AI driver jakten på nästa generations hållbara kylmaterial

I materialvärlden är termisk nanofotonik avgörande för att möjliggöra grundläggande genombrott inom teknologiska tillämpningar.

Termisk nanofotonik kombinerar nanofotonik och termovetenskap för att manipulera och kontrollera värmeöverföring på nanoskalan. Den utnyttjar nanostrukturer och material för att skräddarsy termisk strålning och värmeflöde, vilket leder till framsteg i olika tillämpningar, inklusive energihämtning, värmehantering och sensorteknik.

Nanofotonik behandlar ljusets beteende på nanometerskalan. Nanofotoniska material erbjuder samtidigt spektral och riktad kontroll över termisk emission.

Den traditionella metoden för att hitta sådana material hindras av trial‑and‑error‑metoder, men framväxten av maskininlärning (ML) och artificiell intelligens (AI) har revolutionerat materialvetenskapen genom att avsevärt påskynda processerna för materialupptäckt, design och optimering.

Medan teknologin har visat sina kraftfulla förmågor i designen av nanofotoniska och metamaterial, är det en utmaning att utveckla en generell designmetodik för att skräddarsy högpresterande nanofotoniska emitter med ultrabredbandskontroll och exakt bandselektivitet. 

Detta beror på begränsningar från traditionella algoritmer, lokala optimeringsfällor och fördefinierade geometrier och material. 

Detta adresseras nu av forskare från University of Texas at Austin, som samarbetat med forskare från Umeå universitet i Sverige, National University of Singapore och Shanghai Jiao Tong University.

Tillsammans har designat en ML‑teknik¹ för att designa komplexa, 3D‑termiska meta‑emitter. 

Meta‑emitter är konstruerade material som är designade för att kontrollera och manipulera elektromagnetisk strålning, med tillämpningar inom energieffektivitet och värmehantering. 

“Vår maskininlärningsram representerar ett betydande språng framåt i designen av termiska meta‑emitter. Genom att automatisera processen och utöka designutrymmet kan vi skapa material med överlägsen prestanda som tidigare var otänkbara.”

– Studie‑medledare Yuebing Zheng, professor vid Cockrell School of Engineering’s Walker Department of Mechanical Engineering

AI‑drivna material för klimatresilient stadsdesign

Publicerad i Nature beskriver studien det nya ML‑baserade ramverket som hjälpte till att designa material som kan sänka inomhustemperaturer och därmed energikostnader.

Med hjälp av sitt ramverk har forskarna faktiskt kunnat generera mer än 1 500 nya material som selektivt kan avge värme på ett kontrollerat sätt. De kan också erbjuda högre precision i uppvärmning och kylning för att uppnå förbättrad energieffektivitet.

Deras ramverk kan designa ultrabredbandiga och bandselektiva termiska meta‑emitter genom att optimera flera parametrar med begränsad data som täcker materialmångfald och 3D‑strukturell komplexitet.

Enligt studien möjliggör deras arkitektur dubbla designkapaciteter. För det första automatiseras den inversa designen av ett flertal möjliga metastrukturer samt materialkombinationer för spektral anpassning. För det andra har den en “oöverträffad förmåga” att designa olika 3D‑meta‑emitter genom att tillämpa en tredimensionell modelleringsmetod som övervinner begränsningarna i traditionella, platta, 2D‑strukturer. 

I studien presenterar teamet sju proof‑of‑concept‑meta‑emitter som demonstrerar överlägsen optisk och strålningskylningsprestanda, vilket överträffar de nuvarande avancerade designerna. De sju klasserna av meta‑emitter är anpassade för specifika funktioner.

Det generaliserbara ramverket som utvecklats är för tillverkning av 3D‑nanofotoniska material, vilket forskarna noterade “underlättar global optimering genom utökad geometrisk frihet och dimensionalitet samt en omfattande materialdatabas.”

För att bedöma genomförbarheten av deras designsystem producerade forskarna fyra provmaterial och testade sedan deras prestanda. 

Ett av meta‑emitter‑materialen applicerades på taket av ett modellhus. För att analysera dess kylförmåga jämfördes materialet med standard kommersiell vit och grå färg. Vad forskarna observerade efter att taket hade fyra timmars direkt middagssol var att det nysskapade materialet i genomsnitt var 5 till 20 grader Celsius svalare än traditionella färger.

