Sa Loob ng mga AI-Powered na Laboratoryo: Isang Bagong Panahon ng Pagdiskubre ng mga Materyales

Katulad ng dumaraming bilang ng mga industriya, ang agham ng materyales ay tinulungan ng artipisyal na intelihensiya (AI).

Dito, sinusuri ng mga algorithm ng machine learning (ML) ang napakalawak na mga dataset at tinutukoy ang mga pattern upang magmungkahi ng mga pangakong kandidato ng materyales sa napakaikling oras, habang gumagamit ng mas kaunting mapagkukunan kumpara sa mga pamamaraan ng trial-and-error.

Ang tradisyonal na manu-manong, labis na gawa ng tao na pinahusay ng pagdating ng mga sistemang kompyutasyonal, na nagbibigay-daan sa komplikadong kalkulasyon, ay ngayon ganap nang binabago ng mga awtomatikong, paralel, at paulit-ulit na proseso na pinapagana ng AI, simulasyon, at eksperimental na awtomasyon. 

Ang pag-unlad ng teknolohiyang AI, kasama ang high-performance computing at hybrid cloud technologies, ay tumutulong sa agham ng materyales na pumasok sa isang bagong paradigma na tinatatakan ng pabilisin na pagdiskubre ng mga bagong materyales, prediktibong pagmomodelo ng mga katangian ng materyales, at awtonomong eksperimentasyon. 

Ang pagbabago ng paradigmang ito ay nagbibigay-daan sa mga mananaliksik na lumipat mula sa mga pamamaraan ng trial-and-error patungo sa disenyo, na malaki ang nababawasan sa mga siklo ng pag-unlad at nagbubukas ng daan para sa mga advanced na materyales sa enerhiya, elektronika, pangangalagang pangkalusugan, at mga aplikasyon ng pagpapanatili.

Kamakailan, ang mga mananaliksik mula sa North Carolina State University ay gumawa ng malaking hakbang pa sa pamamagitan ng paglikha ng isang self-driving lab upang makamit ang isang bagong pagtalon sa awtomasyon ng laboratoryo at higit pang pabilisin ang pagdiskubre ng mga materyales ng mga siyentipiko.

Ang awtomatikong laboratoryo ay nangongolekta ng sampung beses na mas maraming datos kaysa sa tradisyonal, manu-manong methods. Sa hakbang na ito, maaaring magsagawa ang mga mananaliksik ng real-time, dynamic na mga kemikal na eksperimento, nakakatipid ng oras at mapagkukunan habang nagbibigay-daan sa mas mabilis na mga breakthrough.

Ang mga bagong tuklas sa laboratoryo ay hindi na aabutin ng mga taon; sa halip, tinitingnan natin ang isang hinaharap kung saan ang mga imbensyon ay magaganap sa loob ng ilang araw.

Isang AI-Powered na Laboratoryo: Real-Time na Pagkatuto para sa Real-Time na Pagdiskubre

Upang malampasan ang mga pandaigdigang hamon sa malinis na enerhiya, kapakanan ng tao, at pagpapanatili, mahalaga ang mabilis na pagdiskubre ng mga advanced na functional na materyales. Ang pagdiskubre at pagsintesis ng mga bagong materyales ay susi rin sa mga makabagong teknolohiya tulad ng mga baterya, computer chips, solar panel, at marami pang iba.

Bilang resulta, maraming progreso ang nagawa sa mga platform ng pagpapabilis ng materyales at mga self-driving laboratory.

Sa kabila ng progreso, ang kakayahan ng mga platform at laboratoryong ito na magsuri ng kumplikadong parameter spaces ay napipigil ng mababang data throughput. Ang mabagal na paglipat at pagproseso ng datos ay nagdudulot ng nabawasang produktibidad.

Kaya, ang mga mananaliksik ng NC State University ay “nagpakilala ng dynamic flow experiments bilang estratehiya ng data intensification para sa mga synthesis ng inorganic na materyales sa loob ng self-driving fluidic laboratories sa pamamagitan ng patuloy na pagma-map ng transient reaction conditions sa steady-state equivalents.”

Nailathala sa Nature Chemical Engineering¹, inilalarawan ng pag-aaral ang isang state-of-the-art na self-driving lab na gumagamit ng real-time na mga eksperimento upang patuloy na mangolekta ng datos, kaya’t pinapabilis at pinapahusay ang pagdiskubre ng mga materyales habang binabawasan ang gastos at epekto sa kapaligiran.

