AI Pinapabilis ang Paghahanap ng Mga Susunod na Henerasyon na Sustainable na Material para sa Paglamig

Sa mundo ng mga materyales, ang thermal nanophotonics ay kritikal para sa pagpapahintulot ng mga pangunahing pag-unlad sa iba’t ibang teknolohikal na aplikasyon.

Ang thermal nanophotonics ay pinagsasama ang nanophotonics at agham ng init upang manipulahin at kontrolin ang paglipat ng init sa nanoscale. Ginagamit nito ang mga nanostruktura at materyales upang iangkop ang thermal radiation at daloy ng init, na nagreresulta sa mga pag-unlad sa iba’t ibang aplikasyon, kabilang ang pagkuha ng enerhiya, pamamahala ng init, at pagsensing.

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.”

– Study co-lead Yuebing Zheng, isang propesor sa Cockrell School of Engineering’s Walker Department of Mechanical Engineering

Mga Material na Pinapagana ng AI para sa Climate-Resilient na Disenyo ng Lungsod

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 kanilang framework, nagawang lumikha ng mga siyentipiko ng higit sa 1,500 bagong materyales na maaaring maglabas ng init nang selektibo at kontrolado. Maaari rin itong magbigay ng mas mataas na katumpakan sa pag-init at paglamig upang makamit ang pinahusay na kahusayan sa enerhiya.

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, ang kanilang arkitektura ay nagbibigay ng dalawang kakayahan sa disenyo. Una, ina-automate nito ang inverse design ng napakaraming posibleng metastructures pati na rin ng kombinasyon ng materyales para sa spectral tailoring. Pangalawa, ito ay may “hindi pa nagagawang kakayahan” na magdisenyo ng iba’t ibang 3D meta-emitters sa pamamagitan ng pag-aapply ng three-plane modelling method na nalalampasan ang mga limitasyon ng tradisyunal, patag, 2D na mga estruktura.

Sa kanilang pag-aaral, inilahad ng koponan ang pitong proof-of-concept na meta-emitters na nagpapakita ng mas mataas na optical at radiative cooling performance, na lagpas sa kasalukuyang advanced na mga disenyo. Ang pitong klase ng meta-emitters ay iniangkop para sa tiyak na mga 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.

Isa sa mga meta-emitter na materyales ay inilapat sa bubong ng isang modelong bahay. Upang suriin ang kakayahan nitong maglamig, ikinumpara ang materyal sa karaniwang komersyal na puti at abo na pintura. Ang napansin ng mga mananaliksik matapos ang apat na oras ng direktang sikat ng araw sa tanghali ay ang bagong likhang materyal ay, sa average, 5 hanggang 20 degrees Celsius na mas malamig kaysa sa tradisyonal na pintura.

Batay dito, tinatantiya ng koponan na ang kanilang materyal ay makakatipid ng humigit-kumulang 15,800 kilowatt-oras (kWh) bawat taon sa gastos sa paglamig para sa isang apartment building sa mainit na lungsod tulad ng Bangkok. Ang karaniwang AC unit ay karaniwang kumokonsumo ng humigit-kumulang 1,500 kWh taun-taon.

Kaya, ang mga materyales na nilikha ng koponan ay maaaring magamit para sa pagtitipid ng enerhiya sa residential at komersyal na mga gusali. Sa mga lungsod, makakatulong ito na pababain ang temperatura sa pamamagitan ng pagre-reflect ng sikat ng araw at paglabas ng init sa mga target na wavelength. Sa ganitong paraan, maaaring mabawasan ng materyal ang urban heat island effect na dulot ng limitadong berde at siksik na konkreto.

Ngunit hindi doon nagtatapos ang kanilang paggamit. Ang materyal ay maaari ring magamit sa mga aplikasyon sa kalawakan, kung saan ito ay epektibong namamahala sa papasok na solar radiation at inilalabas na init, na tumutulong sa pag-regulate ng temperatura ng spacecraft.

