5 AI Atılımı Bugün Malzeme Keşfini Dönüştürüyor

Yapay zeka (AI), dünyayı dönüştürmeye ve insanlığın geleceğini yeniden şekillendirmeye devam ediyor.

Teknoloji, tipik olarak insan zekâsı gerektiren görevleri yerine getirerek neredeyse her sektörde değişim yaratıyor. AI sistemleri, desenleri tanımlamak ve kararlar vermek için büyük miktarda veri kullanıyor.

Bu sayede, AI belirli düzeylerde insan benzeri akıl yürütme ve bilişsel süreçleri simüle edebiliyor.

World Trade Report’a göre, AI’nın verimlilik artışı ve maliyet faydaları, küresel GSYİH’yi 2040 yılına kadar %12-13 artırabilir.

Dijital altyapı farkını yüksek gelirli ekonomilerle %50 azaltıp AI’yı daha geniş ölçekte benimseyen düşük ve orta gelirli ekonomiler, gelirlerinde %15’e varan bir artış görebilir.

Ulusların verimlilik, ticaret ve ekonomik konumlarını güçlendirmesine yardımcı olmanın yanı sıra, AI endüstrilerde yenilikleri yönlendirerek topluma da katkı sağlayabilir. Teknolojinin şu anda bunu yaptığı yolların başında malzeme keşfi geliyor.

Malzeme Keşfinde AI’nın Vaatı

Malzeme keşfi her zaman yeniliğin anahtarı olmuştur. Yüzyıllar önce, bakır ve kalayın karışımı Bronz Çağı’na yol açtı; daha güçlü alet ve silahlar ticareti ve toplumları dönüştürdü.

Daha sonra demir çağı geldi; demirin hâkimiyeti ekonomileri yeniden şekillendirdi. 19. yüzyıla hızlı bir geçişte çelik yaygın olarak benimsendi. Demir ve karbonun bir alaşımı olan çelik, demiryolları, gökdelenler, gemiler ve makinelerin belkemiği oldu; Sanayi Devrimi ve küresel genişlemeyi besledi.

20. yüzyılın sonlarında, Silikon Çağı, modern elektroniğin temeli olan yarı iletkenlerin keşfi ve iyileştirilmesiyle dünyayı dönüştürdü. Şimdi gelişmiş malzemeler çağındayız; grafen, karbon nanotüpler ve kuantum malzemeler, daha temiz enerji, daha hafif uçaklar ve daha hızlı bilişim için kapılar açıyor.

AI ve makine öğreniminin (ML) ortaya çıkışı, malzeme keşfi, tasarımı ve optimizasyon sürecini önemli ölçüde hızlandırarak malzemelerde ve dolayısıyla çeşitli endüstrilerde yeniliğe katkıda bulunuyor.

Bunun için AI, belirli uygulama ihtiyaçları için adayların geniş veri tabanlarını taramak amacıyla algoritmalar ve modeller kullanır. Derin öğrenme modelleri, özellikle Grafik Sinir Ağları (GNN’ler) ve Tekrarlayan Sinir Ağları (RNN’ler), malzeme biliminde bulunan karmaşık veri setlerini analiz etmek için kritik öneme sahiptir.

Bu modeller, bu veri tabanlarından istenen özelliklere sahip mevcut malzemeleri tanımlayabilir ve hatta bir malzemenin bileşimi ve yapısına dayanarak özelliklerini tahmin edebilir.

AI yardımıyla, malzeme bilimi geleneksel deneme-yanılma yöntemlerinin ötesine geçebilir, bu yöntemler zaman alıcı ve maliyetlidir.

Ayrıca, AI modelleri belirli gereksinimlere göre yeni malzeme yapıları oluşturabilir. Otomatik deney platformlarıyla bütünleştirildiğinde, AI malzeme keşfi sürecini üretime kadar hızlandırabilir.

Bu faydalara rağmen, belirli malzemeler için kalite eksikliği ve kapsamlı veri eksikliği gibi zorluklar hâlâ mevcut. Yeni bulunan ve tasarlanan malzemelerin laboratuvarda başarılı sentezi de büyük bir zorluktur.