Para sa kanilang gawain, nakatanggap ang pag-aaral ng suporta mula sa National Science Foundation at sa University of North Carolina Research Opportunities Initiative program.

Ngayon, ano nga ba ang ibig sabihin ng self-driving laboratories (SDLs)? Well, ito ay mga robotic platform na pinag-iisa ang ML at awtomasyon sa kimika at agham ng materyales upang mas mabilis na makahanap ng mga materyales. Sa mga ML-assisted modular experimental platforms na ito, isinasagawa nang paulit-ulit ang isang serye ng mga eksperimento, na pinipili ng ML algorithm, upang makamit ang nakaprogramang layunin.

“Isipin kung ang mga siyentipiko ay makakadiskubre ng mga breakthrough na materyales para sa malinis na enerhiya, bagong elektronik, o napapanatiling kemikal sa loob ng ilang araw imbes na taon, gamit lamang ang isang bahagi ng mga materyales at nagbubuo ng mas kaunting basura kaysa sa kasalukuyang kalagayan.”

– Co-author ng papel, Milad Abolhasani, ALCOA Professor ng Chemical at Biomolecular Engineering sa North Carolina State University

Idinagdag niya:

“Ang gawaing ito ay nagdadala ng hinaharap na isang hakbang nang mas malapit.” 

Kinakatawan ng isang mapagbago na pamamaraan sa pagpapabilis ng siyentipikong pagdiskubre, ang mga self-driving lab ay nagiging popular sa larangan ng kimika at agham ng materyales.. 

Ang mga self-driving lab na gumagamit ng continuous flow reactors ay kadalasang umaasa sa steady-state flow experiments, kung saan pinagsasama ang iba’t ibang precursors bago maganap ang mga kemikal na reaksyon, at ang halo ay patuloy na dumadaloy sa isang microchannel.

Ang produktong lumalabas mula rito ay sinusuri ng isang serye ng mga sensor kapag natapos na ang reaksyon.

“Ang itinatag na pamamaraan na ito sa mga self-driving lab ay nagkaroon ng dramatikong epekto sa pagdiskubre ng mga materyales,” pahayag ni Abolhasani, habang ibinahagi na ito ay nagbigay-daan sa mga siyentipiko na “kilalanin ang mga pangakong kandidato ng materyales para sa tiyak na aplikasyon sa loob ng ilang buwan o linggo, sa halip na taon, habang binabawasan ang parehong gastos at epekto sa kapaligiran ng trabaho.” Ngunit hindi ito perpekto, may mga lugar pa na dapat pagbutihin.

Lalo na, ang pag-idle ng sistema kapag nagaganap ang kemikal na reaksyon bago pa ma-characterize ang nalikhang materyal. Ang oras ng paghihintay para sa mga self-driving lab ay maaaring umabot hanggang isang oras para sa bawat steady-state flow experiment.

“Nilikha na namin ngayon ang isang self-driving lab na gumagamit ng dynamic flow experiments, kung saan ang mga kemikal na halo ay patuloy na binabago sa sistema at sinusubaybayan nang real time.”

– Abolhasani 

Ang ibig sabihin nito ay tinatanggal nila ang proseso ng pagtakbo ng hiwalay na mga sample sa sistema at pagsubok ng bawat isa isa-isa pagkatapos nilang maabot ang isang estado. 

Sa halip, nagbuo sila ng isang sistema na simpleng hindi humihinto sa pagtakbo. Ang mga sample ay patuloy na gumagalaw sa sistema. Ito ay dahil “hindi kailanman humihinto ang sistema sa pag-characterize ng sample,” at maaaring “kunin ng mananaliksik ang datos kung ano ang nangyayari sa sample bawat kalahating segundo.”

Ang pagsasama ng dynamic flow experiments sa loob ng self-driving fluidic laboratories ay nagmamarka ng paglayo mula sa tradisyonal na batch experiments.

Sa pagkakaiba sa mga konbensiyonal na pamamaraan, kung saan ang mga hiwalay na data point kinokolekta sa ilalim ng steady-state conditions, sa dynamic flow experiments, ginagamit ang mga prinsipyo ng microfluidics para sa mabilis na pagma-map ng mga kondisyon ng reaksyon.

Sa pamamagitan ng paglikha ng patuloy na daloy ng datos, ito ay lubos na nagpapalawak ng naa-access na experimental data.

