İçinde AI Güçlü Laboratuvarlar: Malzeme Keşfinin Yeni Çağı

Malzeme bilimi de, büyüyen bir aantal endüstri gibi, yapay zeka (AI) tarafından desteklenmektedir.

Burada, makine öğrenimi (ML) algoritmaları, geniş veri kümelerini analiz ederek desenleri tanımlar ve minimal zaman içinde umut verici malzeme adaylarını önerir, aynı zamanda deneme-yanılma yöntemlerine göre çok daha az kaynak tüketir.

Geleneksel manuel, insan odaklı çalışma, hesaplamalı sistemlerin ortaya çıkmasıyla birlikte kompleks hesaplamalar için olanak sağlamış, şimdi ise AI, simülasyon ve deneysel otomasyon tarafından sürülen otomatik, paralel ve yinelemeli süreçlerle tamamen devrim geçiriyor.

AI teknolojisinin olgunlaşması, yüksek performanslı hesaplama ve hibrit bulut teknolojileriyle birleşerek, malzeme bilimini, yeni malzeme keşfinin hızlandırılması, malzeme özelliklerinin öngörücü modellemesi ve otonom deneyselleştirme ile karakterize edilen yeni bir paradigmaya sokuyor.

Bu paradigma değişimi, araştırmacıların deneme-yanılma yaklaşımından tasarımına önemli ölçüde azaltarak, enerji, elektronik, sağlık ve sürdürülebilirlik uygulamalarında advanced malzemeler için gelişim döngülerini azaltmasını sağlıyor.

North Carolina State Üniversitesi’nden araştırmacılar, laboratuvar otomasyonunda yeni bir sıçrama yapmak ve bilim adamları tarafından malzeme keşfini daha da hızlandırmak için self-driving bir laboratuvar oluşturdu.

Otomatik laboratuvar, geleneksel, manuel yöntemlere göre on kat daha fazla veri toplar. Bu hareketle, araştırmacılar, gerçek zamanlı, dinamik kimyasal deneyler yapabilir, zaman ve kaynakları tasarruf ederken daha hızlı buluşlara olanak sağlar.

Yeni laboratuvar keşifleri artık yıllar almaz; günümüzde, buluşların günler içinde gerçekleştiği bir gelecek bizi bekliyor.

AI Güçlü Laboratuvar: Gerçek Zamanlı Öğrenme için Gerçek Zamanlı Keşif

Temiz enerji, insan refahı ve sürdürülebilirlik gibi küresel zorlukların üstesinden gelmek için, gelişmiş fonksiyonel malzemelerin hızlı keşfinin kritik olduğu açık. Yeni malzeme keşfi ve sentezi, ayrıca piller, bilgisayar çipleri, güneş panelleri gibi yenilikçi teknolojiler için de kilit.

Bu nedenle, malzeme hızlandırma platformlarında ve self-driving laboratuvarlarında önemli ilerlemeler kaydedildi.

Bununla birlikte, bu platformların ve laboratuvarların karmaşık parametre alanlarını keşfetme kapasitesi, düşük veri aktarım hızları ve işleme hızları nedeniyle azaltılmış.

Bu nedenle, NC State Üniversitesi araştırmacıları, self-driving fluidik laboratuvarlarda inorganik malzeme sentezleri için dinamik akış deneyleri olarak bir veri yoğunlaştırma stratejisi sundu.

Yayınlanan çalışma, Nature Chemical Engineering’de, gerçek zamanlı deneylerle sürekli veri toplama yapan self-driving bir laboratuvarın ayrıntılarını paylaşıyor.

Bu, malzeme keşfini daha hızlı ve verimli hale getirirken, maliyetleri ve çevresel etkiyi azaltıyor.

Araştırmaya, Ulusal Bilim Vakfı ve Kuzey Carolina Araştırma Fırsatları Girişimi programı tarafından destek verildi.

Şimdi, self-driving laboratuvarlar (SDL’ler) ne anlama geliyor? Bunlar, bilim adamlarının malzemeleri daha hızlı keşfetmesini sağlayan, makine öğrenimi ve otomasyon ile kimya ve malzeme bilimi birleştiren robotik platformlar.