UCSB’den malzeme bilimcisi Anthony Cheetham, Nature dergisinde belirtmiştir¹ DeepMind’in (Alphabet (Google) alt kuruluşu) bir AI aracı GNoME tarafından bulunan 2,2 milyon varsayımsal kristal listesini incelemesinin ardından, “Bir bileşiği keşfetmek bir şey, yeni fonksiyonel bir malzemeyi keşfetmek ise tamamen başka bir şey” demiştir.

Birçok AI tarafından tahmin edilen bileşiğin uygulanabilir olmadığını belirten Cheetham şöyle dedi:

“Oldukça saçma şeyler bulduk.”

Bu, tahmin ile pratik gerçekleşme arasındaki boşluğu gösteriyor. Bu boşluğun kapanması için AI’nın insan uzmanlığı ve deneysel bilimle birleştirilmesi gerekir.

Yine de, AI’nın malzeme bilimini devrim niteliğinde dönüştürme vaadi göz ardı edilemez. Enerji, sağlık, otomotiv, uzay ve diğer kritik uygulamalar için malzemelerin daha hızlı geliştirilmesini sağlama yeteneği, etkisini göz ardı etmeyi imkânsız kılıyor.

O halde, AI’nın malzeme bilimindeki uygulamasının en öne çıkan örneklerine bir göz atalım; bu örnekler, malzeme keşfi ve yenilik sınırlarını zorlamadaki potansiyelini gösteriyor.

Swipe to scroll →

1. Perovskit Güneş Hücreleri: AI-Optimizeli Malzemeler ve İşleme

En umut verici çözümlerden biri sürdürülebilir enerjiye ulaşmaktır; bu çözüm güneş enerjisidir ve benimsenmesi hızla artmaktadır. 2024’te dünya, rekor ~600 GW güneş enerjisi kurdu, 2023’e göre %33 yükseldi. On yılın sonuna kadar bu, yıllık ~1 TW’ye ulaşması bekleniyor.

Güneş enerjisine artan talep, güneş hücreleri için daha verimli, çok yönlü ve maliyet etkin malzemelere ihtiyaç doğuruyor.

Perovskit, benzersiz kristal yapısı sunan bir malzemedir. Doğal olarak oluşan mineral artık sentetik olarak yeniden üretilebiliyor. Organik ve inorganik elementleri karıştırarak bilim insanları, olağanüstü ışık absorpsiyon özellikleri gösteren sentetik perovskitler oluşturuyor; bu da onları güneş uygulamaları için son derece uygun kılıyor.

Yüksek verimliliğin yanı sıra, bu malzemeler esneklik ve ayarlanabilir bant aralığı avantajı sunar; ancak ölçeklenebilirlik ve kararlılık sorunları hâlâ devam ediyor; bu yüzden yeni bileşimlerin aranması gerekiyor.

Bu yüzden araştırmacılar, on yıldan fazla bir süre önce perovskit güneş hücrelerinin (PSC’ler) performansını malzeme özellikleri ve enerji dönüşüm süreçleriyle ilişkilendirmek için AI’ye yöneldiler. Daha sonra bu teknolojiyi malzeme bileşimini optimize etmek, tasarım stratejileri geliştirmek ve performansı tahmin etmek için kullandılar.

2019’da Central Florida Üniversitesi’nden araştırmacılar, perovskit üzerine 2.000’den fazla hakemli yayını incelemiş² ve 200’den fazla veri noktasını topladı; bu veriler, perovskit güneş hücreleri (PSC) için en iyi tarifeyi elde etmek amacıyla oluşturdukları AI sistemine beslenmiştir. Aynı yıl, MIT’deki bilim insanları geliştirdiler³ yeni bileşiklerin sentez ve analizini on kat hızlandıran bir model ve daha fazla araştırmaya değer iki yeni kurşunsuz perovskit buldular.

2022’de MIT ve Stanford Üniversitesi’nden araştırmacılar, gelişmiş güneş hücresi üretimini ölçeklendirmek için AI’dan yardım aldıklarını rapor ettiler⁴.

Bunun için, önceki deneylerden gelen verileri ve deneyimli çalışanların kişisel gözlemlerine dayalı bilgileri bütünleştiren, birkaç yıldır geliştirilen bir sistem oluşturuldu. Bu bütünleşme, sonuçları daha doğru hâle getirdi ve perovskit hücrelerin %18,5 enerji dönüşüm verimliliğiyle üretilmesine yol açtı.