Ipinakita ni Abolhasani na ang koponan ngayon ay nakakakuha ng 20 data point tungkol sa kung ano ang nililikha ng eksperimento, nagsisimula sa isa pagkatapos ng 0.5 segundo ng oras ng reaksyon, pagkatapos ay isa pagkatapos ng 1 segundo, at iba pa, hindi tulad ng isang data point na kanilang nakukuha pagkatapos ng 10 segundo ng oras ng reaksyon. Idinagdag niya:

“Parang paglipat mula sa isang solong snapshot patungo sa isang buong pelikula ng reaksyon habang ito ay nangyayari. Sa halip na maghintay para matapos ang bawat eksperimento, ang aming sistema ay palaging tumatakbo, palaging natututo.” 

Ang pagkakaroon ng napakaraming datos ay maaaring magdulot ng napakalaking epekto sa pagganap ng isang AI-powered na laboratoryo. Ang datos, sa huli, ay susi sa isang algorithm. Ang AI ay gutom sa datos, at batay sa datos na ito ibinibigay, gumagawa ng mga prediksyon ang algorithm.

Ayon kay Abolhasani:

“Ang pinakamahalagang bahagi ng anumang self-driving lab ay ang machine-learning algorithm na ginagamit ng sistema upang hulaan kung aling eksperimento ang dapat nitong isagawa next.” 

Sa ganitong paraan, ang streaming-data na pamamaraan ay nagpapahintulot sa ML brain ng self-driving lab na gumawa hindi lamang ng mas mabilis kundi mas matalinong mga desisyon, “pinapino ang optimal na materyales at proseso sa isang bahagi ng oras.”

Ang kalidad ng datos ay tumutukoy din sa katumpakan ng mga prediksyon. Kaya, sa pamamagitan ng pagkakaroon ng mas maraming mataas na kalidad na experimental na datos, maaaring gumawa ng mas tumpak na prediksyon ang algorithm, at pagkatapos ito ay makalutas ng isang problema nang mas mabilis. 

“May karagdagang benepisyo ito na mabawasan ang dami ng mga kemikal na kailangan upang makamit ang solusyon.” 

– Abolhasani

Upang ipakita ang kakayahan ng kanilang sistema, inilapat ng koponan ang dynamic flow experiments sa CdSe colloidal quantum dots. Ginamit ito bilang testbed dahil sa katayuan nito bilang isang matatag na inorganic system na hindi lamang mayaman sa mga dependency ng parameter kundi pati na rin may malaking potensyal na teknolohikal.

Sa kasong ito, natuklasan ng koponan na ang kanilang laboratoryo, na nag-integrate ng dynamic flow system, ay nakamit ang “isang pagbuti ng order-of-magnitude sa kahusayan ng pagkuha ng datos.”

Nagbigay ito ng hindi bababa sa 10 beses na mas maraming datos kaysa sa ibang self-driving lab na gumamit ng steady-state flow experiments. Higit pa rito, kapag nasanay na, ang self-driving lab ay nagawang matuklasan ang pinakamahusay na mga kandidato sa unang subok nito.

Ang breakthrough na ito, ayon kay Abolhasani, “hindi lamang tungkol sa bilis,” kundi tungkol sa pagkamit ng pagpapanatili. Sa pamamagitan ng pagbawas ng kinakailangang bilang ng mga eksperimento, ang sistema ay malaki ang nababawasan ng parehong konsumo ng kemikal at waste, na nagtataguyod ng mas napapanatiling mga praktika sa pananaliksik. Sabi ni Abolhasani:

“Ang hinaharap ng pagdiskubre ng mga materyales ay hindi lamang tungkol sa kung gaano tayo kabilis, kundi pati na rin kung gaano tayo responsable sa pagdating doon. Ang aming pamamaraan ay nangangahulugang mas kaunting kemikal, mas kaunting basura, at mas mabilis na solusyon para sa pinakamahihirap na hamon ng lipunan.”

Ang Lumalawak na Papel ng AI sa Agham ng Materyales: Kapana-panabik na Kamakailang Diskubre

Ang AI ay nagbabago ng mga industriya sa buong mundo, at kasama rito ang agham ng materyales, na pundamental sa maraming teknolohikal na inobasyon at hamon ng lipunan. 

Bilang resulta, ang paggamit ng AI sa pagdiskubre at pag-develop ng mga bagong materyales ay nagpapatuloy sa loob ng maraming taon na, ngunit ito ay tiyak na nakakuha ng mas maraming atensyon kamakailan habang ang teknolohiya nagiging mas advanced at may kakayahan. 

