AI driver jakten på nästa generations hållbara kylmaterial

Inom materialvetenskapen är termisk nanofotonik viktig för tekniker som styr värme och termisk strålning på nanoskalan.

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.

Traditionell materialutveckling kombinerar teori, simulering och experiment, men sökandet kan vara tids- och resurskrävande. Maskininlärning och artificiell intelligens kan påskynda vissa steg i upptäckt, design och optimering utan att ersätta experimentell validering.

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 forskarna utvecklat en ML-metod¹ för att utforma komplexa tredimensionella termiska metaemitter.

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.”

– Yuebing Zheng, medansvarig för studien och professor vid Walker Department of Mechanical Engineering, Cockrell School of 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 ramverket tog forskarna fram över 1 500 beräknade designer av termiska metaemitter. De utformades för att styra värmeutstrålning inom valda våglängder, men alla är inte syntetiserade eller experimentellt testade. Tillverkningsbarhet, hållbarhet och kostnad måste bedömas innan praktisk användning.

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.

Systemet automatiserar invers design av många metastrukturer och materialkombinationer för en önskad spektral respons. Det kan även söka igenom mer komplexa tredimensionella strukturer än traditionella plana designer. Det är en beräkningsmässig designförmåga och innebär inte att alla kandidater enkelt kan tillverkas.

Teamet presenterade sju konceptdemonstratorer med stark optisk prestanda och strålningskylning för sina avsedda funktioner. Varje design var anpassad till ett särskilt spektralt mål.

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. 

En metaemitter applicerades på taket till ett modellhus och jämfördes med kommersiell vit och grå färg. Efter fyra timmar i direkt middagssol var provets yttemperatur i genomsnitt 5–20°C lägre än jämförelseytorna. Resultatet gäller ett begränsat yttemperaturtest och är inte ett direkt mått på ett verkligt hus årliga energianvändning.

Utifrån modellering uppskattade teamet att ett visst lägenhetshus i Bangkok skulle kunna minska kylenergin med omkring 15 800kWh per år. Beräkningen bygger på antaganden om byggnaden och klimatet och kan inte överföras direkt till alla hus.

Materialet kan på sikt minska kylbehovet i bostäder och kommersiella byggnader. Genom att reflektera solljus och avge värme vid valda våglängder kan det också bidra till att motverka urbana värmeöar. Effekten i en hel stad beror på täckningsgrad och lokala förhållanden.

En annan möjlig användning är passiv värmereglering av rymdfarkoster genom kontroll av absorberad solstrålning och avgiven värme. Hållbarhet och tillverkningsbarhet i rymdmiljö måste verifieras separat.

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.

Termiska metaemitter används ännu inte brett eftersom design och tillverkning av tredimensionella hierarkiska strukturer är komplicerade. AI-ramverket kan förbättra designsökningen, men löser inte i sig frågor om storskalig produktion, kostnad eller lång livslängd.

“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.

Forskare har länge kombinerat försök, teori och fysikbaserade simuleringar för att hitta nya oorganiska material. Det kräver stora experimentella och beräkningsmässiga resurser att identifiera, syntetisera och testa ett fåtal lovande kandidater.

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.

AI används nu för att förutsäga kandidatmaterials strukturer och egenskaper och prioritera delar av mycket stora designrymder. Generativa modeller kan föreslå nya kandidater, men stabilitet, syntetiserbarhet och prestanda måste bekräftas med beräkningar och experiment.

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 påskynda urvalet av kandidater och minska resursbehovet i vissa utvecklingssteg. Noggrannheten beror på träningsdata och modellens användningsområde, och experimentell validering är fortfarande nödvändig.

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 vid University of Toronto Engineering presenterade nyligen ett nytt verktyg² som förutsäger vilken användning ett nytt material kan passa bäst för och därmed kan minska tiden mellan upptäckt och tillämpning.

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.’”

Doktoranden Sartaaj Khan utvecklade ett multimodalt maskininlärningssystem som tränades på flera datatyper. Det gav modellen en mer fullständig bild av materialet och förbättrade bedömningen av möjliga tillämpningar före ytterligare syntes och testning.