Bu, çoğu makine öğrenimi sisteminin aksine, öncelikle ham veri kullanan ve genellikle insan deneyimini dahil etmeyen bir yaklaşımdır. Modellerine dış bilgi eklemek için Bayesyen Optimizasyona dayalı bir olasılık faktörü kullandılar; bu sayede “daha önce göremediğimiz eğilimleri keşfetmemizi” sağladı.

AI yardımıyla gelişmiş perovskit güneş teknolojisinin keşfi devam ediyor ve PSC verimliliğini artırmak için hız kazanıyor. Bu tür bir çalışmada⁵, verimlilik %26,2’ye yükseltilirken “muazzam miktarda zaman ve kaynak tasarrufu” sağlandı.

⬆ Tabloya geri dön

2. AI Tarafından Keşfedilen Hidrojen Üretimi İçin Elektrokatalizörler

Yenilenemez fosil yakıtlara, büyük miktarda sera gazı (GHG) emisyonundan sorumlu olan, umut vaat eden bir alternatif hidrojen. Evrendeki en bol element olan hidrojen, temiz ve yenilenebilir bir enerji kaynağı olarak ortaya çıkmıştır.

Ancak, hidrojenin ticari ölçek talebini karşılayacak verimli üretimi ciddi bir zorluktur. Burada, su ayırma elektrolizi umut verici bir yol sunar; elektrokataliz bu süreçte kritik bir rol oynar. Bu, su ayırma yoluyla istenen elektrokatalitik hidrojen üretimini elde etmek için düşük maliyetli, aktif ve stabil elektrokatalizörlerin geliştirilmesini zorunlu kılar.

Elektrokatalizörler, su ayırma için gereken enerjiyi düşürerek hidrojen üretimini hızlandırır; bu, platin gibi pahalı değerli metallerin ya da nikel, kobalt, grafen, MXene ve diğer daha uygun maliyetli alternatiflerin kullanılmasını içerir.

Malzemenin özellikleri ve maliyeti dışında, belirli bir katalizör, reaksiyonun asidik, alkalin ya da yüksek sıcaklıkta çalışıp çalışmadığına göre seçilir.

Ancak, mevcut ve yeni uygun malzemeleri aramak için geleneksel deneme-yanılma yöntemini kullanmak çok zaman alıcı ve maliyetlidir; bu yüzden AI kullanılmaktadır⁶ geleneksel yaklaşımların sınırlamalarını aşmak, yeni adaylar keşfetmek ve bilinen ürünleri iyileştirmek için.

Son bir çalışma rapor etti⁷ ki, DoE veri setiyle eğitilmiş entropi taramalı AI, su ayırma için en iyi bileşim olarak Fe12Co28Ni33Mo17Pd5Pt5’i belirlemek amacıyla 16,2 milyon kimyasal bileşimi inceledi. Bu alaşım, HER ve OER gibi temel elektrokatalitik reaksiyonlar için aşırı düşük overpotansiyeller gösterirken sağlam bir kararlılığa sahiptir.

Birkaç yıl önce, Google AI laboratuvarı DeepMind katkıda bulundu ve Materials Project’e 380.000 yeni bileşik ekledi; bu platform birçok katalizör araması ve otonom deneyin temelini oluşturur.

Enerji Bakanlığı’nın Berkeley Laboratuvarı’nda kurulan açık erişimli veri tabanı, araştırmacılar tarafından yeni malzemelerde faydalı özelliklerin deneysel olarak doğrulanması için kullanıldı; bu malzemeler karbon yakalama, fotokatalizör, termoelektrik ve şeffaf iletkenler gibi uygulamalarda potansiyel gösteriyor.

Veri tabanı, bir malzemenin atomlarının nasıl düzenlendiğini ve ne kadar stabil olduğunu içerir. GNoME, proje tarafından geliştirilen veri ve iş akışları kullanılarak eğitildi ve ardından aktif öğrenme yoluyla iyileştirildi.

Google DeepMind’in GNoME’undan elde edilen hesaplamalar ve Materials Project verileri kullanılarak, araştırmacılar Berkeley Laboratuvarı’ndaki A-Lab adlı, AI’nın robotları yeni malzemeler üretmek için yönlendirdiği bir tesisi test etti. A-Lab, üretmiştir⁸ 41 yeni bileşiği.

