5 AI Breakthroughs na Nagbabago sa Pagtuklas ng mga Materyales Ngayon

Ang artificial intelligence (AI) ay patuloy na binabago ang mundo at hinuhubog muli ang hinaharap ng sangkatauhan.

Ang teknolohiya ay nagdudulot ng mga pagbabago sa halos lahat ng sektor sa pamamagitan ng pagsasagawa ng mga gawain na karaniwang nangangailangan ng katalinuhan ng tao. Ang mga AI system ay gumagamit ng napakalaking dami ng datos upang tuklasin ang mga pattern at gumawa ng mga desisyon.

Sa ganitong paraan, kayang tularan ng AI ang ilang antas ng pag-iisip at mga prosesong kognitibo na kahawig ng sa tao.

Ayon sa World Trade Report, ang mga pagtaas sa produktibidad at benepisyo sa gastos ng AI ay maaaring magpataas ng pandaigdigang GDP ng 12-13% pagsapit ng 2040.

Sa pamamagitan ng pag-ikli ng agwat sa digital na imprastruktura sa mga ekonomiyang may mataas na kita ng 50% at mas malawak na pag-aampon ng AI, ang mga ekonomiyang mababa at katamtamang kita ay maaaring makakita ng hanggang 15% pagtaas sa kanilang kita.

Bukod sa pagtulong sa mga bansa na palakasin ang kanilang produktibidad, kalakalan, at posisyon sa ekonomiya, maaaring makatulong ang AI sa lipunan sa pamamagitan ng pagpapasigla ng mga inobasyon sa iba’t ibang industriya. Isa sa mga paraan kung paano ginagawa ito ng teknolohiya ngayon ay sa pamamagitan ng pagtuklas ng mga materyales. 

Ang Pangako ng AI sa Pagtuklas ng mga Materyales

Ang pagtuklas ng mga materyales ay palaging susi sa inobasyon. Maraming siglo na ang nakalipas, ang halo ng tanso at lata ang nagdala sa Panahon ng Tanso, kung saan ang mas matitibay na kasangkapan at sandata ay nagbago ng kalakalan at mga lipunan.

Sumunod ang Panahon ng Bakal, kung saan ang kahusayan sa bakal ay muling humubog sa mga ekonomiya. Sa paglipas ng panahon hanggang ika-19 na siglo, naging laganap ang paggamit ng bakal. Ang isang haluang bakal at carbon, ang bakal ay naging gulugod ng mga riles, matataas na gusali, barko, at makinarya, na nagpasigla sa Rebolusyong Industriyal at pandaigdigang paglawak.

Sa huling bahagi ng ika-20 siglo, binago ng Panahon ng Silicon ang mundo sa pamamagitan ng pagtuklas at pagpapahusay ng mga semiconductor na pundasyon ng makabagong elektronika. Nasa panahon na tayo ngayon ng mga advanced na materyales, kung saan ang graphene, carbon nanotubes, at mga quantum na materyales ay nagbubukas ng mga pintuan patungo sa mas malinis na enerhiya, mas magaan na eroplano, at mas mabilis na pagkompyut.

Ang pagdating ng AI at machine learning (ML) ay nag-aambag sa inobasyon sa mga materyales at, bilang kahihinatnan, sa iba’t ibang industriya sa pamamagitan ng makabuluhang pagpapabilis ng proseso ng pagtuklas, disenyo, at pag-optimize ng mga materyales.

Para dito, gumagamit ang AI ng mga algoritmo at modelo upang salain ang napakalawak na mga database ng mga kandidato para sa tiyak na pangangailangan ng aplikasyon. Dito, ang mga deep learning model tulad ng Graph Neural Networks (GNNs) at Recurrent Neural Networks (RNNs) ay mahalaga para sa pagsusuri ng kumplikadong dataset na matatagpuan sa agham ng mga materyales.

Maaari rin nilang tukuyin ang mga umiiral na materyales na may ninanais na katangian mula sa mga database na ito at kahit hulaan ang mga katangian ng mga materyales batay sa kanilang komposisyon at estruktura. 