Baserat på detta uppskattar teamet att deras material kommer att spara ungefär 15 800 kilowattimmar (kWh) per år i kylkostnader för ett flerbostadshus i en varm stad som Bangkok. En standard luftkonditioneringsenhet förbrukar vanligtvis omkring 1 500 kWh årligen.

Således kan de material som teamet skapat användas för både bostads‑ och kommersiella energibesparingar. I städer kan de hjälpa till att sänka temperaturerna genom att reflektera solljus och avge värme vid riktade våglängder. På så sätt kan materialet potentiellt minska den urbana värmeöeffekten som orsakas av begränsad grönska och täta betongstrukturer.

Men det är inte allt. Materialet kan även användas i rymdapplikationer, där det effektivt hanterar inkommande solstrålning och utsläppt värme, vilket hjälper till att reglera rymdfarkosters temperaturer.

Användningsområdena för termiska meta‑emitter sträcker sig långt bortom detta. Till exempel, genom att integrera dem i tyger och textilier kan vi förbättra kylteknologin i kläder och utrustning för utomhusbruk. 

Bilar är ännu ett exempel. Genom att omsluta bilar med termiska meta‑emitter och integrera dem i interiörmaterial kan den värme som byggs upp när bilar står i solen också minskas.

Trots sina många fördelar har dessa material inte kunnat nå bred adoption på grund av den arbetsintensiva designprocessen, och även automatiserade alternativ har haft svårigheter att hantera deras komplexa 3D‑hierarkiska struktur. Men allt detta kan äntligen förändras med det senaste AI‑ramverket.

“Traditionellt har designen av dessa material varit långsam och arbetsintensiv, beroende på trial‑and‑error‑metoder. Detta tillvägagångssätt leder ofta till suboptimala designer och begränsar möjligheten att skapa material med de nödvändiga egenskaperna för att vara effektiva.”

– Zheng

Därför kommer forskarna att fortsätta arbeta med sin teknik, förfina den och tillämpa den på ytterligare aspekter av nanofotonik.

“Maskininlärning är kanske inte lösningen på allt, men de unika spektrala kraven för värmehantering gör den särskilt lämplig för att designa högpresterande termiska emitter.”

– Medförfattare Kan Yao

Hur AI påskyndar upptäckten av nya material

Fokuserat på struktur, egenskaper, bearbetning och prestanda hos material, bildar materialvetenskap grunden för allt från rymdteknik, elektronik och energi till medicin och många andra områden. 

Faktum är att upptäckten och utvecklingen av nya material har varit avgörande för att forma mänsklighetens historia i århundraden och driva teknologisk utveckling.

I årtionden har vi förlitat oss på trial‑and‑error‑metoden för att hitta nya oorganiska material med gynnsamma egenskaper. Detta tillvägagångssätt är extremt resurskrävande och kräver hundratusentals timmars experiment för att först identifiera och sedan syntetisera bara ett fåtal potentiella nya material.

Komplexiteten hos material på molekylär och atomär nivå är det som gör upptäckten av nya material både tidskrävande och dyrt. Så förändrade tillgången till superdatorer materialvetenskapen genom att möjliggöra simulering av materialens beteende.

Och nu leder AI:s ankomst till en revolution i fältet genom att påskynda den beräkningsbaserade ansatsen till materialvetenskap. Genom att ange önskade egenskaper för ett material samt begränsningar kan generativa AI‑system nu skapa helt nya material.

När allt kommer omkring kan dagens avancerade modeller, tränade på enorma datamängder, i kombination med höggenomströmmande beräkning snabbt skanna kandidatematerial mot önskade parametrar och därmed förutsäga egenskaper för ett stort antal substanser på mycket kort tid.

AI kan inte bara spara betydande utvecklingstid och mänskliga samt materialresurser, utan även göra det samtidigt som den exakt möter komplexa och varierande marknadskrav.

Som Kristin Persson, professor i materialvetenskap vid University of California, Berkeley, noterade, befinner vi oss för närvarande i ett paradigm där vetenskap drivs av stora data och AI. Idag har vi tillräckligt med data för att träna maskininlärningsalgoritmer, och “det ger en helt ny hastighetsnivå i termer av innovation,” sade hon.

Intressant nog drar AI också nytta av upptäckten av nya material. AI är datahungrig, och materialvetenskapen saknar data. Genom att utnyttja denna teknik kan materialegenskaper simuleras, och de resulterande data kan användas för att träna maskininlärningsmodeller.

