AI Destekli Laboratuvarların İçinde: Malzeme Keşfinde Yeni Bir Dönem

Birçok sektörün artan sayısı gibi, malzeme bilimi deyardım alıyoryapay zeka (AI) tarafından.

Burada, makine öğrenimi (ML) algoritmaları büyük veri setlerini analiz eder ve kalıpları belirleyerek az zaman içinde umut vaat eden malzeme adayları önerir, deneme-yanılma yöntemlerine göre çok daha az kaynak tüketirken.

Geleneksel manuel, insan yoğun çalışmasıhesaplamalı sistemlerin ortaya çıkışıyla desteklenmiştiartık AI, simülasyon ve deneysel otomasyon tarafından yönlendirilen otomatik, paralel ve yinelemeli süreçlerle tamamen devrim niteliğinde değiştiriliyor.

AI teknolojisinin olgunlaşması, yüksek performanslı bilgi işlem ve hibrit bulut teknolojileriyle birleşerek, malzeme biliminin yeni bir paradigma girmesine yardımcı oluyoryeni malzemelerin hızlandırılmış keşfi, malzeme özelliklerinin öngörücü modellemesi ve otonom deneyler ile işaretlenmiştir. 

Bu paradigma değişimi, araştırmacıların deneme-yanılma yaklaşımlarından tasarıma geçmesini sağlayarak, geliştirme döngülerini önemli ölçüde kısaltıyor ve enerji, elektronik, sağlık ve sürdürülebilirlik uygulamalarında ileri malzemeler için yolu açıyor.

Son zamanlarda, Kuzey Karolina Eyalet Üniversitesi araştırmacıları, laboratuvar otomasyonunda yeni bir sıçrama elde etmek ve bilim insanları tarafından malzeme keşfini daha da hızlandırmak için kendi kendine giden bir laboratuvar oluşturarak büyük bir adım attılar.

Otomatik laboratuvar, geleneksel manuel yöntemlerden on kat daha fazla veri toplar. Bu adımla, araştırmacılar gerçek zamanlı, dinamik kimyasal deneyler yapabilir, zaman ve kaynak tasarrufu sağlarken olanak tanıyarak daha hızlı atılımlar.

Yeni laboratuvar keşifleri artık yıllar sürmeyecek; bunun yerine icatların günler içinde gerçekleşeceği bir geleceğe bakıyoruz.

AI Destekli Laboratuvar: Gerçek Zamanlı Öğrenme ile Gerçek Zamanlı Keşif

Temiz enerji, insan refahı ve sürdürülebilirlikteki küresel zorlukların üstesinden gelmek içinkritikileri işlevsel malzemelerin hızlı keşiflerini yapmaktır. Keşif ve yeni malzemelerin sentezi de yenilikçi teknolojilerin anahtarıdır gibi bataryalar, bilgisayar çipleri, güneş panelleri ve çok daha fazlası.

Sonuç olarak, çok ilerleme kaydedildi malzeme hızlandırma platformları ve kendi kendine giden laboratuvarlarda.

İlerlemeye rağmen, bu platformların ve laboratuvarların karmaşık parametre uzaylarını keşfetme kapasitesi engelleniyor düşük veri aktarımı. Yavaş veri transferleri ve işleme, üretkenliği azaltıyor.

Bu nedenle, NC State Üniversitesi araştırmacıları, geçici reaksiyon koşullarını sürekli durum eşdeğerlerine haritalayarak, kendi kendine giden akışkan laboratuvarlarda inorganik malzeme sentezleri için veri yoğunlaştırma stratejisi olarak dinamik akış deneylerini tanıttılar.

Yayınlandığı yer Nature Chemical Engineering¹, çalışma, gerçek zamanlı deneyler kullanarak sürekli veri toplayan son teknoloji bir kendi kendine giden laboratuvarı detaylandırıyor, böylece yaparak malzeme keşfi daha hızlı ve daha verimli maliyetleri ve çevresel etkiyi azaltırken.

Çalışmaları için, araştırma Ulusal Bilim Vakfı ve Kuzey Karolina Üniversitesi Araştırma Fırsatları Girişimi programından destek aldı.