Sa tulong ng AI, ang larangan ng agham ng materyales ay maaaring lumampas sa tradisyunal na mga pamamaraan ng pagsubok at pagwawasto, na kumakain ng maraming oras at magastos.

Higit pa rito, maaaring lumikha ang mga AI model ng mga bagong estruktura ng materyales na iniayon sa tiyak na pangangailangan. Kapag isinama sa mga awtomatikong plataporma ng eksperimento, maaaring pabilisin ng AI ang mahabang proseso mula sa pagtuklas ng materyales hanggang sa produksyon.

Sa kabila ng mga benepisyong ito, nananatili ang mga hamon kaugnay ng kakulangan sa kalidad at malawak na datos para sa ilang materyales. Ang matagumpay na pagsintesis ng mga bagong natuklasan at dinisenyong materyales sa laboratoryo ay isa pang malaking hamon.

Ayon kay Anthony Cheetham, isang siyentipiko ng materyales mula sa UCSB, na binanggit sa Nature matapos suriin ang listahan ng 2.2 milyong hipotetikong kristal na natuklasan ng GNoME, isang AI tool ng DeepMind, isang subsidiary ng Alphabet (GOOG ) (Google), “Isa itong bagay na madiskubre ang isang compound, at isang ganap na ibang bagay ang madiskubre ang isang bagong functional na materyal.”

Dagdag pa niya, binigyang-diin ang kawalang-praktikal ng maraming AI-predicted na compound, sinabi ni Cheetham:

“Nakakita kami ng maraming bagay na katawa-tawa.”

Ipinapakita nito ang agwat sa pagitan ng prediksyon at praktikal na pagsasakatuparan. Ang pangangailangan para sa agwat na ito ay ang pagsasama ng AI sa karanasan ng tao at eksperimental na agham.

Gayunpaman, ang pangako ng AI na baguhin ang agham ng materyales ay hindi maaaring balewalain. Dahil sa kakayahan nitong magdala ng mas mabilis na pag-unlad ng mga materyales para sa enerhiya, pangangalagang pangkalusugan, automotive, aerospace, at iba pang mahahalagang aplikasyon, napakalaki ng epekto nito upang hindi pansinin.

Kaya, tingnan natin ang ilan sa mga pinaka-kilalang halimbawa ng aplikasyon ng AI sa agham ng materyales na nagpapakita ng potensyal nito na itulak ang mga hangganan ng pagtuklas at inobasyon ng materyales. 

Swipe to scroll →

1. Perovskite Solar Cells: Mga Materyales at Proseso na Na-optimize ng AI

Isa sa mga pinaka-promising na solusyon upang makamit ang napapanatiling enerhiya ay ang solar power, at ang pag-aampon nito ay mabilis na tumataas. Noong 2024, nag-install ang mundo ng rekord na ~600 GW ng solar power, tumaas ng 33% mula 2023. Sa pagtatapos ng dekada, inaasahang aabot ito sa ~1 TW bawat taon.

Ang lumalaking pangangailangan para sa solar energy ay lumilikha ng pangangailangan para sa mas epektibo, maraming gamit, at matipid na mga materyales para sa solar cells.

Ang perovskite ay isa sa mga materyal na ito na nag-aalok ng natatanging kristal na estruktura. Ang natural na mineral ay maaari nang likhain nang sintetiko. Sa pamamagitan ng paghahalo ng organikong at inorganikong elemento, lumilikha ang mga siyentipiko ng synthetic na perovskite na nagpapakita ng kahanga-hangang katangian sa pagsipsip ng liwanag, na ginagawa itong lubos na angkop para sa mga aplikasyon ng solar.

Bukod sa mataas na kahusayan, ang mga materyal na ito ay nag-aalok ng mga benepisyo ng flexibility at nababagong bandgap, ngunit nananatili ang mga isyu sa scalability at stability; kaya’t patuloy ang paghahanap ng mga bagong komposisyon.

