha mer högkvalitativ experimentdata, kan algoritmen göra mer exakta förutsägelser, och sedan kan den lösa ett problem snabbare. 

“Detta har den extra fördelen att minska mängden kemikalier som behövs för att nå en lösning.” 

– Abolhasani

För att demonstrera systemets kapacitet tillämpade teamet dynamiska flödesexperiment på CdSe kolloidala kvantprickar. Detta användes som testbädd på grund av dess status som ett väl etablerat oorganiskt system med inte bara rika parameterberoenden utan också betydande teknologisk potential.

I detta fall fann teamet att deras laboratorium, som integrerade ett dynamiskt flödesystem, uppnådde “en förbättring av datainsamlings effektiviteten med en storleksordning.”

Det gav minst 10 gånger mer data än andra självstyrande laboratorier som använde steady-state flödesexperiment. Dessutom, när den var tränad, kunde det självstyrande laboratoriet upptäcka de bästa kandidaterna på första försöket.

Detta genombrott, som Abolhasani sade, “handlar inte bara om hastighet,” utan om att uppnå hållbarhet. Genom att minska antalet nödvändiga experiment minskar systemet avsevärt både kemikalieförbrukning och avfall, vilket främjar mer hållbara forskningsmetoder. Abolhasani sade:

“Framtiden för materialupptäckt handlar inte bara om hur snabbt vi kan gå, utan också om hur ansvarsfullt vi kommer dit. Vårt tillvägagångssätt innebär färre kemikalier, mindre avfall och snabbare lösningar för samhällets tuffaste utmaningar.”

AI:s Expanderande Roll i Materialvetenskap: Spännande Senaste Upptäckter

AI omvandlar industrier världen över, och det inkluderar materialvetenskap, som är grundläggande för många teknologiska innovationer och samhälleliga utmaningar. 

Som ett resultat har användningen av AI i upptäckt och utveckling av nya material pågått i många år nu, men den har definitivt fått ökat genomslag de senaste åren i takt med att teknologin blir mer avancerad och kapabel.

“Med fortsatt utveckling förväntar vi oss att robotik och automatisering kommer att förbättra hastigheten, precisionen och reproducerbarheten i experiment över olika instrument och discipliner, vilket genererar data som artificiella intelligenssystem kan analysera för att vägleda vidare experimentering.“

– Dr. James Cahoon, en medförfattare till artikeln ‘Transforming Science Labs into Automated Factories of Discovery.^2′

Med det sagt, låt oss titta på några nyckelframsteg inom materialvetenskap i år över olika tillämpningar.

Till att börja med, som vi nyligen delade, har forskare med hjälp av AI kunnat designa komplexa, 3D-thermal meta-emitter som kan sänka inomhustemperaturer och hjälpa till att spara energikostnader. Materialet som skapats med en nyutvecklad ML-teknik kan hitta tillämpningar i bostads- och kommersiella byggnader, rymdfarkoster, tyger och textilier, bilar och mer.

“Genom att automatisera processen och expandera designutrymmet kan vi skapa material med överlägsen prestanda som tidigare var otänkbara.“

– Studiens medledare, Yuebing Zheng

Utveckling av Nya Metalliska Material med Överlägsen Styrka

För ett par månader sedan, forskare rapporterade med AI att designa en ny MPEA eller flera huvudkomponentlegeringar, vilka finns i flygplanskomponenter, katalysatorer och knäproteser.

Den nydesignade MPEA har överlägsna mekaniska egenskaper, vilket Sanket Deshmukh, docent i kemiteknik vid Virginia Tech, sade, “demonstrerar hur ramverk och förklarande AI kan låsa upp nya möjligheter i materialdesign.“

För att tolka analysen gjord av AI-modellen använde Deshmukh och hans team SHAP (SHapley Additive exPlanations) analys, vilket gjorde det möjligt för dem att förstå hur olika element och deras lokala miljöer påverkar MPEA:s egenskaper, i sin tur, vilket ger mer insikt och exakta förutsägelser.