Şimdi, kendi kendine giden laboratuvarlar (SDL’ler) tam olarak ne anlama geliyor? Pekâlâ, bunlar ML ve otomasyonu kimya ve malzeme bilimleriyle birleştirerek malzemeleri daha hızlı bulmayı sağlayan robotik platformlardır. Bu ML destekli modüler deney platformlarında, bir dizi deney,ML algoritması tarafından seçilen deneyler, programlanmış hedefe ulaşmak için yinelemeli olarak yürütülür.

“Düşünün ki bilim insanları, temiz enerji, yeni elektronik veya sürdürülebilir kimyasallar için çığır açan malzemeleri yıllar yerine günler içinde, sadece malzemelerin bir kısmını kullanarak ve mevcut duruma göre çok daha az atık üreterek keşfedebilsinler.”

– Makalenin ortak yazarı, Milad Abolhasani, Kuzey Karolina Eyalet Üniversitesi Kimya ve Biyomoleküler Mühendislik ALCOA Profesörü

Şöyle ekledi:

“Bu çalışma o geleceği bir adım daha yaklaştırıyor.”

Bilimsel keşfi hızlandırmaya yönelik dönüştürücü bir yaklaşımı temsil eden kendi kendine giden laboratuvarlar, kimya ve malzeme bilimi alanlarında popülerlik kazanıyor. 

Sürekli akış reaktörlerini kullanan kendi kendine giden laboratuvarlar genellikle sabit durum akış deneylerine dayanır, farklı öncüller kimyasal reaksiyonlar gerçekleşmeden önce birleştirilir ve karışım sürekli bir mikro kanaldan akar. 

Ürünçıktığında reaksiyon tamamlandığında bir dizi sensör tarafından karakterize edilir.

“Bu yerleşik yaklaşım, kendi kendine giden laboratuvarlarda malzeme keşfi üzerinde çarpıcı bir etki yarattı,” diye belirtti Abolhasani, bu sayede bilim insanlarının “belirli uygulamalar için birkaç ay ya da hafta içinde, yıllar yerine, umut vaat eden malzeme adaylarını belirleyebildiğini, aynı zamanda maliyetleri ve çevresel etkiyi azalttığını” paylaştı. Ancak bu yöntem hiçbir açıdan mükemmel değildi; hâlâ geliştirilmesi gereken alanlar var.

Özellikle, kimyasal reaksiyon gerçekleştiğinde sistemin boşta kalması, ortaya çıkan malzemenin karakterize edilebilmesinden önce. Kendi kendine giden laboratuvarlar için bekleme süresi, her sabit durum akış deneyi başına bir saate kadar çıkabilir.

“Artık kimyasal karışımların sistem içinde sürekli değiştirildiği ve gerçek zamanlı olarak izlendiği dinamik akış deneylerini kullanan bir kendi kendine giden laboratuvar yarattık.”

– Abolhasani 

Bu anlamı şudur ki sistemde ayrı örnekler çalıştırma ve her birini durumlarına ulaştıktan sonra tek tek test etme sürecini ortadan kaldırıyorlar. 

Bunun yerine, sadeceçalışmayı durdurmayan bir sistem inşa ettiler. Örnekler sistem içinde sürekli hareket eder.Bu çünkü “sistem örneği karakterize etmeyi asla durdurmaz” ve araştırmacı “örnekte gerçekleşenleri her yarım saniyede bir veri olarak yakalayabilir”.

Kendi kendine giden akışkan laboratuvarlarda dinamik akış deneylerinin entegrasyonu, geleneksel toplu deneylerden bir ayrılışı işaret ediyor.

Geleneksel yaklaşımların aksine, izole veri noktalarının toplandığı sabit durum koşullarında, dinamik akış deneylerinde , mikroakışkan prensipler kullanılır hızlı haritalama reaksiyon koşullarının.

Sürekli bir veri akışı oluşturarak, erişilebilir deneysel verileri büyük ölçüde genişletir.