Kaya, lumipat ang mga mananaliksik sa AI upang iugnay ang pagganap ng perovskite solar cells (PSCs) sa mga katangian ng materyal at mga proseso ng enerhiya nang higit isang dekada na ang nakalilipas. Pagkatapos ay ginamit nila ang teknolohiya upang i-optimize ang komposisyon ng materyal, bumuo ng mga estratehiya sa disenyo, at hulaan ang pagganap.

Noong 2019, sinuri ng mga mananaliksik mula sa University of Central Florida ang higit sa 2,000 peer-reviewed na publikasyon tungkol sa perovskite upang mangolekta ng higit sa 200 data point, na pinakain sa AI system na kanilang nilikha upang makuha ang pinakamahusay na resipe para sa perovskite solar cells (PSC). Sa parehong taon, nag-develop ang mga siyentipiko sa MIT ng isang modelo upang pabilisin ang pagsintesis at pagsusuri ng mga bagong compound ng sampung beses at nakakita ng dalawang bagong lead-free na perovskite na karapat-dapat sa karagdagang pagsisiyasat.

Noong 2022, iniulat ng mga mananaliksik mula sa MIT at Stanford University na kumuha ng tulong mula sa AI upang palakihin ang advanced na paggawa ng solar cell.

Para dito, nilikha ang isang sistema, na nasa pag-unlad nang ilang taon, upang pagsamahin ang datos mula sa mga nakaraang eksperimento pati na rin ang impormasyon batay sa personal na obserbasyon ng mga karanasang manggagawa. Ang pagsasamang ito ay nagpadama ng mas tumpak na resulta at nagdala sa paggawa ng perovskite cells na may enerhiya conversion efficiency na 18.5%.

Ito ay naiiba sa karamihan ng mga machine-learning system, na pangunahing gumagamit ng raw data at karaniwang hindi isinasama ang karanasan ng tao. Upang maisama ang panlabas na impormasyon sa kanilang modelo, gumamit sila ng probability factor batay sa Bayesian Optimization, na nagpapahintulot sa kanila na “mahanap ang mga trend na hindi namin nakikita noon.”

Ang pagtuklas ng advanced na teknolohiya ng perovskite solar sa tulong ng AI ay nagpapatuloy at bumibilis upang pataasin ang kahusayan ng PSC. Sa isang pag-aaral, ang kahusayan ay tumaas sa 26.2% habang nakakatipid ng “napakalaking oras at mga mapagkukunan.”

⬆ Back to table

2. Natuklasan ng AI na Electrocatalysts para sa Produksyon ng Hydrogen

Isang promising na pamalit sa mga hindi nababagong fossil fuel na responsable sa napakalaking dami ng greenhouse gas (GHG) emissions ay ang hydrogen. Ang pinakamaraming elemento sa uniberso, ang hydrogen, ay lumitaw bilang isang malinis at nababagong mapagkukunan ng enerhiya.

Gayunpaman, ang epektibong produksyon ng hydrogen upang matugunan ang pangangailangan sa komersyal na sukat ay isang seryosong hamon. Dito, ang water splitting electrolysis ay nag-aalok ng isang promising na landas, kung saan ang electrocatalysis ay may kritikal na papel. Ito ay nagiging dahilan upang ang pag-develop ng mababang-gastos, aktibo, at matatag na electrocatalysts ay isang mahalagang pangangailangan para makuha ang ninanais na electrocatalytic na produksyon ng hydrogen mula sa water splitting.

Pinapabilis ng mga electrocatalyst ang produksyon ng hydrogen sa pamamagitan ng pagpapababa ng enerhiyang kailangan para sa water splitting gamit ang mamahaling precious metals tulad ng platinum o mas abot-kayang alternatibo tulad ng nickel, cobalt, graphene, MXenes, at iba pa.

Bukod sa mga katangian at gastos ng materyal, ang isang tiyak na catalyst ay pinipili batay sa kung ang reaksyon ay acidic, alkaline, o gumagana sa mataas na temperatura.

Gayunpaman, napaka-ubos ng oras at magastos ang paggamit ng tradisyunal na trial and error na pamamaraan upang maghanap ng umiiral at bagong angkop na mga materyales upang mapabuti ang mga reaksyon, kaya ginagamit ang AI upang lampasan ang mga limitasyon ng tradisyunal na mga pamamaraan, matuklasan ang mga bagong kandidato, at pagbutihin ang mga kilalang produkto.