⬆ Tabloya geri dön

3. Süpersert Malzemeler: ML Yönlendirmeli Keşif ile Elmasın Ötesinde

Askeri, uzay ve enerji üretimi gibi endüstriler, neredeyse sıkıştırılamaz katı maddeler olan süpersert malzemelere ihtiyaç duyar. Bu malzemelerin sertlik değeri Vickers ölçeğinde 40 gigapascal (GPa) üzerindedir ve yüksek bağ kovalansı ve yüksek elektron yoğunluğuna sahiptir.

Elmas, şu ana kadar bilinen en sert malzemedir; sertlik değeri 70-150 GPa arasındadır. Bu, elmas yüzeyinde bir çökük oluşturmak için 70-150 GPa’dan daha fazla basınç gerektiği anlamına gelir. Sonuç olarak, kesici aletlerde, aşındırıcı maddelerde, aşınmaya dayanıklı kaplamalarda ve yüksek basınç deneyleri oluşturmakta kullanılır.

Bu değerli taşlar, karbon elementinin elmas kübik kristal yapısında düzenlenmiş katı formudur ve bilim insanları yeni uygun malzemeler bulmak için de kullanılır. Ancak AI bu durumu değiştirdi.

Yıllar içinde, çeşitli araştırmacılar yeni süpersert fazlar bulmuşlardır⁹; bir araştırma rapor etmiştir¹⁰ BC10N, B4C5N3 ve B2C3N’nin dinamik olarak stabil fazlar sergilediğini ve sertlik değerlerinin >40 GPa olduğunu.

2020’de University of Houston ve Manhattan College’dan araştırmacılar, yeni malzemelerin sertliğini doğru bir şekilde tahmin etmek için bir ML modeli kullandılar¹¹, bu da uygun bileşikleri daha kolay bulmalarını sağladı.

Herhangi bir malzemenin yüzeyinde iz bırakmak için gereken yüksek basınç, bu malzemeleri nadir kılar ve “yeni malzemeleri tanımlamayı zorlaştırır.” Bu yüzden, “sentetik elmas gibi malzemeler hâlâ kullanılıyor, çünkü üretimleri zor ve pahalı,” diye konuştu, makalenin ortak yazarı Jakoah Brgoch, University of Houston’da kimya doçenti.

Buradaki karmaşık faktör, yük bağımlılığıdır; bu, bir malzemenin sertliğinin uygulanan basınca bağlı olarak değişebileceği anlamına gelir. Bu, bir malzemenin deneysel olarak test edilmesini karmaşık hâle getirir. Hesaplamalı modelleme bile neredeyse imkânsızdır; bu yüzden araştırmacılar, sadece malzemenin kimyasal bileşimine dayanarak yük bağımlı Vickers sertliğini tahmin eden bir model yarattılar.

Algoritma, 560 farklı bileşiği içeren ve yüzlerce akademik makaleyi taramayı gerektiren bir veri tabanında çalışıyordu. “İyi bir makine öğrenimi projesi, iyi bir veri setiyle başlar,” dedi Brgoch. “Gerçek başarı büyük ölçüde bu veri setinin geliştirilmesidir.”

Sonuç olarak, 10’dan fazla yeni stabil borokarbür fazı buldular ve modelin %97 doğruluk oranı, laboratuvarda başarı elde etme konusunda umut veriyor.

AI’nın sınırlamaları da vardır; Brgoch, “Makine öğrenimini ‘İşte bir sonraki en büyük malzeme’ demek için değil, deneysel aramamıza rehberlik etmek için kullanıyoruz” dedi.

“Size nerelere bakmanız gerektiğini söyler.”

⬆ Tabloya geri dön

4. Polimer Dielektrikler: AI Hızlandırmalı Enerji Depolama Malzemeleri

Modern enerji depolamanın temel bileşeni, hava, cam ve plastik gibi iletken olmayan malzemeler olan dielektriklerdir.

Dielektrik malzemenin seçimi, kapasitörlerin enerji yoğunluğunu belirler; polimer dielektrikler düşük maliyetleri, mekanik esneklikleri, güvenilirlikleri, hızlı deşarj hızları ve işlenebilirlikleri nedeniyle enerji depolamada yaygın olarak kullanılır. Ancak, düşük enerji yoğunlukları bir sorundur.