Abolhasani, ekibin artık 20 veri noktası elde ettiğini deneyin ne ürettiği hakkında, 0.5 saniye reaksiyon süresinden sonra bir, ardından 1 saniye sonra bir ve böyle devam ettiğini, tek bir veri noktasının 10 saniye sonra elde edildiği durumun aksine.bir veri noktasını elde ederdi 10 saniye reaksiyon süresinden sonra. Şöyle ekledi:

“Bu, tek bir anlık görüntüden gerçekleşen reaksiyonun tam bir filmine geçmek gibi. Her deneyin bitmesini beklemek yerine, sistemimiz her zaman çalışıyor, her zaman öğreniyor.”

Bu kadar çok veri, AI destekli bir laboratuvarın performansı üzerinde muazzam bir etki yaratabilir. Veri, sonuçta, bir algoritmanın anahtarıdır. AI veri açlığına sahiptir ve beslediği veri üzerine algoritma tahminler yapar.

Abolhasani’ye göre:

“Herhangi bir kendi kendine giden laboratuvarın en önemli kısmı, sistemin bir sonraki hangi deneyi yapması gerektiğini tahmin etmek için kullandığı makine öğrenimi algoritmasıdır.”

Bu nedenle, akış verisi yaklaşımı, kendi kendine giden laboratuvarın ML beyninin sadece daha hızlı değil, aynı zamanda daha akıllı kararlar almasını sağlar; “zamanın bir kısmında optimal malzemeler ve süreçler üzerinde odaklanarak”.

Veri kalitesi aynı zamanda tahminlerin doğruluğunu belirler.Bu yüzden, daha yüksek kaliteli deneysel veri elde ederek, algoritma daha doğru tahminler yapabilir,ve ardından bu bir problemi daha hızlı çözer. 

“Bu, çözüme ulaşmak için gereken kimyasal miktarını azaltma ek faydasını da sağlar.”

– Abolhasani

Sistemlerinin yeteneklerini göstermek için, ekip dinamik akış deneylerini CdSe kolloidal kuantum noktalarına uyguladı. Bu, sadece zengin parametre bağımlılıkları değil, aynı zamanda önemli teknolojik potansiyele sahip iyi kurulmuş bir inorganik sistem olduğu için bir test ortamı olarak kullanıldı.

In this case, the team found their lab, which incorporated a dynamic flow system, achieved “an order-of-magnitude improvement in data acquisition efficiency.”

It yielded at least 10x more data than other self-driving labs that utilized steady-state flow experiments. Dahası, bir kez eğitildikten sonra, kendi kendine giden laboratuvar ilk denemesinde en iyi adayları keşfedebildi.

Bu atılım, Abolhasani’nin söylediği gibi, “sadece hızla ilgili değil,” aynı zamanda sürdürülebilirliği sağlamaktır. Gerekli deney sayısını azaltarak, sistem hem kimyasal tüketimini ve atığı azaltır, daha sürdürülebilir araştırma uygulamalarını teşvik eder. Abolhasani şöyle dedi:

“Malzeme keşfinin geleceği sadece ne kadar hızlı gidebileceğimizle ilgili değil, aynı zamanda ne kadar sorumlu bir şekilde oraya ulaşabileceğimizle de ilgilidir. Yaklaşımımız daha az kimyasal, daha az atık ve toplumun en zorlu sorunları için daha hızlı çözümler anlamına geliyor.”

AI’nın Malzeme Bilimindeki Genişleyen Rolü: Heyecan Verici Son Keşifler

AI, dünya çapında endüstrileri dönüştürüyor, ve bu da malzeme bilimi, birçok teknolojik yenilik ve toplumsal zorluğun temelini oluşturur. 

Sonuç olarak, kullanımı yeni malzemelerin keşfi ve geliştirilmesinde AI’nin devam ediyor uzun yıllardır şimdi, ancak teknoloji daha gelişmiş ve daha yetenekli hale geldikçe son yıllarda kesinlikle ivme kazandı. 

