Pinapabilis ng AI ang Pagtuklas ng Susunod na Henerasyon ng mga Materyal para sa Napapanatiling Pagpapalamig

Sa agham ng mga materyal, mahalaga ang thermal nanophotonics sa pagbuo ng mga teknolohiyang kayang kontrolin ang init at thermal radiation.

Pinagsasama ng thermal nanophotonics ang nanophotonics at agham ng init upang manipulahin ang heat transfer sa nanoscale. Ginagamit nito ang mga nanostruktura upang iangkop ang thermal radiation at daloy ng init para sa pagkuha ng enerhiya, thermal management, sensing, at iba pang aplikasyon.

Ang nanophotonics ay tumatalakay sa pag-uugali ng liwanag sa sukat na nanometer. Samantala, ang mga nanophotonic na materyales ay nagbibigay ng spectral at direksyunal na kontrol sa thermal emission.

Ang tradisyunal na paraan ng paghahanap ng mga ganitong materyales ay napipigil ng mga trial-and-error na pamamaraan, ngunit ang pagdating ng machine learning (ML) at artificial intelligence (AI) ay nagbago ng larangan ng agham ng materyales sa pamamagitan ng makabuluhang pagpapabilis ng mga proseso ng pagtuklas, disenyo, at pag-optimize ng materyales.

Bagaman ipinakita ng teknolohiya ang kanyang makapangyarihang kakayahan sa disenyo ng nanophotonic at metamaterials, hamon pa rin ang pagbuo ng pangkalahatang metodolohiyang disenyo upang i-customize ang mga high-performance na nanophotonic emitters na may ultra-broadband na kontrol at tumpak na band selectivity.

Ito ay dahil sa mga limitasyon ng tradisyunal na algoritmo, mga lokal na optimization trap, at mga paunang itinakdang geometry at materyales.

Gayunpaman, ito ay tinutugunan na ngayon ng mga siyentipiko mula sa University of Texas at Austin, na nakipagtulungan sa mga mananaliksik mula sa Umeå University sa Sweden, National University of Singapore, at Shanghai Jiao Tong University.

Sama-sama, sila ay nagdisenyo ng teknik na ML¹ upang magdisenyo ng kumplikado, 3D na thermal meta-emitters.

Ang meta-emitters ay mga engineered na materyales na dinisenyo upang kontrolin at manipulahin ang electromagnetic radiation, na nag-aalok ng mga aplikasyon sa kahusayan ng enerhiya at pamamahala ng init.

“Ang aming machine learning framework ay kumakatawan sa isang makabuluhang pagtalon pasulong sa disenyo ng thermal meta-emitters. Sa pamamagitan ng pag-automate ng proseso at pagpapalawak ng design space, makakalikha kami ng mga materyales na may mas mataas na pagganap na dati’y hindi maisip.”

— Yuebing Zheng, kapwa pinuno ng pag-aaral at propesor sa Walker Department of Mechanical Engineering ng Cockrell School of Engineering

Mga Materyal na Dinisenyo ng AI para sa mga Lungsod na Handa sa Nagbabagong Klima

Inilathala sa Nature, detalyado ng pag-aaral ang bagong ML-based na framework na tumulong sa pagdisenyo ng mga materyales na maaaring magpababa ng temperatura sa loob ng mga gusali at, bilang resulta, ng gastos sa enerhiya.

Gamit ang framework, nakabuo ang mga siyentipiko ng mahigit 1,500 computational na disenyo ng thermal meta-emitter. Idinisenyo ang mga ito upang kontrolin ang paglabas ng init sa piling wavelength, ngunit hindi lahat ay aktuwal na naisynthesize o nasubok. Kailangan pang suriin ang paggawa, tibay, at gastos bago magamit nang malawakan.

Ang kanilang framework ay maaaring magdisenyo ng ultrabroadband at band-selective na thermal meta-emitters sa pamamagitan ng pag-optimize ng maraming parameter gamit ang limitadong datos na sumasaklaw sa pagkakaiba-iba ng materyales at 3D na komplikadong estruktura.

Ayon sa pag-aaral, may dalawang pangunahing kakayahan ang sistema. Una, awtomatiko nitong ginagawa ang inverse design ng maraming metastructure at kumbinasyon ng materyal para sa nais na spectral response. Ikalawa, nakapaghahanap ito ng mas komplikadong 3D meta-emitter kaysa sa karaniwang patag na disenyo. Computational na kakayahan ito at hindi garantiya na lahat ng kandidato ay madaling magagawa.