Isang kamakailang pag-aaral ang nag-ulat na ang entropy-screened AI na sinanay sa isang DoE dataset ay sumuri sa 16.2 milyong kemikal na komposisyon upang tukuyin ang Fe12Co28Ni33Mo17Pd5Pt5 bilang pinakamahusay na komposisyon para sa water splitting. Ang alloy ay nagpapakita ng napakababang overpotentials para sa parehong pangunahing electrocatalytic na reaksyon, HER at OER, habang may matibay na katatagan.

Samantala, ilang taon na ang nakalipas, nag-ambag ang Google AI lab na DeepMind ng 380,000 bagong compound sa Materials Project, isang plataporma na sumusuporta sa maraming paghahanap ng catalyst at autonomous na eksperimento.

Ang open-access na database na itinatag sa Department of Energy’s Berkeley Lab ay ginamit ng mga mananaliksik upang eksperimentong patunayan ang kapaki-pakinabang na mga katangian sa mga bagong materyales na may potensyal para sa carbon capture at bilang mga photocatalyst, thermoelectric, at transparent conductors.

Ang database ay naglalaman kung paano nakaayos ang mga atom ng isang materyal at kung gaano ito katatag. Ang GNoME ay sinanay gamit ang datos at workflow na binuo ng Project at pagkatapos ay pinahusay sa pamamagitan ng active learning.

Gamit ang mga kalkulasyon mula sa GNoME ng Google DeepMind kasama ang datos mula sa Materials Project, sinubukan ng mga mananaliksik ang A-Lab, isang pasilidad sa Berkeley Lab kung saan ginagabayan ng AI ang mga robot sa paggawa ng mga bagong materyales. Ang A-Lab ay matagumpay na nakalikha ng 41 bagong compound.

⬆ Back to table

3. Superhard na Materyales: ML-Guided Discovery Lampas sa Diamante

Ang mga industriya tulad ng militar, aerospace, at produksyon ng enerhiya ay nangangailangan ng superhard na mga materyales, na halos hindi ma-compress na solid. Ang halaga ng tigas ng mga materyales na ito ay lampas sa 40 gigapascals (GPa) sa Vickers scale, at mayroon silang mataas na covalency ng bond at mataas na densidad ng electron.

Ang diamante ay ang pinakamahirap na kilalang materyal sa kasalukuyan, na may tigas na nasa pagitan ng 70-150 GPa. Ibig sabihin nito ay kailangan ng higit pa sa presyur na ito (70-150 GPa) upang mag-iwan ng uka sa ibabaw ng diamante. Bilang resulta, ito ay ginagamit sa mga cutting tool, abrasives, wear-resistant coating, at sa paglikha ng mga high-pressure na eksperimento.

Ang mga mamahaling bato na ito, na solidong anyo ng elementong carbon na may mga atom na nakaayos sa diamond cubic crystal structure, ay ginagamit din ng mga siyentipiko upang makahanap ng mga bagong angkop na materyales. Ngunit binago ito ng AI.

Sa paglipas ng mga taon, ilang mananaliksik ang nakahanap ng mga bagong superhard na yugto, kung saan isa ang nag-ulat ng BC10N, B4C5N3, at B2C3N na nagpapakita ng dinamiko na matatag na yugto na may tigas na higit sa 40 GPa.

Noong 2020, gumamit ang mga mananaliksik mula sa University of Houston at Manhattan College ng isang ML model upang tumpak na hulaan ang tigas ng mga bagong materyales, kaya nagbigay-daan sa kanila na mas madaling makahanap ng angkop na mga compound.

Ang dami ng mataas na presyon na kinakailangan upang mag-iwan ng marka sa ibabaw ng isang materyal ay nagiging dahilan kung bakit ito ay bihira, at “mahihirap tukuyin ang mga bagong materyales.” At ito ang eksaktong dahilan kung bakit, “ang mga materyales tulad ng synthetic diamond ay patuloy na ginagamit kahit na mahirap at magastos gawin,” sabi ng co-author ng papel na si Jakoah Brgoch, isang associate professor ng kimika sa University of Houston.