“Sa patuloy na pag-unlad, inaasahan naming ang robotics at awtomasyon ay magpapabuti sa bilis, katumpakan, at reproducibility ng mga eksperimento sa iba’t ibang instrumento at disiplina, na lilikha ng datos na maaaring suriin ng mga sistema ng artipisyal na intelihensiya upang gabayan ang karagdagang eksperimento.”

– Dr. James Cahoon, isang co-author ng papel ‘Transforming Science Labs into Automated Factories of Discovery’.²

Sa ganon, tingnan natin ang ilang mahahalagang pag-unlad sa agham ng materyales ngayong taon sa iba’t ibang aplikasyon.

Para sa simula, tulad ng kamakailan naming ibinahagi, sa tulong ng AI, nagawang magdisenyo ng mga siyentipiko ng kumplikado, 3D thermal meta-emitters na maaaring magpababa ng temperatura sa loob ng mga gusali at makatulong magtipid ng gastusin sa enerhiya. Ang materyal na nilikha gamit ang bagong disenyo ng ML technique ay maaaring magamit sa mga residential at commercial na gusali, sasakyang pangkalawakan, tela at mga materyales pang-textile, sasakyan, at iba pa.

“Sa pamamagitan ng pag-automate ng proseso at pagpapalawak ng design space, maaari tayong lumikha ng mga materyales na may superior na performance na dati ay hindi maisip.

– Co-lead ng pag-aaral, Yuebing Zheng

Pag-develop ng mga Bagong Metallic na Materyales na may Superyor na Lakas

Ilang buwan na ang nakalipas, iniulat ng mga siyentipiko na gamit ang AI upang magdisenyo ng bagong MPEA o multiple principal element alloys, na makikita sa mga bahagi ng eroplano, catalytic converters, at mga prostesis ng tuhod.

Ang bagong disenyo ng MPEA ay may superior na mekanikal na katangian, na sinabi ni Sanket Deshmukh, associate professor sa chemical engineering sa Virginia Tech, “ipinapakita kung paano ang mga framework at explainable AI ay maaaring magbukas ng mga bagong posibilidad sa disenyo ng materyales.

Upang ma-interpret ang pagsusuri na ginawa ng AI model, ginamit nina Deshmukh at ng kanyang koponan ang SHAP (SHapley Additive exPlanations) analysis, na nagbigay-daan sa kanila na maunawaan kung paano ang iba’t ibang elemento at ang kanilang lokal na kapaligiran nakaaapekto sa mga katangian ng MPEAs, na nagreresulta sa mas maraming insight at tumpak na prediksyon.

Bukod sa pagpapabilis ng pagdiskubre ng advanced metallic alloys, naniniwala si Deshmukh na ang pagsasama ng ML sa evolutionary algorithms at experimental validation ay makakatulong din sa paglikha ng mga tool na “maaaring i-extend sa mga komplikadong sistema ng materyales tulad ng glycomaterials – polymeric materials na naglalaman ng carbohydrates.”

Pagbubunyag ng mga Lihim ng Dendritic Growth sa Thin Films

Ang pananaliksik³ mula sa Tokyo University of Science (TUS) ay nakabuo ng isang explainable AI model na nagtatantiya ng paglago ng dendrites (mga pattern na kahawig ng puno) sa thin films, na isang malaking balakid sa kanilang large-area fabrication at humahadlang sa kanilang komersyalisasyon.

Sa pamamagitan ng pagbubunyag ng mga tiyak na kondisyon at mekanismo sa likod ng dendrite branching, tumutulong ang AI model na mapabuti ang proseso ng paglago ng thin films. Ang mga thin film device ay kritikal sa teknolohiya tulad ng semiconductors.

Ang bagong AI model ay pinagsama ang machine learning method na tinatawag na principal component analysis (PCA) at ang topology technique na tinatawag na persistent homology kasama ang free energy analysis.

“Sa pamamagitan ng pagsasama ng topology at free energy, ang aming metodo ay nag-aalok ng isang versatile na pamamaraan sa pagsusuri ng materyales. Sa pamamagitan ng integrasyong ito, maaari naming maitatag ang isang hierarchical na koneksyon sa pagitan ng atomic-scale microstructures at macroscopic functionalities sa malawak na hanay ng mga materyales, na nagbubukas ng daan para sa mga susunod na pag-unlad sa agham ng materyales.”

– Propesor Masato Kotsugi mula sa Department of Material Science and Technology sa TUS

Pagkakaroon ng Mas Mahusay na Pag-unawa sa Nanoparticles

Isang koponan ng mga siyentipiko mula sa iba’t ibang unibersidad ang nagsama-sama upang mag-develop ng isang pamamaraan⁴ para mas maunawaan ang dynamic na pag-uugali ng nanoparticles, na mga building block ng electronics, pharmaceuticals, at industrial materials.