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.

Sa kabila ng kanilang maraming benepisyo, ang mga materyales na ito ay hindi pa nakamit ang malawak na pag-aampon dahil sa kanilang masalimuot na proseso ng disenyo, at kahit ang mga automated na opsyon ay nahirapan sa paghawak ng kanilang komplikadong 3D hierarchical na estruktura. Ngunit lahat ng ito ay maaaring magbago sa pinakabagong AI framework.

“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 Pinapabilis ng AI ang Pagtuklas ng mga Bagong Materyales

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.

Sa loob ng mga dekada, umasa tayo sa trial-and-error na pamamaraan upang makahanap ng mga bagong inorganic na materyales na may kanais-nais na katangian. Ang pamamaraan na ito ay napaka-resource intensive, na nangangailangan ng daan-daang libong oras ng eksperimento upang unang matukoy at pagkatapos ay ma-synthesize ang iilang potensyal na bagong materyales.

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.

At ngayon, ang pagdating ng AI ay nagdudulot ng rebolusyon sa larangan sa pamamagitan ng pagpapabilis ng computational approach sa agham ng materyales. Sa pamamagitan ng pagbibigay ng nais na katangian para sa isang materyal pati na rin ng mga limitasyon, ang generative AI systems ay maaaring lumikha ng ganap na bagong mga materyales.

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.

Hindi lamang makakatipid ang AI ng malaking oras sa pag-develop at ng mga mapagkukunan ng tao at materyales, ngunit magagawa rin ito habang eksaktong natutugunan ang kumplikado at iba-ibang pangangailangan ng merkado.

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.

Mga Breakthrough sa AI-Driven na Pagtuklas ng Materyales

Mga mananaliksik mula sa U of T Engineering nagpakilala ng bagong tool² kamakailan na nagpo-predict kung paano pinakamainam na magagamit ang isang bagong materyal upang mabawasan ang agwat sa pagitan ng pagtuklas ng materyal at ang pag-deploy 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.’”

Kaya, ang ChemE PhD student na si Sartaaj Khan ay nag-develop ng multimodal machine learning system na sinanay sa iba’t ibang uri ng datos. Ang multimodality ay susi dito dahil binigyan nito ang modelo ng “mas kumpletong larawan” upang makagawa ng mas tumpak na prediksyon nang hindi kailangan ng post-synthesis.

Samantala, ang mga mananaliksik mula sa Argonne National Laboratory ay gumamit ng generative AI diffusion model upang lumikha ng higit sa 120,000 MOF³ na kandidato sa loob lamang ng higit kalahating oras gamit ang supercomputer. Ang binagong neural network ay nagbawas ng bilang ng MOFs sa 364, na pinaniniwalaang mataas ang performance.

Sa loob ng ilang araw pa at karagdagang computational analysis, natagpuan ng koponan ang 102 stable na MOFs sa dataset. 6 sa mga ito ay may CO2 capacity na nasa top 5% ng mga materyales sa popular na hMOF database.

Sa isa pang halimbawa, gumamit ang mga siyentipiko ng AI upang magdisenyo ng ganap na bagong nanomaterials⁴ na kasing gaan ng Styrofoam ngunit may lakas ng carbon steel. 

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.

Gumamit ang mga mananaliksik ng 3D printer upang maisakatuparan ang mga hugis na ito at natuklasan na kaya nitong tiisin ang stress na 2.03 megapascals (MPa) per cubic meter per kilogram, na limang beses na mas mataas kaysa sa titanium.

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 kay first-author 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.”

Ang AI-based na pagtuklas ng materyales ay ginagamit din nang malawakan para sa urban planning. Isang kolaboratibong pananaliksik⁵ ng Peking University at University of Southern Denmark ang nag-develop ng advanced na framework na nag-iintegrate ng deep learning sa remote sensing upang matukoy ang mga materyales ng gusali na may hindi pa nagagawang precision.