Isang komplikadong salik dito ay ang load dependence, na nangangahulugang ang tigas ng materyal ay maaaring mag-iba depende sa dami ng presyur na inilalapat. Ginagawang kumplikado nito ang eksperimental na pagsubok ng materyal. Maging ang paggamit ng computational modeling ay halos imposibleng gawin, kaya lumikha ang mga mananaliksik ng isang modelo na nalalampasan ang hamon sa pamamagitan ng paghula ng load-dependent na Vickers hardness batay lamang sa kemikal na komposisyon ng materyal.

Ang algorithm ay nag-trade sa isang database na naglaman ng 560 iba’t ibang compound na kinakailangang pagdaanan ng daan-daang akademikong papel. “Lahat ng magagandang machine learning na proyekto ay nagsisimula sa isang magandang dataset,” sabi ni Brgoch. “Ang tunay na tagumpay ay karamihan ay nakasalalay sa pag-develop ng dataset na ito.”

Bilang resulta, nakakita sila ng higit sa 10 bagong matatag na borocarbide na yugto, at sa 97% na katumpakan ng modelo, naniniwala silang may pag-asa na magtagumpay sa laboratoryo.

Ang AI ay hindi rin walang limitasyon, ayon kay Brgoch, “Ang ideya ng paggamit ng machine learning ay hindi upang sabihing, ‘Narito ang susunod na pinakamagaling na materyal,’ kundi upang tulungan kaming gabayan ang aming eksperimental na paghahanap.” Ang ginagawa ng teknolohiya ay “sinabi nito kung saan ka dapat tumingin.”

⬆ Back to table

4. Polymer Dielectrics: Mga Materyales sa Pag-imbak ng Enerhiya na Pinabilis ng AI

Isang mahalagang sangkap ng modernong pag-imbak ng enerhiya ay ang dielectrics, na mga hindi-conductive na materyales tulad ng hangin, salamin, at plastik. 

Ang pagpili ng dielectric material ay siyang nagtatakda ng energy density ng mga capacitor, at ang polymer dielectrics ay malawakang ginagamit para sa pag-imbak ng enerhiya dahil sa kanilang mababang gastos, mekanikal na flexibility, pagiging maaasahan, mabilis na bilis ng discharge, at kadalian ng pagproseso. Ngunit muli, ang kanilang mababang energy density ay isang problema.

Bilang resulta, patuloy na hinahanap ng mga mananaliksik na mapabuti ang pagganap sa pamamagitan ng pag-develop ng mga bagong polymer dielectrics upang dagdagan ang kanilang kapasidad sa pag-imbak ng enerhiya para sa mga aplikasyon sa power system, electronics, at electric vehicles (EVs). 

Ang AI ay nagpakita ng kamangha-manghang pag-unlad sa polymer materials. Halimbawa, ilang buwan lamang ang nakalipas, nakipagtulungan ang mga mananaliksik sa MIT at Duke University upang lumikha ng mas matibay na polymer sa pamamagitan ng pag-incorporate ng stress-responsive crosslinker molecules, na natukoy ng AI. Ang mga MIT researcher ay nagtayo rin ng isang sistema na naghahanap, naghahalo, at sumusubok ng hanggang 700 bagong polymer blend bawat araw para sa mga aplikasyon tulad ng battery electrolytes, protein stabilization, o mga materyales para sa drug-delivery.

Ang pagdidisenyo ng mga bagong polymer blend ay nagdudulot ng problema ng halos walang katapusang bilang ng posibleng polymer na maaaring simulan, at kapag ilang napili na para ihalo, kailangang piliin ang komposisyon ng bawat polymer, pati na rin ang konsentrasyon ng mga polymer sa blend.

“Ang pagkakaroon ng ganoong kalawak na design space ay nangangailangan ng algorithmic na solusyon at mas mataas na throughput na workflow dahil hindi mo kayang subukan lahat ng kombinasyon gamit ang brute force.”