“Sürekli gelişimle, robotik ve otomasyonun çeşitli enstrümanlar ve disiplinler arasında deneylerin hızını, hassasiyetini ve tekrarlanabilirliğini artırmasını bekliyoruz; bu da yapay zeka sistemlerinin daha fazla deneyi yönlendirmek için analiz edebileceği verileri üretecek.”“

– Dr. James Cahoon, makalenin ortak yazarı ‘Transforming Science Labs into Automated Factories of Discovery’.^2′

Şimdi, bu yıl farklı uygulamalarda malzeme biliminde kaydedilen bazı önemli ilerlemelere bir göz atalım.

İlk olarak, yakın zamanda paylaştığımız gibi, AI yardımıyla bilim insanları karmaşık, 3B termal meta-emitörler tasarlayabildi, buiç ortam sıcaklıklarını düşürür veenerji maliyetlerini tasarruf etmeye yardımcı olur. Yeni tasarlanan bir ML tekniğiyle oluşturulan malzeme, konut ve ticari binalar, uzay araçları, kumaş ve tekstiller, otomobiller ve daha birçok alanda uygulanabilir.

“Süreci otomatikleştirerek ve tasarım alanını genişleterek, önceden hayal edilemeyen üstün performanslı malzemeler yaratabiliriz.”

– Çalışmanın ortak lideri, Yuebing Zheng

Üstün Dayanımlı Yeni Metalik Malzemeler Geliştirme

Birkaç ay önce, bilim insanları rapor etti AI kullanarak yeni bir MPEA ya da çoklu ana element alaşımları, ki uçak bileşenlerinde, katalitik konvertörlerde ve diz eklem protezlerinde bulunur.

Yeni tasarlanan MPEA, üstün mekanik özelliklere sahiptir; Virginia Tech Kimya Mühendisliği doçenti Sanket Deshmukh, “çerçevelerin ve açıklanabilir AI’ın malzeme tasarımında yeni olasılıkları nasıl açığa çıkarabileceğini gösteriyor” dedi.“

AI modeli tarafından yapılan analizi yorumlamak için Deshmukh ve ekibi kullandı SHAP (SHapley Additive exPlanations) analizini, bu onlara farklı elementlerin ve yerel ortamlarının MPEA’ların özelliklerini nasıl etkilediğini anlamalarını, dolayısıyla daha fazla içgörü ve doğru tahminler sağladı.

Gelişmiş metalik alaşımların keşfini hızlandırmanın yanı sıra, Deshmukh, ML’yi evrimsel algoritmalar ve deneysel doğrulama ile entegre etmenin, “glikomalzemeler – karbonhidrat içeren polimerik malzemeler” gibi karmaşık malzeme sistemlerine genişletilebilecek araçlar yaratmamıza da yardımcı olabileceğine inanıyor.

İnce Filmlerde Dendritik Büyümenin Sırlarını Çözmek

Tokyo Bilim Üniversitesi (TUS) araştırması³ ince filmlerde dendritlerin (ağaç benzeri dallanma deseni) büyümesini tahmin eden açıklanabilir bir AI modeli geliştirdi; bu, büyük alan üretiminde önemli bir engel ve ticarileşmelerini kısıtlayan bir sorundur.

Dendrit dallanmasının arkasındaki belirli koşulları ve mekanizmaları ortaya koyarak, AI modeli ince filmlerin büyüme sürecini iyileştirmeye yardımcı oluyor. İnce film cihazları kritiktir teknoloji olarak yarı iletkenlerde.

Yeni AI modeli, temel bileşen analizi (PCA) adlı makine öğrenimi yöntemini ve kalıcı homoloji adı verilen topoloji tekniğini serbest enerji analiziyle entegre etti.

“Topoloji ve serbest enerjiyi entegre ederek, yöntemimiz malzeme analizine çok yönlü bir yaklaşım sunar. Bu entegrasyon sayesinde, atom ölçeğindeki mikro yapı ile geniş bir malzeme yelpazesinde makroskobik işlevsellik arasında hiyerarşik bir bağlantı kurabilir, malzeme bilimindeki gelecekteki ilerlemeler için yolu açabiliriz.”“

– TUS Malzeme Bilimi ve Teknolojisi Bölümü Profesörü Masato Kotsugi

Nanopartiküllerin Daha İyi Anlaşılması

Birçok üniversiteden bir grup bilim insanı bir araya geldi ve geliştirdi bir yöntem⁴ için daha iyi anlamak nanopartiküllerin dinamik davranışını, ki bunlar elektronik, farmasötik ve endüstriyel malzemelerin yapı taşlarıdır.

Elektron mikroskobisini AI ile birleştirerek moleküllerin yapılarını ve hareketlerini benzeri görülmemiş bir zaman çözünürlüğünde görselleştirdi.

Arizona State Üniversitesi Malzeme Bilimi ve Mühendisliği profesörü Peter A. Crozier şöyle açıkladı:

“Elektron mikroskobu yüksek uzaysal çözünürlükte görüntüler yakalayabilir, ancak nanopartiküllerin atomik yapısının kimyasal reaksiyonlar sırasında değiştiği hız nedeniyle, işlevselliğini anlamak için verileri çok yüksek bir hızda toplamalıyız.”

Bu gürültüyü azaltmak için, otomatik olarak kaldıran bir AI yöntemi geliştirdiler, “ana atom seviyesindeki dinamiklerin görselleştirilmesini sağlayarak”.

Bu arada, Graz Teknoloji Üniversitesi’nden bir araştırma grubu AI kullanarak nanoyapı inşasını yeni bir seviyeye taşıyor.

Bunun için, geliştiriyor kendi kendine öğrenen bir AI sistemi, bireysel molekülleri hızlı bir şekilde ve doğru yönelimle taramalı tünelleme mikroskopları kullanarak konumlandırıyor, aksi takdirde zor ve zaman alıcı bir süreç, izin vermek için inşa “son derece karmaşık moleküler yapılar, nanometre ölçeğinde mantık devreleri dahil.“

Hedef, nihayetinde elektronları yakalayabilen bir kapı şeklinde nanoyapılar olan kuantum koralaları inşa etmek ve bunları moleküler seviyede nasıl çalıştıklarını incelemek için mantık devreleri oluşturmak.

Daha İyi Fotovoltaik Malzemeler Keşfetme

Geleneksel silikon tabanlı güneş hücrelerine sürdürülebilir bir alternatif olan perovskit güneş hücreleri büyük bir vaat yeni nesil fotovoltaik teknoloji olarak güneş ışığını elektriğe dönüştürür. 

Etkileri, pozitif yük taşıyan moleküller aracılığıyla daha da artırılabilir, ancak milyonlarca farklı molekül vardır, bu da sentezleme ve hepsini test etmeyi gerektirir. Ancak, AI’ı otomatik yüksek verimli sentezle birleştirerek, Karlsruhe Teknoloji Enstitüsü (KIT) araştırmacılarından oluşan bir ekip sadece birkaç hafta içinde yeni organik moleküller keşfetmeyi⁵ başardı, with only 150 targeted experiments.

Yeni keşfedilen malzemeler, referans bir güneş hücresinin verimliliğini yaklaşık iki yüzde puan artırdı.

Bunun için, bilim insanları bir milyon sanal molekül içeren bir veritabanına yöneldi ve rastgele 13.000 tanesini seçtikten sonra 101 tanesini seçti. Seçilenler sahipti özelliklerinde en büyük farkları, ve onlar robotik sistemlerle sentezlendi ile robotik sistemler kullanılarak onları güneş hücreleri üretmek için kullandılar.

AI Destekli Malzeme Keşfi İçin Temel Oluşturma

Tüm bu keşifler gerçekleşirken, AI’nın bunu gerçekleştirebilmesi için verilere ihtiyacı var.Bu malzemelerle ilgili verileri ve büyük ölçekli simülasyonlardan elde edilen verileri içerir.

Bu tür birçok veritabanı mevcut olsa da, oldukça izole durumdalar; bu nedenle bir standart “kullanıcıların tüm bu veri kütüphaneleriyle iletişim kurabilmesi ve aldıkları bilgiyi anlayabilmesi için,”“ diye belirtti Belçika’daki UCLouvain’da Yoğun Madde ve Nanobilimler Enstitüsü’nde profesör Gian-Marco Rignanese.

Bu yüzden, geçen yaz, büyük bir uluslararası iş birliği yayınladıOPTIMADE standardının genişletilmiş bir versiyonunu AI destekli malzeme keşfini kolaylaştırmak için yayınladı.

OPTIMADE (Açık veritabanları entegrasyonu malzeme tasarımı) standardı büyük bir uluslararası kurum ve malzeme veritabanları ağı tarafından desteklenmektedir. Kullanıcılara önde gelen ve daha az bilinen malzeme veritabanlarına daha kolay erişim sağlama amacıyla, yeni bir sürümü tanıtıldı ki bu, devam eden AI destekli malzeme keşfini daha da hızlandırabilir.

Malzeme Keşfi İçin AI’ya Yatırım

Bu alanda yatırım yapmayı düşünürken Alphabet Inc. (GOOGL ) sahip olduğu Google bir Gnome adlı bir AI aracı yayınladı. Bu araç 2,2 milyon yeni kristal bulduğunu rapor etti . Ardından Microsoft (MSFT ), MatterGen ve MatterSim’i yeni aday malzemeler oluşturmak ve doğrulamak için tanıttı.

NVIDIA Corporation (NVDA )

Bu, AI’ın gözdesi Nvidia’dan başka bir şey değil. Geçen yılın sonlarında, şirkettanıttı NVIDIA ALCHEMI (Kimya ve Malzeme Yenilikleri için AI Laboratuvarı).

Platform, AI gücüyle kimya ve malzeme biliminde Ar-Ge’yi hızlandırmayı hedefliyor ve bunu, API’ler ve hızlandırılmış çıkarım mikro hizmetlerini içeriyor. Bu geniş malzeme evrenini keşfetmek ve yeni adaylar önermek içingen AI modellerinin oluşturulmasını ve dağıtılmasını ve vekil modellerin geliştirilmesini vekullanımını bir denge sağlamak içinhesaplama maliyeti ve doğruluk arasında. Ayrıca erişilebilir bilgi işlem araçları ve önceden eğitilmiş temel modelleri hızlı tarama ve simülasyon araçları için eğitmek veince ayar AI modellerini yeni kullanım durumları için.

ALCHEMI aracılığıyla, NVIDIA keşif iş akışını hızlandırmayı ve “daha sürdürülebilir, daha sağlıklı bir geleceği destekleyen çığır açan keşiflerin yeni bir dönemini başlatmayı” hedefliyor.

Nvidia, piyasa değeri 4,22 trilyon dolar olan bir şirket olup, hisseleri yaklaşık 173,5 dolar seviyelerinde işlem görmekte, YTD %28,8 artış göstermektedir. EPS (TTM) 3,10, P/E (TTM) 55,73 ve temettü getirisi %0,02’dir.

En Son NVIDIA Corporation (NVDA) Hisse Senedi Haberleri ve Gelişmeleri

Sonuç

AI, otomasyon ve yüksek performanslı bilgi işlembir araya geldiğinde, malzeme bilimi en dönüştürücü dönemine giriyor, insan odaklıdeneme-yanılmadan otonom keşfe geçişi işaret ediyor.

Bu süreçte, AI destekli laboratuvarlar ve kendi kendine giden deney platformları, bilim insanlarının sadece keşfetme değil, aynı zamanda malzemeleri test etme ve optimize etme şeklini tamamen değiştiriyor. Ayrıca, NVIDIA’nın ALCHEMI’si, Google’ın Gnome’u ve Microsoft’un MatterGen’i gibi girişimlerle büyük teknoloji şirketleri, bir sonraki yenilik dalgasını beslemek için AI’ya yatırım yapıyor!

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.

Referanslar:

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. Flow‑Driven Data Intensification to Accelerate Autonomous Inorganic Materials Discovery. Nature Chemical Engineering, çevrimiçi 14 Temmuz 2025 tarihinde yayınlandı. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Transforming Science Labs into 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.; Kots