“Bilimsel keşiflerin geleceği, sadece ne kadar hızlı gidebileceğimiz değil, aynı zamanda nasıl responsable bir şekilde oraya ulaştığımızla ilgili.”

– Çalışmanın ortak yazarı, Milad Abolhasani, North Carolina State Üniversitesi Kimya ve Biyomoleküler Mühendisliği ALCOA Profesörü

Abolhasani, “Bu çalışma, o geleceğe bir adım daha yakınlaştırıyor” dedi.

“Bu, sadece hız değil, aynı zamanda sürdürülebilirlik hakkında.”

Kendisi, self-driving laboratuvarların, kimya ve malzeme bilimi alanlarında popülerlik kazandığını ve dönüşümsel bir yaklaşım sunarak bilimsel keşifleri hızlandırdığını belirtti.

Self-driving laboratuvarlar, sürekli akış reaktörleri kullanır ve farklı prekürsörlerin birleştirilmesiyle kimyasal reaksiyonların oluştuğu mikrokanallar aracılığıyla sürekli akış sağlar.

Çıkan ürün, reaksiyon tamamladıktan sonra bir dizi sensör tarafından karakterize edilir.

Abolhasani, “Bu yaklaşım, malzeme keşfinde önemli bir etkiye sahip” dedi ve bilim adamlarının belirli uygulamalar için umut verici malzeme adaylarını birkaç ay veya hafta içinde, yıllar yerine belirleyebildiklerini kaydetti.

Ancak hala geliştirilmesi gereken alanlar vardı.

Özellikle, kimyasal reaksiyonun gerçekleşmesinden önce sistemin boşta kalması ve oluşan malzemenin karakterize edilmesinden önce geçen zaman.

Self-driving laboratuvarların bekleme süresi, her bir steady-state akış deneyinin bir saate kadar çıkabilir.

“Şimdi, dinamik akış deneyleri kullanan bir self-driving laboratuvar oluşturduk, burada kimyasal karışımlar sürekli olarak değiştiriliyor ve gerçek zamanlı olarak izleniyor.”

– Abolhasani

Bu, ayrı ayrı örneklerin sistem aracılığıyla geçirilmesi ve her birinin ayrı ayrı test edilmesinden ziyade, örneklerin sürekli olarak sistem aracılığıyla geçirilmesini sağlar.

Sistem hiç durmadan çalışır.

Örnekler sürekli olarak sistem aracılığıyla geçirilir.

Bu, sistemin hiçbir zaman örneği karakterize etmemesi anlamına gelir ve araştırmacı, “örnekte neler olduğu hakkında her 0.5 saniyede veri alabilir” diyor.

Dinamik akış deneylerinin self-driving fluidik laboratuvarlara entegrasyonu, geleneksel batch deneylerinden bir ayrılma noktası.

Geleneksel yaklaşımların aksine, burada mikroakışkanlık prensipleri, reaksiyon koşullarının hızlı haritalanması için kullanılır.

Sürekli bir veri akışı oluşturarak, erişilebilen deneysel verinin kapsamını önemli ölçüde genişletir.

Abolhasani, şimdi 20 veri noktası aldıklarını, reaksiyon süresinin 0.5 saniyesinden başlayarak, 1 saniyeden sonra, ve devam eden her saniyeden sonra, geleneksel yöntemlerle 10 saniyelik reaksiyon süresinden sonra alınan tek bir veri noktasının aksine, açıkladı.

“Bu, bir reaksiyonun anlık görüntüsünden, reaksiyonun gerçekleştiği tam bir filme geçmek gibi.”

Abolhasani, “Sistem her zaman çalışıyor, her zaman öğreniyor” dedi.

Bu kadar çok verinin, bir AI güçlü laboratuvarın performansı üzerinde büyük bir etkisi olabilir.

Veri, bir algoritmanın temelidir ve AI, verilere dayanarak öngörüler yapar.