– Senior author ng papel, Connor Coley

Ang kanilang AI system ay nagbigay sa kanila ng mga optimal na blend, kung saan ang pinakamahusay ay 18% na mas mahusay kaysa sa mga indibidwal na sangkap nito.

Dahil sa kahusayan ng AI sa pagbibigay ng mga bagong polymer na opsyon at blend, makatuwiran na gamitin ang teknolohiya upang tukuyin ang mas magagandang polymer dielectrics.

Isang pangkat ng mga mananaliksik ang gumawa nito at natuklasan ang mga dielectric na may 11 beses na energy density kumpara sa mga komersyal na alternatibo sa mataas na temperatura.

Ang makabagong algorithm ay binuo upang hulaan ang mga katangian at formulasyon ng mga polymer bago pa man ito likhain. Para dito, unang tinukoy nila ang mga tiyak na pangangailangan at pagkatapos ay sinanay ang mga ML model sa umiiral na data ng material-property upang hulaan ang ninanais na kinalabasan.

Bukod sa AI, gumamit ang mga mananaliksik ng itinatag na polymer chemistry at molecular engineering upang matuklasan ang isang hanay ng mga dielectric sa mga pamilya ng polynorbornene at polyimide, kung saan marami sa mga natuklasang dielectric ay nagpapakita ng mataas na energy density at mataas na thermal stability sa malawak na saklaw ng temperatura.

Ngunit isang partikular na nagpakita ng energy density na 8.3 J cc⁻¹ sa 200 °C, na mas mataas kaysa sa komersyal na available na polymer dielectric.

“Sa mga unang araw ng AI sa agham ng materyales, na pinasigla ng Materials Genome Initiative ng White House mahigit isang dekada na ang nakalipas, ang pananaliksik sa larangang ito ay karamihan ay driven ng curiosity. Sa mga nagdaang taon lamang natin nasimulan makita ang mga konkretong, totoong kwento ng tagumpay sa AI-driven na pinabilis na pagtuklas ng polymer,” sabi ng co-author na si Rampi Ramprasad, isang Propesor sa Georgia Institute of Technology. “Ang mga tagumpay na ito ay ngayon nag-uudyok ng makabuluhang pagbabago sa landscape ng industrial materials R&D.”

⬆ Back to table

5. Solid Electrolytes: AI para sa Mas Ligtas, Mas Mataas na Densidad na Baterya

Dahil sa malawak na pag-aampon ng mga portable device at EVs at ang tumataas na pangangailangan para sa mga solusyon sa pag-imbak ng renewable na enerhiya, mabilis na umuunlad ang pandaigdigang merkado ng baterya. Dahil sa mahalagang papel na ginagampanan ng mga baterya sa modernong mundo, patuloy na sinusubukan ng mga siyentipiko na mag-develop ng mas enerhiya-episyente at mas ligtas na teknolohiya ng baterya.

Habang ang lithium-ion na baterya ang pinaka-ginagamit ngayon, mayroon itong limitadong buhay at panganib sa kaligtasan, na tinutugunan ng solid-state na baterya (SSBs). 

Pinapalitan ng mga bateryang ito ang liquid electrolyte ng solid-state electrolyte upang alisin ang panganib ng pagkasunog sa mataas na temperatura habang pinapahintulutan ang mas mataas na energy density at pinapabuti ang tibay, na lumilikha ng mas ligtas at mas makapangyarihang baterya.

Ngunit ang mga bateryang ito na may solid electrolyte ay may sariling mga hamon, tulad ng mababang ionic conductivity, compatibility ng electrode interface, mekanikal at kemikal na katatagan, at cost-effective na paggawa. Kaya, sinusuri ng mga mananaliksik ang mga materyales na maaaring lampasan ang mga isyung ito sa pamamagitan ng AI.