Bu nedenle, araştırmacılar güç sistemleri, elektronik ve elektrikli araçlar (EV’ler) gibi uygulamalarda enerji depolama kapasitelerini artırmak için yeni polimer dielektrikler geliştirmeye sürekli olarak bakmaktadır.

AI, polimer malzemelerde muazzam ilerleme kaydetti. Örneğin, birkaç ay önce MIT ve Duke Üniversitesi araştırmacıları, stres yanıtlı çapraz bağlayıcı moleküller ekleyerek daha dayanıklı polimerler oluşturmuşlardır¹²; bu moleküller AI tarafından tanımlanmıştır. MIT araştırmacıları ayrıca bir sistem inşa etmişlerdir¹³; bu sistem, batarya elektrolitleri, protein stabilizasyonu veya ilaç taşıma malzemeleri gibi uygulamalar için günde 700 yeni polimer karışımını bulur, karıştırır ve test eder.

Yeni polimer karışımları tasarlamak, başlangıçta neredeyse sonsuz sayıda olası polimer olması sorununu ortaya koyar; birkaç tanesi seçildikten sonra, her bir polimerin bileşimi ve karışımdaki konsantrasyonu belirlenmelidir.

“Bu kadar büyük bir tasarım alanı, algoritmik çözümler ve yüksek verimli iş akışları gerektirir; çünkü tüm kombinasyonları kaba kuvvetle test edemezsiniz.”

– Makalenin kıdemli yazarı, Connor Coley

AI sistemleri, en iyi bileşenlerinin %18 daha iyi performans gösterdiği optimal karışımları sağladı.

AI’nın yeni polimer seçenekleri ve karışımları sağlama verimliliği göz önüne alındığında, teknolojiyi uygulamak¹⁴ daha iyi polimer dielektrikleri tanımlamak için mantıklıdır; daha iyi polimer dielektrikler¹⁵.

Bir araştırma ekibi bunu yaptı ve keşfetti¹⁶ yüksek sıcaklıklarda ticari alternatiflerin 11 katı enerji yoğunluğuna sahip dielektrikler.

Yenilikçi algoritma, polimerlerin özelliklerini ve formülasyonlarını gerçek üretime geçmeden tahmin etmek için geliştirilmiştir.

AI’nın yanı sıra, araştırmacılar polinorbren ve poliamid ailelerinden dielektriklerin bir serisini keşfetmek için yerleşik polimer kimyası ve moleküler mühendisliği kullandılar; keşfedilen birçok dielektrik yüksek enerji yoğunluğu ve geniş sıcaklık aralığında yüksek termal stabilite gösterdi.

Ancak, özellikle bir tanesi 200 °C’de 8.3 J cc⁻¹ enerji yoğunluğu gösterdi; bu, ticari olarak mevcut polimer dielektrikten çok daha yüksektir.

“AI’nın malzeme bilimindeki ilk günlerinde, Beyaz Saray’ın Malzeme Genomu Girişimi sayesinde, bu alandaki araştırmalar büyük ölçüde merak odaklıydı. Son yıllarda, AI destekli hızlandırılmış polimer keşfinde somut, gerçek dünya başarı hikayeleri görmeye başladık,” dedi ortak yazar Rampi Ramprasad, Georgia Institute of Technology’den Profesör. “Bu başarılar, endüstriyel malzeme AR&D manzarasında önemli dönüşümleri ilham veriyor.”

⬆ Tabloya geri dön

5. Katı Hal Elektrolitleri: AI ile Daha Güvenli, Yüksek Yoğunluklu Bataryalar

Taşınabilir cihazların ve EV’lerin yaygınlaşması ve yenilenebilir enerji depolama çözümlerine artan talep, küresel batarya pazarını hızla ilerletiyor¹⁷. Bataryaların modern dünyadaki önemli rolü göz önüne alındığında, bilim insanları daha enerji verimli ve güvenli batarya teknolojileri geliştirmek için sürekli çaba harcıyor.

Lityum-iyon bataryalar bugün en yaygın kullanılan bataryalar olsa da, sınırlı ömürleri ve güvenlik riskleri vardır; bu riskler katı hal bataryaları (SSB’ler) çözmektedir.