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 Materyales

Kung susuriin natin ang potensyal ng pamumuhunan sa AI, ito ay napakalaki, kung saan ang merkado inaasahang aabot sa trilyon sa mga darating na taon. Pagdating sa mga kumpanyang nangunguna sa teknolohikal na pag-unlad, lalo na sa agham ng materyales, dalawang pangalan ang namumukod-tangi: Microsoft (MSFT ) at Google (Alphabet Inc.) (GOOG ), na naglunsad ng kanilang sariling mga modelo upang itaas ang saklaw at katumpakan ng pananaliksik sa materyales. Gayunpaman, para sa layunin ng artikulong ito, magtutuon kami sa Alphabet Inc.

Alphabet Inc. (GOOG )

Sa huling bahagi ng 2023, inilabas ng DeepMind ng Google ang AI tool na tinatawag na Graph Networks for Materials Exploration (Gnome) upang mapabilis ang proseso ng pagtuklas ng materyales. Noong panahong iyon, ito ay iniulat⁶ na nakahanap ng 2.2 milyong bagong kristal sa tulong ng deep learning tool.

Ayon sa Google, ito ay “katumbas ng halos 800 taong kaalaman at nagpapakita ng hindi pa nagagawang saklaw at antas ng katumpakan sa mga prediksyon.” Ang mga bagong natuklasang kristal ay kinabibilangan ng 380,000 stable na materyales, na ginagawa silang mga promising na kandidato para sa experimental synthesis at may kakayahang magbigay ng enerhiya sa mga hinaharap na teknolohiya.

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.

Ayon sa Google, ang katumpakan ng stability prediction ng modelo ay tumaas mula 50% hanggang 80%. Ang kahusayan ng modelo, samantala, ay tumaas mula sa ilalim ng 10% hanggang higit sa 80%.

Higit pa rito, humigit-kumulang 736 na materyales na na-predict ng Genome ay independiyenteng na-synthesize ng mga panlabas na mananaliksik. Nakipagtulungan din ang Google sa Lawrence Berkeley National Lab upang magsynthesize ng 41 bagong materyales, na nagpapatunay sa predictive strength ng tool at sa kapangyarihan ng autonomous experimentation.

Ngayon, tingnan natin ang performance ng higanteng may $2.2 trilyong market cap. Sa kasalukuyan, ang mga shares nito ay nagte-trade sa paligid ng $182, pababa ng 3.86% YTD. Mayroon itong EPS (TTM) na 8.97 at P/E (TTM) na 20.29. Ang dividend yield na binabayaran ay 0.46%.

Tungkol sa financials ng kumpanya, iniulat ng parent company ng Google, ang Alphabet, na may revenue na $90.2 bilyon para sa Q1 na nagtapos noong Marso 31, 2025. Ang earnings per share ay $2.81. Ayon sa CEO na si Sundar Pichai, ang mga numerong ito ay “nagpapakita ng malusog na paglago at momentum sa buong negosyo. Ang pundasyon ng paglago na ito ay ang aming natatanging full-stack approach sa AI.”

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

Konklusyon

Ang AI ay nagbabago sa bawat aspeto ng ating buhay, kabilang ang kung paano natin dinisenyo ang mga materyales na humuhubog sa ating hinaharap. Ang integrasyon ng teknolohiya sa agham ng materyales ay kumakatawan sa isang tunay na paradigm shift, na nagpapabilis ng mga pagtuklas na dati’y tumatagal ng taon bago maisakatuparan, ngayon ay nagiging araw o kahit oras na lamang.

Sa madaling salita, ang AI ay nagmamaneho ng malapit na hinaharap ng inobasyon sa materyales sa pamamagitan ng paggamit ng napakalaking dataset, high-throughput computing, at generative models, na nagpapahintulot sa mga mananaliksik na mag-predict, magdisenyo, at mag-optimize ng mga bagong materyales na may hindi pa nagagawang kahusayan at katumpakan.

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