Abolhasani, “Her self-driving laboratuvarın en önemli kısmı, sistemi hangi deneyimi nächsten gerçekleştireceğini öngören makine öğrenimi algoritmasıdır” dedi.

“En önemli kısım, makine öğrenimi algoritması.”

Bu, akış-veri yaklaşımının, self-driving laboratuvarın AI beyninin, sadece daha hızlı değil, aynı zamanda daha akıllı kararlar almasını sağlar, “optimal malzemeleri ve süreçleri çok daha kısa sürede belirlemesini sağlar” dedi.

Veri kalitesi, öngörülerin doğruluğunu da belirler.

Dolayısıyla, daha yüksek kaliteli deneysel verilere sahip olmak, algoritmanın daha doğru öngörüler yapmasını sağlar ve daha sonra bir sorunu daha hızlı çözebilir.

“Bu, ayrıca gerekli kimyasal miktarını azaltmanın ek avantajını sağlar.”

– Abolhasani

Çalışmanın gösterdiği gibi, self-driving laboratuvar, CdSe kolloidal kuantum noktalarına dinamik akış deneyleri uygulandı.

Bu, bir test yatağı olarak kullanıldı, çünkü zengin parametre bağımlılıkları ve önemli teknolojik potansiyele sahip bir inorganik sistemdi.

Takım, laboratuvarının, dinamik akış sistemi entegre ederek, diğer self-driving laboratuvarlara göre on kat daha fazla veri elde ettiğini buldu.

Ek olarak, eğitildikten sonra, self-driving laboratuvar ilk denemede en iyi adayları keşfetti.

Abolhasani, “Bu, sadece hız değil, aynı zamanda sürdürülebilirlik hakkında” dedi.

“Gelecekte, malzeme keşfinin değil, nasıl responsable bir şekilde oraya ulaştığımızla ilgili olacağını düşünüyoruz.”

Abolhasani, “Bu yaklaşım, fewer kimyasal ve daha az atık anlamına gelir, daha hızlı çözümler sunar” dedi.

AI’nin Malzeme Bilimindeki Genişleyen Rolü: Heyecan Verici Yeni Keşifler

AI, dünya çapındaki endüstrileri dönüştürüyor ve malzeme bilimi de bu dönüşümden payını alıyor.

AI’nin malzeme keşfi ve geliştirilmesinde kullanımı, birçok teknolojik inovasyon ve toplumsal zorluğun temelini oluşturan malzeme biliminde yıllardır devam ediyor.

Son yıllarda, AI teknolojisinin gelişmesiyle birlikte, malzeme keşfi ve geliştirilmesinde AI kullanımında önemli bir artış oldu.

“Robotik ve otomasyon, çeşitli enstrümanlar ve disiplinler boyunca deneylerin hızını, doğruluğunu ve tekrarlanabilirliğini artırarak, yapay zeka sistemlerinin daha fazla deney yapmasını sağlayacak verileri üretecektir.”

– Dr. James Cahoon, bir makalenin ortak yazarı ‘Bilimsel Laboratuvarları Otomatik Keşif Fabrikalarına Dönüştürme’

Bu nedenle, bu yıl farklı uygulamalar boyunca malzeme biliminde yapılan bazı önemli ilerlemelere bakalım.

Örneğin, AI’nin yardımıyla, bilim adamları, iç sıcaklıkları düşürerek enerji tasarrufu sağlayan karmaşık, 3D termal meta-emiterler tasarladı.

Bu malzeme, yeni bir ML tekniği kullanılarak yaratıldı ve konut ve ticari binalar, uzay araçları, tekstil ve daha fazlasında kullanılabilecek bir malzemedir.

“Otomasyon ve tasarım alanını genişleterek, daha önce hayal edilemeyen malzemeler oluşturabiliriz.”

– Çalışmanın ortak yazarı, Yuebing Zheng

Üstün Güçlü Yeni Metalik Malzemelerin Geliştirilmesi

Birkaç ay önce, bilim adamları, AI kullanarak, uçak parçaları, katalitik konvertörler ve diz protezleri gibi uygulamalarda kullanılan çoklu prensip element alaşımları (MPEA) tasarladı.