Persson leder för närvarande det multinationella, multiinstitutionella projektet Materials Project, som utnyttjar superdatorer och avancerade simuleringsmetoder för att beräkna egenskaperna hos alla kända oorganiska material och mer. Data görs fritt tillgängliga för att designa nya material.

Klicka här för att lära dig mer om de adaptiva takplattorna som kan hjälpa till att minska uppvärmnings‑/kylenergiförbrukningen.

Genombrott inom AI‑driven materialupptäckt

Forskare från U of T Engineering introducerade ett nytt verktyg² nyligen som förutsäger hur ett nytt material bäst kan användas för att minska fördröjningen mellan materialupptäckt och dess implementering.

Det multimodala AI‑verktyget använder data från tidiga stadier för att förutsäga potentiell verklig användning för ett nytt material med fokus på en specifik kategori av porösa material kallade metall‑organiska ramar (MOF). 

Redan förra året utvecklade forskare över 5 000 olika typer av dessa material, som har justerbara egenskaper, noterade studieleder professor Seyed Mohamad Moosavi från University of Toronto (ChemE). Han tillade att utmaningen är att ett MOF som skapats för en viss tillämpning ofta visar sig ha lämpliga egenskaper för en helt annan.

“I materialupptäckt är den typiska frågan, ‘Vilket är det bästa materialet för denna tillämpning?’” sade Moosavi. “Vi vände på frågan och frågade, ‘Vilken är den bästa tillämpningen för detta nya material?’ Med så många material som tillverkas varje dag vill vi flytta fokus från ‘vilket material ska vi göra härnäst’ till ‘vilken utvärdering ska vi göra härnäst.’”

Så utvecklade ChemE‑doktorand Sartaaj Khan ett multimodalt maskininlärningssystem tränat på olika typer av data. Multimodalitet var nyckeln här eftersom det gav modellen “en mer komplett bild” för att göra mer exakta förutsägelser utan att kräva eftersyntes.

Forskare från Argonne National Laboratory använde under tiden en generativ AI‑diffusionsmodell för att generera över 120 000 MOF³ kandidater på drygt en halv timme med en superdator. Det modifierade neurala nätverket reducerade antalet MOF till 364, som ansågs högpresterande.

Efter några dagar och ytterligare beräkningsanalys fann teamet 102 stabila MOF i datasetet. 6 av dessa hade en CO₂‑kapacitet som rankades bland de bästa 5 % av materialen i den populära hMOF‑databasen.

I ett annat exempel använde forskare AI för att designa helt nya nanomaterial⁴ som är lika lätta som skumgummi men har styrkan hos kolstål. 

Styrka och seghet är ofta i konflikt i många material, inklusive nano‑arkitekturerade sådana, som består av ultrasmå små byggstenar. När dessa byggstenar upprepas blir materialet starkt, men kan också orsaka spänningskoncentrationer som leder till plötsliga brott. 

För att hitta bättre sätt att designa nanomaterial simulerade forskarna möjliga geometrier och körde dem sedan genom en algoritm som lärde sig av deras designer för att förutsäga de bästa formerna för jämn fördelning av applicerade spänningar samtidigt som de bär en tung last.

Forskarna använde en 3D‑skrivare för att förverkliga dessa former och fann att de kunde stå emot en stress på 2,03 MPa per kubikmeter per kilogram, vilket är fem gånger högre än titan.

Forskare ser deras potentiella tillämpning som ultralätta komponenter i rymdapplikationer för att minska bränslebehovet och den höga koldioxidavtrycket från flygning.

Enligt försteförfattaren Peter Serles, en ingenjörsforskare vid Caltech:

“Detta är första gången maskininlärning har tillämpats för att optimera nano‑arkitekturerade material, och vi blev förbluffade över förbättringarna. Det replikerade inte bara framgångsrika geometrier från träningsdata; det lärde sig av vilka förändringar i formerna som fungerade och vilka som inte gjorde det, vilket gjorde det möjligt att förutsäga helt nya gittergeometrier.”

AI‑baserad materialupptäckt används också i stor utsträckning för stadsplanering. En samarbetsstudie⁵ av Peking University och University of Southern Denmark utvecklade ett avancerat ramverk som integrerar djupinlärning med fjärranalys för att identifiera byggnadsmaterial med enastående precision.

Förutom energieffektivitet kan AI höja stadsplaneringen genom att hjälpa till med miljöövervakning och bevarande, bostads‑ och infrastrukturutveckling samt allmän säkerhet och katastrofrespons.