Pinagsama nito ang electron microscopy sa AI upang ma-visualize ang mga estruktura at galaw ng mga molekula sa isang hindi pa nagagawang time resolution.

Ayon kay Peter A. Crozier, isang propesor ng materials science at engineering sa Arizona State University, ipinaliwanag niya:

“Ang electron microscopy ay maaaring kumuha ng mga imahe sa mataas na spatial resolution, ngunit dahil sa bilis kung saan nagbabago ang atomic structure ng nanoparticles sa panahon ng mga kemikal na reaksyon, kailangan naming mangolekta ng datos sa napakabilis na bilis upang maunawaan ang kanilang functionality.”

Upang mapagaan ang ingay na ito, nag-develop sila ng AI method na awtomatikong nag-aalis nito, “na nagbibigay-daan sa visualization ng mga pangunahing atomic-level dynamics.”

Samantala, isang research group mula sa Graz University of Technology ay nagdadala ng konstruksyon ng nanostructure sa isang bagong antas gamit ang AI.

Para dito, sila ay nag-develop ng isang self-learning AI system na autonomously nagpoposisyon ng mga indibidwal na molekula nang mabilis at sa tamang orientation gamit ang scanning tunnelling microscopes, na kung hindi ay isang mahirap at matagal na proseso, upang payagan ang pagbuo ng “lubos na komplikadong molecular structures, kabilang ang logic circuits sa nanometre range.“

Ang layunin ay sa huli ay makabuo ng quantum corrals, na mga nanostructure na hugis gate na maaaring hulihin ang mga electron, at gamitin ang mga ito upang bumuo ng logic circuits upang pag-aralan kung paano sila gumagana sa antas ng molekula.

Pagdiskubre ng Mas Mahusay na Photovoltaic Materials

Isang napapanatiling alternatibo sa tradisyonal na silicon-based solar cells, ang perovskite solar cells ay nagpapakita ng malaking pangako bilang susunod na henerasyon ng photovoltaic technology upang i-convert ang sikat ng araw sa kuryente. 

Ang kanilang bisa ay maaaring higit pang mapataas sa pamamagitan ng mga molekula na nagdadala ng positive charges, ngunit may milyun-milyong iba’t ibang molekula, na nangangahulugang kailangang i-synthesize  at subukan ang lahat ng ito. Gayunpaman, sa pamamagitan ng paggamit ng AI kasama ang automated high-throughput synthesis, isang koponan ng mga mananaliksik mula sa Karlsruhe Institute of Technology (KIT) ay nakapag-magdiskubre ng mga bagong organic molecule⁵ sa loob lamang ng ilang linggo, na may lamang 150 targeted experiments.

Ang bagong natuklasang mga materyales ay nagtaas din ng kahusayan ng isang reference solar cell ng halos dalawang porsyento.

Para dito, ang mga siyentipiko ay nagpunta sa isang database na may isang milyong virtual na molekula at random na pinili ang 13,000 mula rito bago pinili ang 101. Ang mga napili ay may pinakamalaking pagkakaiba sa kanilang mga katangian, at sila ay sinynthesize gamit ang robotic systems bago gamitin ang mga ito upang gumawa ng solar cells.

Paglalatag ng Pundasyon para sa AI-Driven na Pagdiskubre ng Materyales

Habang ang lahat ng mga diskubreng ito ay ginagawa, para ang AI ay tunay na maisakatuparan ito, kailangan nito ng datos. Kabilang dito ang datos tungkol sa mga materyales pati na rin ang datos mula sa malawakang simulations. 

Bagaman maraming ganitong mga database ang magagamit, sila ay halos hiwalay, kaya kailangan ng isang pamantayan “upang ang mga gumagamit ay makakakonekta sa lahat ng mga data library na ito at maunawaan ang impormasyong kanilang natatanggap,“ sabi ni Gian-Marco Rignanese, propesor sa Institute of Condensed Matter and Nanosciences sa UCLouvain sa Belgium.

Kaya, noong nakaraang tag-init, isang malaking internasyonal na kolaborasyon naglabas ng isang pinalawak na bersyon ng OPTIMADE standard upang mapadali ang AI-driven na pagdiskubre ng materyales.