Yeni tasarlanan MPEA, üstün mekanik özelliklere sahiptir ve Virginia Tech’ten kimya mühendisliği profesörü Sanket Deshmukh, “çerçeveler ve açıklanabilir AI’nin malzeme tasarımında yeni olanaklar sunabileceğini” belirtti.

Takım, AI modelinin analizini yorumlamak için SHAP (SHapley Additive exPlanations) analizini kullandı, bu da MPEA’lerin özelliklerini etkileyen farklı elementler ve yerel ortamlar hakkında daha fazla bilgi edinmelerine olanak tanıdı.

Bu, gelişmiş metalik alaşımların keşfini hızlandırmanın yanı sıra, komplex malzeme sistemlerine de uygulanabilecek araçlar oluşturulmasına yardımcı olabilir.

İnce Filmlerde Dendritik Büyümenin Sırlarının Çözülmesi

Tokyo Bilim Üniversitesi’nden bir araştırma, inorganik malzemelerin sentezinde dinamik akış deneylerinin kullanımını açıkladı.

Araştırmalar, AI modelinin, ince film cihazlarının büyük alanlı üretiminin önünde engel olan dendritik büyümenin öngörülmesine yardımcı olabileceğini gösterdi.

“Topoloji ve enerji analizini birleştiren yöntemimiz, malzeme analizinde evrensel bir yaklaşım sunar.”

– Tokyo Bilim Üniversitesi’nden Profesör Masato Kotsugi

Nanoparçacıkların Daha İyi Anlaşılması

Çoklu üniversitelerden bir bilim insanları ekibi, nanoparçacıkların dinamik davranışını daha iyi anlamak için bir yöntem geliştirdi.

Bu yöntem, elektron mikroskobunu AI ile birleştirdi ve moleküllerin yapılarını ve hareketlerini önceden görülmemiş bir zaman çözünürlüğünde görselleştirdi.

Arizona Eyalet Üniversitesi’nden Malzeme Bilimi ve Mühendisliği Profesörü Peter A. Crozier, “Elektron mikroskobu, yüksek bir uzaysal çözünürlükte görüntüler elde edebilir, ancak nanoparçacıkların kimyasal reaksiyonlar sırasında değişen atomik yapılarını anlamak için çok yüksek bir hızda veri toplamak gerekir” dedi.

“Elektron mikroskobu, yüksek bir uzaysal çözünürlükte görüntüler elde edebilir, ancak nanoparçacıkların kimyasal reaksiyonlar sırasında değişen atomik yapılarını anlamak için çok yüksek bir hızda veri toplamak gerekir.”

Graz Teknoloji Üniversitesi’nden bir araştırma grubu, nano yapıların inşasını yeni bir seviyeye taşıyor.

Bu amaçla, bireysel molekülleri hızlı ve doğru bir şekilde yerleştirerek, tarama tünel mikroskobu kullanarak “yüksek kompleks moleküler yapılar, nanometre ölçekli mantık devreleri” oluşturmak için self-öğrenen bir AI sistemini geliştiriyorlar.

Hedef, sonunda kuantum koralları oluşturmak, yani elektronları hapsedebilecek nano yapılar ve bunları mantık devreleri olarak kullanmak.

Daha İyi Fotovoltaik Malzemelerin Keşfi

Perovskite güneş hücreleri, geleneksel silikon tabanlı güneş hücrelerine sürdürülebilir bir alternatif olarak, gelecek nesil fotovoltaik teknolojisinde büyük umut vaat ediyor.

Perovskite güneş hücrelerinin verimliliğini artırmak için, pozitif yükleri ileten moleküller gerekiyor, ancak milyonlarca farklı molekül var.

AI ve otomatik yüksek hızlı sentez kullanarak, bir araştırma ekibi, sadece 150 hedefli deney ile birkaç haftada yeni organik moleküller keşfetti.

Keşfedilen yeni malzemeler, referans güneş hücrelerinin verimliliğini yaklaşık iki puan artırdı.