Hindi tulad ng ibang larangan na tinalakay natin ngayon, ang mga baterya ay isa sa mga pinakainit na lugar kung saan sumabog ang aplikasyon ng AI dahil sa pakikilahok ng mga nangungunang carmaker at startup na nag-iinvest ng malaking pera sa solid-state battery R&D. Bukod sa panganib sa kaligtasan, ang sektor ay nag-ipon din ng malalaking database, na sapat upang sanayin ang mga ML model.

Maging ang mga pamahalaan ay inilista ang SSBs bilang estratehikong prayoridad upang mapanatili ang domestic supply chain at maabot ang pambansang layunin sa enerhiya at klima.

Kaya, may iba’t ibang pagkakataon kung saan ang AI ay tumulong sa mga mananaliksik at kumpanya na matuklasan ang mga bagong solid electrolyte.

Noong nakaraang taon, gumamit ang mga mananaliksik ng Microsoft (MSFT ) ng AI kasama ang supercomputers upang salain ang 32 milyong potensyal na inorganikong materyales upang makahanap ng 18 promising na kandidato sa loob ng ilang araw. Ang bagong materyal, N2116, ay isang solid-state electrolyte na maaaring bawasan ang paggamit ng lithium sa mga baterya ng 70% at nasubukan nang magpatakbo ng bombilya.

Samantala, ang AI tool ng DeepMind na GNoME ay nakilala ang 528 promising na lithium-ion conductor, kung saan ang ilan ay maaaring makatulong na gawing mas epektibo ang mga baterya.

Pagkatapos ay naroon ang LBS (Li8B10S19) mula sa mga mananaliksik ng Stanford, na tinawag itong “ang pinaka-stable, sulfur-based na lithium-ion electrolyte na aming kailanman nakita sa eksperimento.” Una, tinukoy ng mga mananaliksik ang mga solid electrolyte upang balang araw palitan ang nasusunog na liquid electrolyte sa Li-ion na baterya sa pamamagitan ng AI mga isang dekada na ang nakalipas.

⬆ Back to table

Konklusyon

Ipinapakita ng mga halimbawang ito na maaaring pabilisin ng AI ang paraan ng pagtuklas natin ng mga bagong materyales. Ang hamon ngayon ay gawing totoong resulta ang mga prediksyon ng computer, na nangangahulugang pagsamahin ang AI sa mga karanasang mananaliksik at mapagkakatiwalaang datos.

Swipe to scroll →

Ang nakikita natin ay maagang yugto pa lamang. Ang mga pagtuklas na ito ay nagdadala sa atin patungo sa mas malinis na enerhiya, mas ligtas na teknolohiya, mas matitibay na materyales, at mga industriya na hindi nagpapasira sa planeta. Binabago ng AI ang paraan ng ating paggawa ng agham ng materyales, at mahalaga ito para sa mga susunod na hakbang.

Click here to learn all about investing in artificial intelligence.

Mga Sanggunian

1. Peplow, M. (2025). AI is dreaming up millions of new materials. Are they any good? Nature, 646, 22–25. Nai-publish 1 Oktubre 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. Nai-publish 16 Disyembre 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. Nai-publish 13 Disyembre 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. Nai-publish 9 Oktubre 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. Nai-publish 15 Hulyo 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. Nai-publish 29 Nobyembre 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. Nai-publish 03 Setyembre 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. Nai-publish 21 Hulyo 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. Nai-publish 4 Disyembre 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, August 5). AI helps chemists develop tougher plastics. MIT News. Retrieved Agosto 5, 2025, from https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805?utm_source=chatgpt.com
13. MIT News. (2025, July 28). New system dramatically speeds the search for polymer materials. MIT News. Retrieved Agosto 5, 2025, from https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728?utm_source=chatgpt.com
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. Nai-publish 5 Abril 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). High Dielectric Design of Polymer Composites by Using Artificial Neural Network. Applied Sciences, 12, 12592. Nai-publish 25 Disyembre 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. Nai-publish 19 Hulyo 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. Nai-publish 5 Marso 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase?utm_source=chatgpt.com
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. Nai-publish 6 Hunyo 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. Nai-publish 6 Hunyo 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. Nai-publish 29 Oktubre 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. Nai-publish 12 Disyembre 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries