Yapay Zeka, Yeni Nesil Sürdürülebilir Soğutma Malzemeleri Arayışını Hızlandırıyor

Malzeme dünyasında, termal nanofotonik, teknolojik uygulamalarda temel atılımları mümkün kılmak için kritik öneme sahiptir.

Termal nanofotonik, nanofotonik ve termal bilimi birleştirerek nanoskopik ölçekte ısı transferini manipüle eder ve kontrol eder. Nanoyapılar ve malzemeler kullanılarak termal radyasyon ve ısı akışı özelleştirilir, bu da enerji toplama, termal yönetim ve algılama gibi çeşitli uygulamalarda ilerlemeler sağlar.

Nanofotonik, ışığın nanometre ölçeğindeki davranışıyla ilgilenir. Nanofotonik malzemeler ise termal emisyon üzerinde spektral ve yönsel kontrol sunar.

Bu tür malzemeleri bulma konusundaki geleneksel yöntem, deneme‑yanılma yaklaşımlarıyla engellenmektedir, ancak makine öğrenimi (ML) ve yapay zekâ (AI) (AI) alanındaki gelişmeler, malzeme keşfi, tasarımı ve optimizasyon süreçlerini önemli ölçüde hızlandırarak malzeme bilimini devrim niteliğinde değiştirmiştir.

Teknoloji, nanofotonik ve metamaterial tasarımında güçlü yeteneklerini göstermiş olsa da, ultra geniş bant kontrolü ve hassas bant seçiciliğiyle yüksek performanslı nanofotonik yayıcıları özelleştirecek genel bir tasarım metodolojisi geliştirmek zordur. 

Bu, geleneksel algoritmalar, yerel optimizasyon tuzakları ve önceden tanımlanmış geometriler ve malzemelerle sınırlı olmaktan kaynaklanmaktadır. 

Bununla birlikte, bu sorun artık Texas Üniversitesi Austin’den bilim insanları tarafından, İsveç’teki Umeå Üniversitesi, Singapur Ulusal Üniversitesi ve Şanghay Jiao Tong Üniversitesi araştırmacılarıyla iş birliği içinde ele alınmaktadır.

Birlikte, bir ML tekniği tasarladılar¹ karmaşık, 3D termal meta‑emitörler tasarlamak için.

Meta‑emitörler, elektromanyetik radyasyonu kontrol ve manipüle etmek için tasarlanmış mühendislik malzemeleridir; enerji verimliliği ve termal yönetim gibi uygulamalara olanak tanır. 

“Makine öğrenimi çerçevemiz, termal meta‑emitör tasarımında önemli bir sıçrama temsil ediyor. Süreci otomatikleştirerek ve tasarım alanını genişleterek, daha önce hayal bile edilemeyen üstün performanslı malzemeler yaratabiliyoruz.”

– Çalışma ortak lideri Yuebing Zheng, Cockrell Mühendislik Okulu Walker Mekanik Mühendisliği Bölümü profesörü

İklim‑Dayanıklı Kentsel Tasarım İçin AI‑Güçlendirilmiş Malzemeler

Nature dergisinde yayımlanan çalışma, iç mekan sıcaklıklarını düşürerek enerji maliyetlerini azaltabilen malzemelerin tasarımına yardımcı olan yeni ML‑tabanlı çerçeveyi ayrıntılı olarak açıklamaktadır.

Bu çerçeveyi kullanan bilim insanları, kontrollü bir şekilde ısı yayabilen 1.500’den fazla yeni malzeme üretebildiler. Ayrıca, ısıtma ve soğutmada daha yüksek doğruluk sağlayarak enerji verimliliğini artırabiliyorlar.

Çerçeve, malzeme çeşitliliği ve 3D yapısal karmaşıklığı kapsayan sınırlı verilerle çoklu parametreleri optimize ederek ultra geniş bant ve bant‑seçici termal meta‑emitörler tasarlayabilir.

Çalışmaya göre, mimarileri çift tasarım yeteneği sunar. İlk olarak, spektral uyarlama için olası birçok metastructure ve malzeme kombinasyonunun ters tasarımını otomatikleştirir. İkinci olarak, geleneksel, düz, 2D yapıların sınırlamalarını aşan üç‑düzlemli modelleme yöntemiyle farklı 3D meta‑emitörler tasarlama “eşsiz bir yetenek” sağlar. 

Araştırma ekibi, mevcut gelişmiş tasarımları aşan üstün optik ve radyatif soğutma performansı gösteren yedi kanıt‑konsept meta‑emitör sunmaktadır. Bu yedi meta‑emitör sınıfı belirli işlevlere göre özelleştirilmiştir.

Geliştirilen genelleştirilebilir çerçeve, araştırmacıların “geometrik özgürlük ve boyutluluğu genişleterek küresel optimizasyonu ve kapsamlı bir malzeme veri tabanını kolaylaştırdığını” belirttikleri 3D nanofotonik malzemeler üretmek içindir.

Şimdi, tasarım sistemlerinin uygulanabilirliğini değerlendirmek için araştırmacılar dört örnek malzeme ürettiler ve performanslarını test ettiler. 

Meta‑emitör malzemelerinden biri, bir model evin çatısına uygulandı. Soğutma yeteneğini analiz etmek için malzeme, standart ticari beyaz ve gri boyalarla karşılaştırıldı. Çatı, dört saatlik doğrudan öğle güneşi maruziyetinden sonra, yeni oluşturulan malzemenin geleneksel boyalara göre ortalama 5‑20 °C daha soğuk olduğu gözlemlendi.

Buna dayanarak ekip, Bangkok gibi sıcak bir şehirde bir apartman binası için yıllık yaklaşık 15.800 kilovat‑saat (kWh) soğutma maliyeti tasarrufu sağlayacağını tahmin ediyor. Standart bir klima birimi genellikle yılda yaklaşık 1.500 kWh tüketir.

Dolayısıyla, ekip tarafından oluşturulan malzemeler konut ve ticari enerji tasarrufu için kullanılabilir. Şehirlerde, güneş ışığını yansıtıp ısıyı hedeflenmiş dalga boylarında yayarak sıcaklıkları düşürmeye yardımcı olabilirler. Bu sayede, sınırlı yeşillik ve yoğun beton yapıların neden olduğu kentsel ısı adası etkisini azaltma potansiyeline sahiptir.

Bununla sınırlı kalmıyor. Malzeme, uzay uygulamalarında da kullanılabilir; gelen gelen güneş radyasyonunu ve yayılan ısıyı verimli bir şekilde yöneterek uzay aracının sıcaklığını düzenlemeye yardımcı olur.

Termal meta‑emitörlerin kullanım alanları çok daha geniştir. Örneğin, bunları kumaş ve tekstillere entegre ederek giyim ve dış mekan ekipmanlarındaki soğutma teknolojisini geliştirebiliriz. 

Otomobiller de bir diğer örnek. Arabaları termal meta‑emitörlerle sarıp iç malzemelere yerleştirerek, arabalar güneşte beklerken biriken ısıyı da azaltabiliriz.

Birçok avantajına rağmen, bu malzemeler zahmetli tasarım süreçleri nedeniyle hâlâ yaygın benimseme bulamamaktadır; otomatik seçenekler bile karmaşık 3D hiyerarşik yapılarını yönetmekte zorlanmaktadır. Ancak en yeni AI çerçevesiyle bu durum nihayet değişebilir.

“Geleneksel olarak, bu malzemelerin tasarımı yavaş ve emek yoğun olmuştur; deneme‑yanılma yöntemlerine dayanır. Bu yaklaşım genellikle alt‑optimum tasarımlara yol açar ve etkili olabilmek için gerekli özelliklere sahip malzemeler yaratma yeteneğini sınırlar.”

– Zheng

Bu nedenle araştırmacılar, teknolojilerini geliştirmeye, iyileştirmeye ve nanofotonik alanının diğer yönlerine uygulamaya devam edecekler.

“Makine öğrenimi her şeyin çözümü olmayabilir, ancak termal yönetimin benzersiz spektral gereksinimleri, yüksek performanslı termal yayıcıların tasarımı için özellikle uygundur.”

– Ortak yazar Kan Yao

AI Nasıl Yeni Malzeme Keşfini Hızlandırıyor

Malzemelerin yapısı, özellikleri, işlenmesi ve performansına odaklanan malzeme bilimi, uzay, elektronik, enerji, tıp ve daha birçok alanda her şeyin temelini oluşturur. 

Aslında, yeni malzemelerin keşfi ve geliştirilmesi, yüzyıllardır insanlık tarihini şekillendiren, teknolojiyi ilerleten kritik bir faktördür.

On yıllardır, uygun özelliklere sahip yeni inorganik malzemeleri bulmak için deneme‑yanılma yöntemine güveniyoruz. Bu yaklaşım son derece kaynak yoğun olup, potansiyel yeni malzemelerin sadece birkaçı sentezlenmeden önce yüz binlerce saatlik deney gerektirir.

Malzemelerin moleküler ve atomik seviyedeki karmaşıklığı, yeni malzeme keşfini uzun ve maliyetli bir süreç haline getirir. Bu yüzden süper bilgisayarların artan kullanılabilirliği, malzemelerin davranışını simüle etmeyi mümkün kılarak malzeme bilimini değiştirdi.

Ve şimdi, AI’nın ortaya çıkışı, malzeme biliminde hesaplamalı yaklaşımı hızlandırarak bir devrim yaratıyor. İstenen malzeme özelliklerini ve kısıtlamaları belirterek, üretken AI sistemleri tamamen yeni malzemeler yaratabiliyor.

Sonuçta, günümüzün gelişmiş modelleri, devasa veri setleriyle eğitildiğinde, yüksek verimli hesaplamalarla birleştirildiğinde, aday malzemeleri istenen parametrelere karşı hızlı bir şekilde tarayabilir ve çok sayıda madde için özellikleri çok kısa sürede tahmin edebilir.

AI sadece geliştirme süresini ve insan‑malzeme kaynaklarını önemli ölçüde tasarruf ettirmekle kalmaz, aynı zamanda karmaşık ve çeşitli pazar gereksinimlerini tam olarak karşılayabilir.

Kaliforniya Üniversitesi Berkeley’de malzeme bilimi profesörü Kristin Persson, belirtti ki, şu anda bilimin büyük veri ve AI tarafından yönlendirildiği bir paradigma içindeyiz. Bugün, makine öğrenimi algoritmalarını eğitmek için yeterli veriye sahibiz ve “bu, yenilik açısından tamamen yeni bir hız seviyesi getiriyor,” dedi.

İlginç bir şekilde, AI aynı zamanda yeni malzemelerin keşfinden de fayda sağlar. AI veri açlığı içindedir ve malzeme bilimi veri eksikliği çeker. Bu teknoloji sayesinde malzeme özellikleri simüle edilebilir ve elde edilen veriler makine öğrenimi modellerini eğitmek için kullanılabilir.

Persson şu anda, tüm bilinen inorganik malzemelerin ve ötesinin özelliklerini süper bilgisayar ve gelişmiş simülasyon yöntemleriyle hesaplayan, ücretsiz olarak sunulan bir veri tabanı sağlayan “Materials Project” adlı çok‑uluslu, çok‑kurumsal girişimi yönetiyor.

Uyarlanabilir çatı kiremitlerinin ısıtma/soğutma enerji tüketimini azaltmaya nasıl yardımcı olabileceğini öğrenmek için buraya tıklayın.

AI‑Destekli Malzeme Keşfinde Çığır Açan Gelişmeler

U of T Mühendislik’ten araştırmacılar yeni bir araç tanıttılar², bu araç yeni bir malzemenin en iyi nasıl kullanılabileceğini tahmin ederek malzeme keşfi ile uygulama arasındaki gecikmeyi azaltıyor.

Çok‑modlu AI aracı, erken aşama verilerini kullanarak metal‑organik çerçeveler (MOF) adı verilen gözenekli malzeme sınıfına odaklanarak yeni bir malzemenin potansiyel gerçek‑dünya kullanımını tahmin eder. 

Geçen yıl, araştırmacılar ayarlanabilir özelliklere sahip 5.000’den fazla farklı MOF geliştirdi, bu çalışmanın lideri Profesör Seyed Mohamad Moosavi (Toronto Üniversitesi, Kimya Müh.) belirtti. O, bir MOF’un belirli bir uygulama için oluşturulmasının, genellikle tamamen farklı bir uygulama için de uygun özelliklere sahip olabileceği zorluğuna dikkat çekti.

“Malzeme keşfinde tipik soru ‘Bu uygulama için en iyi malzeme nedir?’ şeklindedir.” dedi Moosavi. “Biz soruyu tersine çevirerek ‘Bu yeni malzeme için en iyi uygulama nedir?’ diye sorduk. Her gün üretilen bu kadar çok malzeme ile odak noktamızı ‘sonraki hangi malzemeyi yapacağız’ yerine ‘sonraki hangi değerlendirmeyi yapacağız’ üzerine kaydırmak istiyoruz.”

Bu yüzden Kimya Mühendisliği doktora öğrencisi Sartaaj Khan, çeşitli veri tipleri üzerinde eğitilmiş çok‑modlu bir makine öğrenimi sistemi geliştirdi. Çok‑modallik burada kritik bir faktördü; modelin “daha eksiksiz bir resim” elde etmesini sağlayarak, sentez sonrası gerektirmeden daha doğru tahminler yapabildi.

Argonne Ulusal Laboratuvarı’ndan araştırmacılar ise, bir jeneratif AI difüzyon modeli kullanarak 120.000’den fazla MOF üretildi³, sadece yarım saatten biraz fazla bir sürede süper bilgisayar yardımıyla. Modifiye edilen sinir ağı, MOF sayısını 364’e düşürdü; bu MOF’ların yüksek performanslı olduğu düşünüldü.

Birkaç gün daha ve ek hesaplamalı analizle ekip, veri setinde 102 stabil MOF buldu. Bunların 6’sı, popüler hMOF veri tabanındaki malzemelerin en iyi %5’inde CO₂ kapasitesiyle yer aldı.

Başka bir örnekte, bilim insanları AI kullanarak tamamen yeni nanomalzemeler tasarladılar⁴; bu malzemeler Styrofoam kadar hafifken karbon çeliği kadar dayanıklıdır. 

Güç ve dayanıklılık, birçok malzeme, özellikle nano‑mimari malzemelerde, ultra‑küçük yapı taşlarından oluşur; bu yapı taşları tekrarlandığında malzeme güçlü olur, ancak aynı zamanda ani kırılmalara yol açan gerilim konsantrasyonları da oluşturabilir. 

Daha iyi nano‑malzeme tasarım yolları bulmak için araştırmacılar olası geometrileri simüle etti ve ardından tasarımlarından öğrenen bir algoritma aracılığıyla, ağır yük taşırken uygulanan gerilmeleri eşit dağıtan en iyi şekilleri tahmin etti.

Araştırmacılar bu şekilleri hayata geçirmek için bir 3D yazıcı kullandı ve bu şekillerin, titanyumun beş katı olan 2.03 MPa·m³·kg⁻¹ gerilme dayanabildiğini buldu.

Araştırmacılar, bu potansiyel uygulamayı, yakıt talebini ve uçuşun yüksek karbon ayak izini azaltmak için uzay uygulamalarında ultra hafif bileşenler olarak görüyor.

According to first-author Peter Serles, an engineering researcher at Caltech:

“Bu, makine öğreniminin nano‑mimari malzemeleri optimize etmek için ilk kez uygulanmasıdır ve iyileşmeler karşısında şaşkına döndük. Sadece eğitim verisindeki başarılı geometrileri tekrarlamadı; şekillerde neyin işe yaradığını ve neyin yaramadığını öğrenerek tamamen yeni kafes geometrileri tahmin edebildi.”

AI‑tabanlı malzeme keşfi, aynı zamanda kentsel planlamada da yoğun şekilde kullanılmaktadır. Peking Üniversitesi ve Güney Danimarka Üniversitesi tarafından yürütülen ortak araştırma⁵, derin öğrenmeyi uzaktan algılamayla birleştirerek bina malzemelerini benzeri görülmemiş bir hassasiyetle tanımlayan gelişmiş bir çerçeve geliştirdi.

Enerji verimliliğinin yanı sıra, AI çevresel izleme ve koruma, konut ve altyapı geliştirme, kamu güvenliği ve afet müdahalesi gibi alanlarda kentsel planlamayı da yükseltebilir.

Bladesiz rüzgar türbinleri hakkında, genellikle temiz enerjinin geleceği olarak anılan, daha fazla bilgi edinmek için buraya tıklayın.

AI‑tabanlı Malzeme Keşfine Yatırım

AI’nın yatırım potansiyeline baktığımızda, önümüzdeki yıllarda trilyon dolarlık bir pazarın değerine ulaşması bekleniyor. Malzeme biliminde bu teknolojik ilerlemeyi yöneten şirketlere gelince, iki isim öne çıkıyor: Microsoft (MSFT ) ve Google (Alphabet Inc.) (GOOG ), ki ikisi de malzeme araştırmalarının ölçeğini ve hassasiyetini artırmak için kendi modellerini piyasaya sürdüler. Ancak bu makalenin kapsamı dahilinde sadece Alphabet Inc. üzerine odaklanacağız.

Alphabet Inc. (GOOG )

2023’ün sonlarında, Google’ın DeepMind’ı, malzeme keşif sürecini hızlandırmak için Graph Networks for Materials Exploration (Gnome) adlı bir AI aracı yayınladı. O dönemde, derin öğrenme aracı sayesinde 2,2 milyon yeni kristal rapor etti⁶.

Google bunun “yaklaşık 800 yıl bilgiye eşdeğer” olduğunu ve “tahminlerde benzeri görülmemiş bir ölçek ve doğruluk seviyesi” gösterdiğini belirtti. Yeni keşfedilen kristaller, 380.000 stabil malzeme içeriyor ve deneysel sentez için umut vaat eden adaylar olarak gelecekteki teknolojileri güçlendirebilir.

Gnome modeli, giriş verisinin bir grafik olarak temsil edildiği bir grafik sinir ağı (GNN) modelidir. Gnome, Materials Project’tan gelen kristal yapı ve stabilite verileriyle eğitilerek yeni aday kristaller üretir ve stabilitelerini tahmin eder.

Google, modelin öngörü gücünü, Yoğunluk Fonksiyonel Teorisi (DFT) kullanarak performansını tekrar tekrar kontrol ederek değerlendirdi. ‘Eğitim süreci’ için ‘aktif öğrenme’ kullandı; elde edilen veriler modele geri beslenerek Gnome’un performansını önemli ölçüde artırdı. 

Modelin stabilite tahmin doğruluğu, Google’a göre %50’den %80’e yükseldi. Modelin verimliliği ise %10’un altından %80’in üzerine çıktı.

Ayrıca, Genome tarafından tahmin edilen yaklaşık 736 malzeme, dış araştırmacılar tarafından bağımsız olarak sentezlendi. Google, Lawrence Berkeley Ulusal Laboratuvarı ile iş birliği yaparak 41 yeni malzeme sentezledi; bu da aracın öngörü gücünü ve otonom deneylerin gücünü doğruladı.

Şimdi, 2,2 trilyon dolarlık piyasa değerine sahip devin performansına bir göz atalım. Yazım anında hisseleri yaklaşık 182 $ seviyesinde, YTD %3,86 düşüşte işlem görüyor. EPS (TTM) 8,97 ve P/E (TTM) 20,29. Ödenen temettü getirisi %0,46.

Şirket finansallarına gelince, Google’ın ana şirketi Alphabet, 31 Mart 2025’de sona eren Q1 için 90,2 milyar $ gelir açıkladı. Hisse başına kazanç 2,81 $. Bu rakamlar, CEO Sundar Pichai’nin “işletme genelinde sağlıklı bir büyüme ve ivme yansıtıyor” dediği ve “bu büyümeyi AI’ya özgü tam yığın yaklaşımımız destekliyor” sözleriyle destekleniyor.

Alphabet Inc. (GOOG) Hisse Senedi Haberleri ve Gelişmeler

Sonuç

AI, geleceğimizi şekillendiren malzemelerin tasarımını da dahil olmak üzere hayatımızın her yönünü dönüştürüyor. Teknolojinin malzeme bilimlerine entegrasyonu, bir paradigma kayması temsil ediyor; yıllar süren keşifleri günler hatta saatler içinde hızlandırıyor.

Basitçe söylemek gerekirse, AI, devasa veri setleri, yüksek verimli hesaplama ve üretken modelleri kullanarak, araştırmacıların yeni malzemeleri öngörmesini, tasarlamasını ve optimize etmesini benzeri görülmemiş bir verimlilik ve hassasiyetle mümkün kılıyor.

Çevresel odaklı temiz enerji hisseleri hakkında daha fazla bilgi edinmek için buraya tıklayın.

Referanslar:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Makine Öğrenimi ile Ultra Geniş Bant ve Bant‑Seçici Termal Meta‑Emitörler. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Metal‑Organik Çerçeve Sentezini Uygulamalarla Bağlamak İçin Çok Modlu Makine Öğrenimi. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Karbon Yakalama için Metal‑Organik Çerçevelerin Tasarımı İçin Moleküler Difüzyon Modeline Dayalı Üretken Yapay Zeka Çerçevesi. 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. Karbon Nano‑ızgaraların Bayesyen Optimizasyonu ile Ultra Yüksek Özgül Mukavemet. 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. Kentsel Dokunun Şifresi: Derin Öğrenme ve Uzaktan Algılama ile Yüksek Hassasiyetli Bina Malzemesi Tanımlaması. 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. Malzeme Keşfi İçin Derin Öğrenmenin Ölçeklendirilmesi. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9