AI Sürüklenen Malzeme Keşfinin Temellerinin Oluşturulması

AI, gerçekten gerçekleşmesi için, malzeme ve büyük ölçekli simülasyonlar hakkında veri gerektirir.

Çok sayıda böyle bir veritabanı mevcut, ancak bunlar assez izole, bu nedenle kullanıcıların tüm bu veri kütüphaneleri ile iletişim kurmasını ve aldıkları bilgileri anlamalarını sağlayan bir standart gerekli.

Bu nedenle, bir uluslararası işbirliği, AI sürüklenen malzeme keşfini hızlandırmak için OPTIMADE standardının genişletilmiş bir sürümünü yayınladı.

AI için Malzeme Keşfinde Yatırım

AI sürüklenen malzeme keşfinde yatırım yapmak isteyenler için, Alphabet Inc.’in Google, AI aracı Gnome’u çıkardı ve 2.2 milyon yeni kristal keşfetti.

Microsoft, MatterGen ve MatterSim’i, yeni malzeme adayları oluşturmak ve doğrulamak için çıkardı.

Ancak AI devi Nvidia, malzeme araştırmasının ölçeğini ve doğruluğunu yükseltmek için kendi modelini çıkardı.

NVIDIA Corporation

Nvidia, AI Lab for Chemistry and Materials Innovation (ALCHEMI) platformunu çıkardı.

Platform, AI’nin gücünü kullanarak, kimya ve malzeme biliminde araştırma ve geliştirmeyi hızlandırmayı hedefliyor.

Bu, API’ler ve hızlandırılmış çıkarım mikro hizmetleri içerir ve gen AI modellerinin oluşturulmasını ve dağıtılmasını sağlar.

Nvidia, ALCHEMI ile, malzeme evrenini keşfetmeyi ve yeni adaylar önermeyi, ayrıca dengeli bir hesaplamayla doğruluk arasında bir denge sağlamayı hedefliyor.

Bu, informatics araçlarını ve önceden eğitilmiş temel modelleri içerir ve hızlı tarama ve simülasyon araçları için AI modellerini eğitmek ve ince ayarlamak için kullanılabilir.

Nvidia, ALCHEMI ile, keşif iş akışını hızlandırmayı ve “daha sürdürülebilir, daha sağlıklı bir geleceğe doğru yeni bir keşif çağını başlatabilmeyi” hedefliyor.

Nvidia, 4.22 trilyon dolarlık bir piyasa değerine sahip bir şirket ve hisseleri 173.5 dolar civarında, yıl başından bu yana %28.8 artışla işlem görüyor.

EPS (TTM) 3.10, P/E (TTM) 55.73 ve sunulan temettü getirisi %0.02.

Son NVIDIA Corporation (NVDA) Hisse Haberleri ve Gelişmeleri

Sonuç

AI, otomasyon ve yüksek performanslı hesaplama bir araya geldiğinde, malzeme bilimi en dönüşümsel dönemine giriyor ve insan odaklı deneme-yanılma yaklaşımından, otonom keşfe doğru bir geçiş yaşanıyor.

Bu arada, AI güçlü laboratuvarlar ve self-driving deneysel platformlar, bilim adamlarının malzemeleri nasıl keşfettiğini, test ettiğini ve optimize ettiğini tamamen değiştiriyor.

Ayrıca, Nvidia’nın ALCHEMI’si, Google’ın Gnome’u ve Microsoft’un MatterGen’i gibi girişimlerle, büyük teknoloji şirketleri de AI’yi, next nesil inovasyonun itici gücü haline getirmek için bahis yapıyor.

AI’ye yatırım yapmak hakkında her şeyi öğrenmek için 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, published online July 14, 2025. 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.; Kotsugi, M.; et al. Linking Structure and Process in Dendritic Growth Using Persistent Homology with 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. Visualizing Nanoparticle Surface Dynamics and Instabilities Enabled by 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 Discovers Hole‑Transport Materials Tailored for Perovskite Solar Cells. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901