Ang OPTIMADE (Open databases integration para sa disenyo ng materyales) standard ay sinusuportahan ng isang malaking internasyonal na network ng mga institusyon at mga database ng materyales. Sa layuning bigyan ang mga gumagamit ng mas madaling access sa mga nangungunang pati na rin sa mga hindi gaanong kilalang database ng materyales, isang bagong bersyon nito ang ipinakilala na maaaring higit pang pabilisin ang patuloy na AI-driven na pagdiskubre ng materyales.

Pag-iinvest sa AI para sa Pagdiskubre ng Materyales

Kapag tinitingnan ang pag-iinvest sa larangang ito, ang Alphabet Inc (GOOG ). (GOOGL ) na pagmamay-ari ng Google ay isa na naglabas ng AI tool na tinatawag na Gnome. Ito ay naulat na nakahanap ng 2.2 milyong bagong kristal gamit ito. Pagkatapos ay may Microsoft (MSFT ), na nagpakilala ng MatterGen at MatterSim upang lumikha ng mga bagong kandidato na materyales at i-validate ang mga ito.

Ngunit may isa pang AI giant na naglunsad ng sarili nitong modelo upang itaas ang sukat at katumpakan ng pananaliksik sa materyales.

NVIDIA Corporation (NVDA )

Iyon ay walang iba kundi ang AI darling na Nvidia. Noong huling bahagi ng nakaraang taon, ang kumpanya ay nagpakilala ng NVIDIA ALCHEMI (AI Lab para sa Chemistry at Materials Innovation).

Layunin ng platform na pabilisin ang R&D sa kimika at agham ng materyales sa pamamagitan ng kapangyarihan ng AI, at upang makamit ito, kasama nito ang mga API at accelerated inference microservices. Ito ay magpapahintulot sa paglikha at deployment ng gen AI models upang tuklasin ang napakalawak na uniberso ng materyales at magmungkahi ng mga bagong kandidato, at ang pag-develop at paggamit ng surrogate models upang makamit ang balanse sa pagitan ng gastos ng computation at katumpakan. Magbibigay din ito ng access sa informatics tooling at pre-trained foundation models para sa mabilis na screening at simulation tools upang sanayin at i-fine-tune ang AI models para sa mga bagong use case.

Sa pamamagitan ng ALCHEMI, layunin ng NVIDIA na pabilisin ang discovery workflow at “magpasimula ng isang bagong panahon ng breakthrough discoveries na nagpapalakas ng mas napapanatiling, mas malusog na kinabukasan.”

Ang Nvidia ay isang kumpanya na may market cap na $4.22 trilyon, kung saan ang mga shares ay nagte-trade sa paligid ng $173.5, tumaas ng 28.8% YTD. Ang EPS (TTM) nito ay 3.10, ang P/E (TTM) ay 55.73, at ang dividend yield na inaalok ay 0.02%.

Pinakabagong Balita at Pag-unlad sa Stock ng NVIDIA Corporation (NVDA)

Konklusyon

Habang nagsasama ang AI, awtomasyon, at high-performance computing, ang agham ng materyales ay pumapasok sa pinaka-transformative na panahon nito, na nagmamarka ng isang napakahalagang paglipat mula sa human-led trial-and-error patungo sa awtonomong pagdiskubre.

Sa gitna nito, ang mga AI-powered na laboratoryo at self-driving experimental platforms ay ganap na binabago ang paraan kung paano nagdidiskubre, sumusubok, at nag-o-optimize ng mga materyales ang mga siyentipiko. Higit pa rito, sa mga inisyatiba tulad ng ALCHEMI ng NVIDIA, Gnome ng Google, at MatterGen ng Microsoft, ang malalaking kumpanya ay naglalagay ng taya sa AI upang pasiglahin ang susunod na alon ng inobasyon!

I-click dito upang matutunan ang lahat tungkol sa pag-iinvest sa artificial intelligence.

Mga Sanggunian:

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. Pagpapalakas ng Data na Pinapatakbo ng Daloy upang Pabilisin ang Autonomous Inorganic Materials Discovery. Nature Chemical Engineering, published online Hulyo 14, 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Pagbabago ng Science Labs tungong Automated Factories of Discovery. 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. Pag-uugnay ng Estruktura at Proseso sa Dendritic Growth Gamit ang Persistent Homology na may Energy Analysis. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 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. Pag-visualize ng Nanoparticle Surface Dynamics at Instabilities na Pinapagana ng Deep 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. Inverse Design Workflow Nakakatuklas ng Hole‑Transport Materials na Iniangkop para sa Perovskite Solar Cells. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901