Nagpakita ang pangkat ng pitong proof-of-concept na meta-emitter na may malakas na optical at radiative-cooling performance sa kanilang mga target na tungkulin. Bawat disenyo ay iniangkop sa ibang spectral function.

Ang pangkalahatang framework na binuo ay para sa paggawa ng 3D nanophotonic na mga materyales, na binigyang-diin ng mga mananaliksik, “nagpapadali ng global optimization sa pamamagitan ng pinalawak na kalayaan sa geometry at dimensionalidad at isang komprehensibong database ng mga materyales.”

Ngayon, upang tasahin ang pagiging epektibo ng kanilang disenyo, lumikha ang mga mananaliksik ng apat na sample na materyales at sinubukan ang kanilang pagganap.

Inilapat ang isang meta-emitter sa bubong ng modelong bahay at ikinumpara ito sa komersyal na puti at abong pintura. Matapos ang apat na oras sa direktang sikat ng araw sa tanghali, ang temperatura ng ibabaw ng bagong materyal ay nasa average na 5–20°C na mas mababa kaysa sa mga paghahambingan. Limitadong pagsubok ito sa temperatura ng ibabaw at hindi direktang sukat ng taunang konsumo ng enerhiya ng isang tunay na gusali.

Batay sa pagmomodelo, tinantiya ng pangkat na maaaring mabawasan ng humigit-kumulang 15,800 kWh bawat taon ang enerhiya sa pagpapalamig ng isang partikular na apartment building sa Bangkok. Nakabatay ang bilang sa mga palagay tungkol sa gusali at klima at hindi nangangahulugang pareho ang matitipid sa lahat ng gusali.

Maaaring makatulong ang ganitong materyal na bawasan ang cooling demand ng mga gusaling tirahan at komersyal. Sa pag-reflect ng sikat ng araw at paglabas ng init sa target na wavelength, maaari rin itong makatulong laban sa urban heat island effect. Gayunman, nakadepende ang epekto sa lawak ng aplikasyon at lokal na kapaligiran.

Posible rin itong gamitin sa passive thermal management ng spacecraft sa pamamagitan ng pagkontrol sa sinisipsip na solar radiation at inilalabas na init. Kailangan pa ring patunayan ang tibay at manufacturability nito sa kapaligiran ng kalawakan.

Ang mga kaso ng paggamit ng thermal meta-emitters ay lumalampas pa sa ito. Halimbawa, sa pamamagitan ng pag-integrate nito sa mga tela at kasuotan, maaari nating mapabuti ang teknolohiya ng paglamig sa damit at kagamitan sa labas.

Ang mga sasakyan ay isa pang halimbawa. Sa pamamagitan ng pagbalot ng mga kotse ng thermal meta-emitters at pag-embed nito sa mga interior na materyales, maaaring mabawasan ang init na nabubuo kapag nakatayo ang mga kotse sa araw.

Hindi pa malawakang ginagamit ang thermal meta-emitters dahil komplikado ang disenyo at paggawa ng mga 3D hierarchical structure. Maaaring mapahusay ng AI framework ang design search, ngunit hindi pa nito nalulutas ang mass production, gastos, at pangmatagalang tibay.

“Tradisyonal, ang pagdidisenyo ng mga materyales na ito ay mabagal at labor-intensive, umaasa sa mga trial-and-error na pamamaraan. Ang pamamaraang ito ay madalas nagreresulta sa suboptimal na mga disenyo at nililimitahan ang kakayahang lumikha ng mga materyales na may kinakailangang katangian upang maging epektibo.”

– Zheng

Samakatuwid, magpapatuloy ang mga mananaliksik na pagtrabahuan ang kanilang teknolohiya, pinapino ito at inilalapat sa karagdagang aspeto ng nanophotonics.

“Maaaring hindi solusyon sa lahat ang machine learning, ngunit ang natatanging spectral na pangangailangan ng thermal management ay ginagawang partikular na angkop ito para sa pagdidisenyo ng high-performance na thermal emitters.”

– Co-author Kan Yao

Paano Pinabibilis ng AI ang Pagtuklas ng mga Bagong Materyal

Nakatuon sa estruktura, katangian, proseso, at pagganap ng mga materyales, ang agham ng materyales ay bumubuo ng pundasyon ng lahat mula sa aerospace, electronics, at enerhiya hanggang sa medisina at marami pang ibang larangan. 