Forskare vid Argonne National Laboratory använde en generativ diffusionsmodell för att på en superdator skapa över 120 000 kandidatstrukturer för MOF³ på drygt en halvtimme. Ett modifierat neuralt nätverk minskade urvalet till 364 kandidater med lovande beräknad prestanda. Siffrorna avser beräknade kandidater, inte syntetiserade material.

Efter ytterligare beräkningar valde teamet ut 102 MOF som bedömdes vara stabila. Sex hade beräknad koldioxidkapacitet bland de fem bästa procenten i hMOF-databasen. Förutsägelserna behöver fortfarande verifieras experimentellt.

I en annan studie användes AI för att utforma ett kolbaserat nanogitter med mycket hög hållfasthet i förhållande till vikten⁴. Beskrivningen att det är lika lätt som skumplast och lika starkt som kolstål sammanfattar en jämförelse av specifik hållfasthet och betyder inte att alla egenskaper motsvarar massivt stål.

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.

Strukturerna tillverkades med 3D-utskrift. Den rapporterade specifika hållfastheten var 2,03MPa·m³/kg, omkring fem gånger högre än titan när densiteten räknas in. Det är inte en direkt jämförelse av absolut hållfasthet eller total seghet.

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

Enligt försteförfattaren Peter Serles, 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 materialanalys används även inom stadsplanering. I en samarbetsstudie⁵ kombinerade Peking University och University of Southern Denmark djupinlärning med fjärranalys för att klassificera byggnadsmaterial. Noggrannheten kan variera med bilder, geografiskt område och träningsdata.

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

Privata prognoser uppskattar att AI-marknaden kan bli värd biljoner dollar, men sådana långsiktiga uppskattningar är osäkra. Bland aktörerna inom AI-baserad materialforskning finns Microsoft (MSFT ) och Google (Alphabet Inc.) (GOOG ). Här ligger fokus på Alphabet.

Alphabet Inc. (GOOG )

I slutet av 2023 presenterade Google DeepMind Graph Networks for Materials Exploration (GNoME). Den tillhörande studien⁶ rapporterade 2,2 miljoner nya beräknade kandidatstrukturer för kristaller.

Google beskrev resultatet som motsvarande omkring 800 års kunskap. Av de 2,2 miljoner kandidaterna klassades omkring 380 000 som beräkningsmässigt stabila. Det innebär inte att alla har syntetiserats eller kan användas kommersiellt.

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. 

Google rapporterade att träffsäkerheten för stabilitetsförutsägelser ökade från omkring 50 till 80 procent under den iterativa aktivinlärningen. Resultatet gäller studiens dataset och utvärderingsmetod och kan inte automatiskt överföras till alla materialproblem.

Vid publiceringen hade 736 material i extern forskning strukturer som stämde överens med GNoME-förutsägelser. I ett automatiserat experiment med Lawrence Berkeley National Laboratory syntetiserades dessutom 41 kandidater. Detta validerar en liten del av det mycket stora antalet förutsägelser.

Aktiekurs, börsvärde, P/E-tal och andra marknadsdata förändras löpande. Investerare bör kontrollera realtidsinformationen nedan och de senaste rapporterna samt beakta att AI för materialupptäckt fortfarande är en liten del av Alphabets totala verksamhet.

Alphabet rapporterade en omsättning på 90,2 miljarder dollar och ett utspätt resultat per aktie på 2,81 dollar för kvartalet som slutade den 31 mars 2025. Vd Sundar Pichai framhöll bolagets tillväxt och dess fullstackstrategi för AI. Uppgifterna gäller ett tidigare kvartal och garanterar inte framtida resultat.

Senaste nytt och utveckling för Alphabet-aktien (GOOG)

Slutsats

AI förändrar hur materialkandidater söks fram och optimeras. Vissa beräkningssteg kan gå från år till dagar eller timmar, men syntes samt tester av prestanda, säkerhet och hållbarhet tar fortfarande betydande tid.

Stora dataset, höggenomströmningsberäkning och generativa modeller låter forskare jämföra fler kandidater effektivt. Resultaten beror på datakvalitet och experimentell validering; AI kompletterar vetenskapligt omdöme och laboratoriearbete.

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