Förutom att påskynda upptäckten av avancerade metalllegeringar, tror Deshmukh att integration av ML med evolutionära algoritmer och experimentell validering också kan hjälpa oss att skapa verktyg som “kan utökas till komplexa materialssystem såsom glykomaterial – polymermaterial som innehåller kolhydrater.”

Avslöja Hemligheterna bakom Dendritisk Tillväxt i Tunna Filmer

Forskningen från Tokyo University of Science (TUS)³ har utvecklat en förklarlig AI-modell som förutsäger tillväxten av dendriter (trädliknande grenmönster) i tunna filmer, vilket är ett stort hinder i deras storskaliga tillverkning och begränsar deras kommersialisering.

Genom att avslöja de specifika förhållandena och mekanismerna bakom dendritgrenning hjälper AI-modellen till att förbättra tillväxtprocessen för tunna filmer. Tunnfilm-enheter är kritiska i teknik som halvledare.

Den nya AI-modellen integrerade maskininlärningsmetoden kallad principal component analysis (PCA) och topologitekniken kallad persistent homology med fri energi-analys.

“Genom att integrera topologi och fri energi erbjuder vår metod ett mångsidigt tillvägagångssätt för materialanalys. Genom denna integration kan vi etablera en hierarkisk koppling mellan atomskaliga mikrostrukturer och makroskopiska funktioner över ett brett spektrum av material, vilket banar väg för framtida framsteg inom materialvetenskap.“

– Professor Masato Kotsugi från Institutionen för Materialvetenskap och Teknik vid TUS

Få en Bättre Förståelse för Nanopartiklar

Ett team av forskare från flera universitet sammanfördes för att utveckla en metod⁴ för att bättre förstå det dynamiska beteendet hos nanopartiklar, som är byggstenarna i elektronik, läkemedel och industriella material.

Den kombinerade elektronmikroskopi med AI för att visualisera strukturer och rörelser av molekyler med en oöverträffad tidsupplösning.

Som Peter A. Crozier, professor i materialvetenskap och ingenjörskonst vid Arizona State University, förklarade:

“Elektronmikroskopi kan fånga bilder med hög rumslig upplösning, men på grund av hastigheten med vilken den atomära strukturen hos nanopartiklar förändras under kemiska reaktioner, behöver vi samla in data med mycket hög hastighet för att förstå deras funktionalitet.”

För att minska detta brus utvecklade de en AI-metod som automatiskt tar bort det, “möjliggör visualisering av nyckeldynamik på atomnivå.”

Samtidigt tar en forskargrupp från Graz University of Technology nanostrukturskapande till en ny nivå med hjälp av AI.

För detta, de utvecklar ett självförklarande AI-system som autonomt placerar enskilda molekyler snabbt och i den rätta orienteringen med hjälp av scanning tunnelling-mikroskop, annars en svår och tidskrävande process, för att möjliggöra byggandet av “mycket komplexa molekylära strukturer, inklusive logikkretsar i nanometerområdet.“

Målet är att slutligen bygga kvantkorridorer, som är nanostrukturer i form av en grind som kan fånga elektroner, och använda dem för att bygga logikkretsar för att studera hur de fungerar på molekylär nivå.

Upptäcka Bättre Fotovoltaiska Material

Ett hållbart alternativ till konventionella kiselbaserade solceller, perovskit-solceller visar stor potential som nästa generations fotovoltaisk teknik för att omvandla soljus till elektricitet.

Deras effektivitet kan ytterligare ökas genom molekyler som leder positiva laddningar, men det finns miljontals olika molekyler, vilket innebär syntes och testning av dem alla. Dock, genom att använda AI med automatiserad högkapacitetssyntes, kunde ett team av forskare från Karlsruhe Institute of Technology (KIT) upptäcka nya organiska molekyler⁵ på bara några veckor, med endast 150 riktade experiment.

De nyupptäckta materialen ökade också effektiviteten hos en referenssolcell med cirka två procentenheter.

För detta vände sig forskarna till en databas med en miljon virtuella molekyler och valde slumpmässigt 13 000 av dem innan de valde 101 av dem. De valda hade de största skillnaderna i sina egenskaper, och de syntetiserades med robotiska system innan de använde dem för att producera solceller.