Sa katunayan, ang pagtuklas at pag-develop ng mga bagong materyales ay mahalaga sa paghubog ng kasaysayan ng tao sa loob ng mga siglo, na nagdadala ng pag-unlad sa teknolohiya.

Matagal nang pinagsasama ng mga siyentipiko ang trial-and-error, teorya, at pisikal na simulation upang makahanap ng mga bagong inorganic na materyal. Maraming eksperimento at computational resource ang kailangan upang matukoy, maisynthesize, at masubok ang ilang promising na kandidato.

Ang komplikasyon ng mga materyales sa antas ng molekular at atomiko ang dahilan kung bakit mahaba at magastos ang proseso ng pagtuklas ng mga bagong materyales. Kaya, ang pagdami ng supercomputers ay nagbago sa agham ng materyales sa pamamagitan ng pagpapahintulot ng simulation ng pag-uugali ng mga materyales.

Ginagamit ngayon ang AI upang hulaan ang istruktura at katangian ng mga kandidatong materyal at bigyan ng prayoridad ang pinakamahuhusay na bahagi ng napakalaking design space. Nakapagmumungkahi ang generative model ng mga bagong kandidato, ngunit kailangang patunayan sa computation at eksperimento ang kanilang stability, synthesizability, at performance.

Sa katunayan, ang mga advanced na modelo ngayon, na sinanay sa napakalaking dataset, kapag pinagsama sa high-throughput computing, ay kayang mabilis na i-screen ang mga kandidato na materyales laban sa mga nais na parameter, kaya’t napapredict ang mga katangian ng maraming substansiya sa napakaikling panahon.

Maaaring pabilisin ng AI ang screening at bawasan ang oras at resource na kailangan sa ilang yugto ng pag-develop. Nakasalalay ang katumpakan sa training data at saklaw ng modelo, kaya hindi nito pinapalitan ang pagsusuring eksperimento.

Ayon kay Kristin Persson, isang propesor sa agham ng materyales sa University of California, Berkeley, napansin, tayo ay kasalukuyang nasa isang paradigma kung saan ang agham ay pinapalakad ng big data at AI. Ngayon, mayroon na tayong sapat na datos upang sanayin ang mga algorithm ng machine learning, at “nagdadala ito ng isang bagong antas ng bilis sa inobasyon,” sabi niya.

Kagiliw-giliw, nakikinabang din ang AI mula sa pagtuklas ng mga bagong materyales. Ang AI ay gutom sa datos, at ang larangan ng agham ng materyales ay kulang sa datos. Sa pamamagitan ng paggamit ng teknolohiyang ito, maaaring i-simulate ang mga katangian ng materyal, at ang nabuong datos ay maaaring gamitin upang sanayin ang mga modelo ng machine learning.

Si Persson ay kasalukuyang pinamumunuan ang multi-institution, multi-national na pagsisikap na tinatawag na Materials Project, na gumagamit ng supercomputing at advanced na simulation methods upang kalkulahin ang mga katangian ng lahat ng kilalang inorganic na materyales at higit pa. Ang datos ay ginagawa nang libre upang magdisenyo ng mga bagong materyales.

I-click dito upang matuto tungkol sa adaptive roof tiles na maaaring makatulong sa pagbawas ng konsumo ng enerhiya sa pag-init/paglamig.

Mahahalagang Halimbawa ng AI-Based na Pagtuklas ng Materyal

Kamakailan ay nagpakilala ang mga mananaliksik ng University of Toronto Engineering ng bagong tool² na naghuhula kung saang aplikasyon pinakaangkop ang isang bagong materyal upang mabawasan ang pagitan ng pagtuklas at paggamit nito.

Ang multimodal AI tool ay gumagamit ng early-stage data upang i-predict ang potensyal na real-world na paggamit para sa isang bagong materyal na nakatuon sa isang partikular na kategorya ng porous na materyales na tinatawag na metal-organic frameworks (MOFs). 

Noong nakaraang taon, nakabuo ang mga mananaliksik ng higit sa 5,000 iba’t ibang uri ng mga materyal na ito, na may adjustable na mga katangian, ayon kay Professor Seyed Mohamad Moosavi mula sa University of Toronto (ChemE) na namuno sa pag-aaral. Idinagdag niya na ang hamon ay ang isang MOF na nilikha para sa isang partikular na aplikasyon ay madalas na nagtataglay ng mga angkop na katangian para sa isang ganap na ibang aplikasyon.