Bu bataryalar, sıvı elektrolitleri katı hal elektrolitleriyle değiştirerek yüksek sıcaklıklarda yanma riskini ortadan kaldırır; aynı zamanda daha yüksek enerji yoğunluğu ve dayanıklılık sağlar, daha güvenli ve daha güçlü bataryalar üretir.

Ancak, katı elektrolitli bu bataryalar da düşük iyon iletkenliği, elektrot arayüz uyumluluğu, mekanik ve kimyasal stabilite ve maliyet etkin üretim gibi kendi zorluklarıyla karşı karşıyadır. Bu yüzden araştırmacılar, bu sorunları AI aracılığıyla aşabilecek malzemeler araştırıyor.

Bugün tartıştığımız diğer alanların aksine, bataryalar AI uygulamasının en hızlı büyüyen alanlarından biridir; bu, önde gelen otomobil üreticileri ve start-up’ların katı hal batarya AR&G’sine büyük yatırımlar yapmasıyla patlamıştır. Güvenlik riskinin yanı sıra, sektör büyük veri tabanları biriktirmiştir; bu veri tabanları ML modellerini eğitmek için yeterince zengindir.

Hükümetler bile SSB’leri stratejik bir öncelik olarak listeliyor; bu, yerel tedarik zincirlerini güvence altına almak ve ulusal enerji ve iklim hedeflerine ulaşmak için.

Bu yüzden, AI’nın araştırmacılara ve şirketlere yeni katı elektrolitler keşfetmelerinde yardımcı olduğu çeşitli örnekler vardır.

Geçen yıl, Microsoft araştırmacıları AI ve süper bilgisayarları kullanarak 32 milyon potansiyel inorganik malzemeyi taradı ve birkaç gün içinde 18 umut vaat eden aday buldu²⁰. Yeni malzeme N2116, bataryalardaki lityum kullanımını %70 azaltabilen bir katı hal elektrolitidir ve bir ampulü çalıştırmak için test edilmiştir.

Bu arada DeepMind’in AI aracı GNoME, 528²¹ umut vaat eden lityum-iyon iletkeni belirledi; bunların bazıları bataryaları daha verimli hâle getirebilir.

Ayrıca Stanford araştırmacılarının LBS (Li8B10S19) LBS²² adlı malzemesi, “deneysel olarak gördüğümüz en stabil kükürt bazlı lityum-iyon elektroliti” olarak adlandırıldı. Araştırmacılar, yaklaşık on yıl önce AI aracılığıyla yanıcı sıvı elektrolitleri bir gün lityum-iyon bataryalarında yerini alacak katı elektrolitler olarak tanımlamışlardı²³.

⬆ Tabloya geri dön

Sonuç

Bu örnekler, AI’nın yeni malzemeleri keşfetme sürecini hızlandırabileceğini gösteriyor. Şu anki zorluk, bilgisayar tahminlerini gerçek dünya sonuçlarına dönüştürmek; bu da AI’yı deneyimli araştırmacılar ve güvenilir veri ile eşleştirmeyi gerektiriyor.

Swipe to scroll →

Gördüklerimiz henüz erken aşamalar. Bu keşifler bizi daha temiz enerji, daha güvenli teknoloji, daha dayanıklı malzemeler ve gezegeni tüketmeyen endüstrilere doğru ilerletiyor. AI, malzeme bilimini yapma şeklimizi değiştiriyor ve bu, gelecekteki gelişmeler için önem taşıyor.

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.

Referanslar

1. Peplow, M. (2025). AI milyonlarca yeni malzeme hayal ediyor. Bunlar iyi mi? Nature, 646, 22–25. 1 Ekim 2025 tarihinde yayımlanmıştır. https://doi.org/10.1038/d41586-025-03147-922. University of Central Florida. (16 Aralık 2019). Yapay zeka, bilim insanlarının sprey uygulanabilir güneş hücreleri üretmelerine yardımcı olabilir. ScienceDaily. 16 Aralık 2019 tarihinde yayımlanmıştır. https://www.sciencedaily.com/releases/2019/12/191216122415.htm?utm_source=chatgpt.com3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Tek kaynaklı buhar biriktirme yoluyla yüksek verimli perovskit güneş hücreleri. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.0164. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Açık hava perovskit güneş hücresi üretiminde süreç optimizasyonu için bilgi kısıtlamalı makine öğrenimi. Joule, 6(4), 834. https://doi.org/10.