Klicka här för att lära dig mer om bladlösa vindkraftverk, ofta kallade framtidens rena energi.

Investering i AI‑baserad materialupptäckt

Om vi ser på AI:s investeringspotential är den enorm, med marknaden prognostiserad att vara värd biljoner under de kommande åren. När det gäller företag som leder detta teknologiska framsteg, särskilt inom materialvetenskap, sticker två namn ut: Microsoft (MSFT ) och Google (Alphabet Inc.) (GOOG ), som har lanserat egna modeller för att höja skala och precision i materialforskning. För detta artikels syfte fokuserar vi på Alphabet Inc.

Alphabet Inc. (GOOG )

Sent under 2023 släppte Googles DeepMind ett AI‑verktyg kallat Graph Networks for Materials Exploration (Gnome) för att påskynda materialupptäcktsprocessen. Vid den tidpunkten rapporterade⁶ att de hittade 2,2 miljoner nya kristaller med hjälp av djupinlärningsverktyget.

Detta, enligt Google, motsvarar “ungefär 800 års kunskap och demonstrerar en oöverträffad skala och noggrannhet i förutsägelser.” De nyupptäckta kristallerna inkluderade 380 000 stabila material, vilket gör dem lovande kandidater för experimentell syntes och potentiellt drivkraft för framtida teknologier.

Gnome‑modellen är en graf‑neural‑nätverksmodell (GNN) där indata representeras som en graf. Gnome tränades på data från Materials Project, inklusive kristallstrukturer och deras stabilitet, för att generera nya kandidat‑kristaller och förutsäga deras stabilitet.

Google utvärderade sin förutsägelsekraft genom att upprepade gånger kontrollera prestanda med hjälp av Density Functional Theory (DFT). För ‘träningsprocessen’ använde de ‘aktiv inlärning’ där den resulterande datan matades tillbaka in i modellen, vilket avsevärt förbättrade Gnomes prestanda. 

Modellens stabilitets‑förutsägelse‑noggrannhet, enligt Google, steg från 50 % till 80 %. Modellens effektivitet skalerades samtidigt från under 10 % till över 80 %.

Dessutom har omkring 736 material som förutsagts av Gnome oberoende syntetiserats av externa forskare. Google samarbetade också med Lawrence Berkeley National Lab för att syntetisera 41 nya material, vilket bekräftade verktygets förutsägelsekraft och kraften i autonom experimentering.

Nu ska vi titta på den $2,2 biljon‑stora marknadskapitaljätten. Vid skrivandet handlas aktierna runt $182, ner 3,86 % YTD. Den har ett EPS (TTM) på 8,97 och ett P/E (TTM) på 20,29. Utdelningsavkastningen är 0,46 %.

När det gäller företagets finanser rapporterade Googles moderbolag, Alphabet, en omsättning på $90,2 miljarder för Q1 som avslutades 31 mars 2025. Vinst per aktie var $2,81. Dessa siffror, sade VD Sundar Pichai, “återspeglar sund tillväxt och momentum över hela verksamheten. Underliggande för denna tillväxt är vårt unika helhets‑AI‑tillvägagångssätt.”

Senaste nyheter och utveckling för Alphabet Inc. (GOOG) aktie

Slutsats

AI omformar varje aspekt av våra liv, inklusive hur vi designar material som formar vår framtid. Teknikens integration i materialvetenskapen representerar ett verkligt paradigm‑skifte, som påskyndar upptäckter som tidigare tog år att förverkliga, nu på dagar eller till och med timmar.

Enkelt uttryckt driver AI den nära framtiden för materialinnovation genom att utnyttja massiva datamängder, höggenomströmmande beräkning och generativa modeller, vilket möjliggör för forskare att förutsäga, designa och optimera nya material med en oöverträffad effektivitet och precision.

Klicka här för att lära dig mer om aktier inom ren energi med miljöfokus.

Referenser:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabroadband and Band‑Selective Thermal Meta‑Emitters by Machine Learning. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Connecting Metal–Organic Framework Synthesis to Applications Using Multimodal Machine Learning. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. A Generative Artificial Intelligence Framework Based on a Molecular Diffusion Model for the Design of Metal–Organic Frameworks for Carbon Capture. 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. Ultrahigh Specific Strength by Bayesian Optimization of Carbon Nanolattices. 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 Decoded: High‑Precision Building Material Identification via Deep Learning and Remote Sensing. 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. Scaling Deep Learning for Materials Discovery. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9