“Sa pagtuklas ng materyales, ang tipikal na tanong ay, ‘Ano ang pinakamahusay na materyal para sa aplikasyon na ito?’” sabi ni Moosavi. “Binago namin ang tanong at tinanong, ‘Ano ang pinakamahusay na aplikasyon para sa bagong materyal na ito?’ Sa dami ng mga materyales na ginagawa araw-araw, nais naming ilipat ang pokus mula sa ‘anong materyal ang gagawin natin susunod’ patungo sa ‘anong pagsusuri ang dapat nating gawin susunod.’”

Binuo ng ChemE PhD student na si Sartaaj Khan ang multimodal machine-learning system na sinanay sa iba’t ibang uri ng datos. Nagbigay ang multimodal approach ng mas kumpletong paglalarawan ng materyal at nagpahusay sa prediksyon ng posibleng aplikasyon bago magsagawa ng karagdagang synthesis at pagsusuri.

Samantala, gumamit ang mga mananaliksik sa Argonne National Laboratory ng generative AI diffusion model upang gumawa sa supercomputer ng mahigit 120,000 kandidatong istruktura ng MOF³ sa mahigit kalahating oras. Pinaliit ng binagong neural network ang listahan sa 364 na kandidatong may potensyal na mataas ang performance. Computational candidates ang mga bilang na ito, hindi mga materyal na aktuwal nang naisynthesize.

Pagkatapos ng karagdagang computational analysis, pumili ang pangkat ng 102 MOF na hinulaang stable. Anim dito ang may kalkuladong CO₂ capacity na kabilang sa nangungunang 5% ng hMOF database. Kailangan pa ring patunayan sa eksperimento ang mga prediksyon.

Sa isa pang pag-aaral, gumamit ang mga siyentipiko ng AI upang magdisenyo ng carbon nanolattice na napakataas ng lakas ayon sa bigat⁴. Ang paglalarawang kasinggaan ng Styrofoam at kasinglakas ng carbon steel ay buod ng specific-strength comparison at hindi nangangahulugang pareho ang lahat ng bulk property nito sa bakal.

Ang lakas at tibay ay kadalasang magkasalungat sa maraming materyales, kabilang ang nano-architectured na mga ito, na binubuo ng ultra-maliit na mga building block. Kapag inuulit, ang mga building block na ito ay nagpapalakas sa materyal, ngunit maaari ring magdulot ng stress concentration na nagreresulta sa biglaang pagkasira.

Upang makahanap ng mas mahusay na paraan sa pagdisenyo ng nanomaterials, nag-simulate ang mga mananaliksik ng posibleng mga geometry at pagkatapos ay pinatakbo ito sa isang algorithm na natututo mula sa kanilang mga disenyo upang i-predict ang pinakamahusay na hugis para sa pantay na pamamahagi ng applied stresses habang kayang magdala ng mabigat na load.

Ginawa ng mga mananaliksik ang mga istruktura gamit ang 3D printing. Ang iniulat na specific strength ay 2.03 MPa·m³/kg, humigit-kumulang limang beses sa titanium kapag isinasaalang-alang ang density. Hindi ito tuwirang paghahambing ng absolute strength o kabuuang toughness.

Nakikita ng mga mananaliksik ang potensyal na aplikasyon nito bilang ultra-lightweight na komponent sa aerospace upang mabawasan ang pangangailangan sa fuel at ang mataas na carbon footprint ng paglipad.

Ayon sa unang may-akda na si Peter Serles, isang engineering researcher sa Caltech:

“Ito ang unang pagkakataon na ang machine learning ay inilapat upang i-optimize ang nano-architected na mga materyales, at kami ay nagulat sa mga pagbuti. Hindi lang nito inulit ang mga matagumpay na geometry mula sa training data; natuto ito mula sa kung anong pagbabago sa mga hugis ang gumana at kung ano ang hindi, na nagbigay-daan upang i-predict ang ganap na bagong lattice geometries.”

Ginagamit din ang AI-based na materials analysis sa urban planning. Sa isang pinagsamang pag-aaral⁵, pinagsama ng Peking University at University of Southern Denmark ang deep learning at remote sensing upang uriin ang mga materyal ng gusali. Maaaring mag-iba ang katumpakan ayon sa imagery, lokasyon, at training data.