Lägga Grunden för AI-Driven Materialupptäckt

Medan alla dessa upptäckter är gjorda, för att AI faktiskt ska kunna göra det, behövs data. Detta inkluderar data om material samt data från storskaliga simuleringar. 

Även om många sådana databaser finns, är de ganska isolerade, vilket kräver en standard “så att användare kan kommunicera med alla dessa datalager och förstå informationen de får,“ noterade Gian-Marco Rignanese, professor vid Institute of Condensed Matter and Nanosciences vid UCLouvain i Belgien.

Så, förra sommaren släppte ett stort internationellt samarbete en utökad version av OPTIMADE-standarden för att underlätta AI-driven materialupptäckt.

OPTIMADE (Open databasintegration för materialdesign) )-standarden stöds av ett stort internationellt nätverk av institutioner och materialdatabaser. Med målet att ge användare enklare tillgång till både ledande och mindre kända materialdatabaser, en ny version av den introducerades som kan ytterligare påskynda den pågående AI-drivna materialupptäckten.

Investera i AI för Materialupptäckt

När man tittar på att investera i detta område, Alphabet Inc. (GOOGL ) äger Google är ett som har släppt ett AI-verktyg kallat Gnome. Det har rapporterat att hitta 2,2 miljoner nya kristaller med det. Sedan finns Microsoft (MSFT ), som har introducerat MatterGen och MatterSim för att skapa nya materialkandidater och validera dem.
Men det finns en annan AI-jätte som har lanserat sin egen modell för att höja skala och precision i materialforskning.

NVIDIA Corporation (NVDA )

Det är ingen annan än AI-favoriten Nvidia. Sent förra året, företaget introducerade NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).

Plattformen syftar till att påskynda R&D inom kemi och materialvetenskap genom AI:s kraft, och för att uppnå detta, inkluderar den API:er och accelererade inferens-mikrotjänster. Detta kommer att möjliggöra skapande och distribution av generativa AI-modeller för att utforska det enorma materialuniversumet och föreslå nya kandidater, och utveckling och användning av surrogatmodeller för att uppnå en balans mellan beräkningskostnaden och noggrannhet. Det kommer också att möjliggöra tillgängliga informatikverktyg och förtränade grundmodeller för snabb screening och simuleringsverktyg för att träna och finjustera AI-modeller för nya användningsfall.

Genom ALCHEMI strävar NVIDIA efter att påskynda upptäcktsarbetsflödet och “införa en ny era av banbrytande upptäckter som driver en mer hållbar, hälsosammare framtid.”

Nvidia är ett företag med ett börsvärde på 4,22 biljoner dollar, vars aktier handlas runt 173,5 dollar, upp 28,8% år till datum. Dess EPS (TTM) är 3,10, P/E (TTM) är 55,73, och utdelningsavkastningen är 0,02%.

Senaste NVIDIA Corporation (NVDA) Aktier Nyheter och Utveckling

Slutsats

När AI, automatisering och högpresterande beräkning sammanfogas, går materialvetenskap in i sin mest transformerande era, vilket markerar ett mycket behövt skifte från mänskligt ledd trial-and-error till, autonom upptäckt.

Mitt i detta förändrar AI-drivna laboratorier och självstyrande experimentplattformar helt hur forskare inte bara upptäcker utan också testar och optimerar material. Dessutom, med initiativ som NVIDIAs ALCHEMI, Googles Gnome, och Microsofts MatterGen, satsar stor teknik på AI för att driva nästa våg av innovation!

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

Referenser:

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. Flödesdriven Dataintensifiering för att Påskynda Autonom Oorganisk Materialupptäckt. Nature Chemical Engineering, publicerad online 14 juli 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Omvandla Vetenskapliga Laboratorier till Automatiserade Fabriker för Upptäckt. 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. Koppla Struktur och Process i Dendritisk Tillväxt med Persistent Homology och Energianalys. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Artikel 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 Nanopartikel Yt-dynamik och Instabiliteter Möjliggjort av Djup Denoising. 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. Omvänd Designarbetsflöde Upptäcker Hole‑Transport Material anpassade för Perovskite Solceller. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901

_yoast