Bukod sa kahusayan sa enerhiya, maaaring itaas ng AI ang urban planning sa pamamagitan ng pagtulong sa environmental monitoring at conservation, pag-develop ng pabahay at imprastruktura, at pampublikong kaligtasan at disaster response.

I-click dito upang matuto tungkol sa bladeless wind turbines, na madalas tinutukoy bilang kinabukasan ng malinis na enerhiya.

Pamumuhunan sa AI-Based na Pagtuklas ng Materyal

May mga pribadong forecast na maaaring umabot sa trilyong dolyar ang AI market, ngunit hindi tiyak ang mga pagtatayang ito. Kabilang sa mga kumpanyang may tools para sa AI-based materials research ang Microsoft (MSFT ) at Google (Alphabet Inc.) (GOOG ). Dito ay nakatuon ang talakayan sa Alphabet.

Alphabet Inc. (GOOG )

Sa huling bahagi ng 2023, inilabas ng Google DeepMind ang Graph Networks for Materials Exploration (GNoME). Iniulat ng kaugnay na papel⁶ na nakabuo ito ng 2.2 milyong bagong kandidatong crystal structure gamit ang deep learning.

Inilarawan ng Google ang resulta bilang katumbas ng halos 800 taon ng kaalaman. Sa 2.2 milyong kandidato, humigit-kumulang 380,000 ang tinantiyang computationally stable. Hindi nito ibig sabihin na naisynthesize na o komersyal na magagamit ang lahat ng ito.

Ang Gnome model ay isang graph neural network (GNN) model, kung saan ang input data ay kinakatawan bilang isang graph. Ang Gnome ay sinanay sa data mula sa Materials Project, kabilang ang crystal structures at kanilang stability, upang lumikha ng mga bagong kandidato na kristal at i-predict ang kanilang stability.

Sinuri ng Google ang predictive power nito sa pamamagitan ng paulit-ulit na pag-check ng performance gamit ang Density Functional Theory (DFT). Para sa ‘training process,’ ginamit nito ang ‘active learning’ kung saan ang nabuong data ay ibinabalik sa modelo, na lubos na nagtaas ng performance ng Gnome.

Iniulat ng Google na sa paulit-ulit na active-learning process ay tumaas mula humigit-kumulang 50% tungo sa 80% ang hit rate ng stability prediction. Partikular ang resultang ito sa dataset at evaluation procedure ng pag-aaral at hindi awtomatikong nalalapat sa lahat ng materials problem.

Sa oras ng paglalathala, may 736 materyal sa panlabas na literatura na tumugma sa mga istrukturang hinulaan ng GNoME. Sa pakikipagtulungan sa Lawrence Berkeley National Laboratory, naisynthesize rin ang 41 kandidato sa isang automated experiment. Bahagyang validation lamang ito ng napakalaking hanay ng prediksyon.

Patuloy na nagbabago ang presyo ng share, market capitalization, P/E, at iba pang market metric. Dapat tingnan ng mamumuhunan ang live stock data sa ibaba at ang pinakabagong financial report, at tandaan na maliit pa lamang na bahagi ng kabuuang negosyo ng Alphabet ang AI para sa materials discovery.

Iniulat ng Alphabet ang $90.2 bilyong revenue at $2.81 diluted earnings per share para sa quarter na nagtapos noong Marso 31, 2025. Sinabi ni CEO Sundar Pichai na ipinakita nito ang paglago ng negosyo at binigyang-diin niya ang full-stack AI approach ng kumpanya. Resulta ito ng isang nakaraang quarter at hindi garantiya ng performance sa hinaharap.

Pinakabagong Balita at Pag-unlad sa Stock ng Alphabet (GOOG)

Konklusyon

Binabago ng AI kung paano hinahanap at ino-optimize ang mga kandidatong materyal. Ang ilang computational stage ay maaaring matapos sa araw o oras sa halip na taon, ngunit kailangan pa rin ng panahon upang maisynthesize ang materyal at masuri ang performance, kaligtasan, at tibay nito.

Sa pagsasama ng malalaking dataset, high-throughput computing, at generative model, mas maraming kandidato ang naihahambing ng mga mananaliksik. Nakasalalay ang tagumpay sa kalidad ng datos at experimental validation; ang AI ay kasangkapan na pandagdag sa siyentipikong paghatol at eksperimento.

I-click dito upang matuto tungkol sa mga clean energy stocks na may environmental focus.

Mga Sanggunian:

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