Att utveckla nya material för batterier, elektronik och energiteknik är ofta en långsam process. Forskare behöver inte bara veta vilka ämnen som ska blandas, utan också förstå hur atomerna rör sig och vilka mellanprodukter som bildas innan det färdiga materialet uppstår.
Nu har forskare vid Lawrence Berkeley National Laboratory utvecklat en AI-modell som kan förutsäga hela reaktionsförloppet i fasta material – inklusive vilka oönskade föroreningar som kan bildas – på bara några minuter. Det som tidigare kunde kräva dagar eller veckor av avancerade beräkningar kan nu genomföras betydligt snabbare.
Ett svårt problem inom materialforskning
De flesta moderna material, exempelvis batterimaterial, halvledare och keramiska komponenter, tillverkas genom så kallade fastfasreaktioner. Under upphettning reagerar fasta ämnen med varandra och bildar nya kristallstrukturer.
Problemet är att dessa reaktioner sällan sker i ett enda steg.
Atomer flyttar sig kontinuerligt mellan olika kristallstrukturer och bildar ofta flera tillfälliga mellanprodukter innan det slutliga materialet växer fram. Samtidigt kan oönskade biprodukter uppstå, vilket påverkar materialets kvalitet och prestanda. Att kartlägga hela processen har länge varit en av materialvetenskapens största utmaningar.
AI följer atomernas rörelser
Den nya AI-modellen analyserar hur atomer sannolikt kommer att omorganiseras under en fastfasreaktion.
I stället för att enbart förutsäga slutprodukten kan modellen beskriva reaktionsvägen steg för steg och identifiera vilka kemiska föreningar som sannolikt bildas längs vägen.
Det innebär att forskare inte bara får reda på vilket material som kan bildas – utan också varför vissa reaktioner lyckas och andra misslyckas.
Förutser även föroreningar
En av de mest värdefulla egenskaperna hos modellen är att den även kan identifiera föroreningar och oönskade sidoreaktioner.
Vid tillverkning av avancerade material kan små mängder felaktiga kristallfaser kraftigt försämra egenskaperna hos den färdiga produkten. Genom att upptäcka sådana biprodukter redan innan experimenten genomförs kan forskare välja bättre utgångsmaterial eller justera tillverkningsprocessen.
Det kan minska både kostnader och antalet misslyckade laboratorieförsök.
Från dagar till minuter
Traditionellt kräver den här typen av analyser omfattande kvantmekaniska simuleringar med mycket hög beräkningskapacitet.
Den AI-baserade metoden kan i stället utföra motsvarande analyser på några minuter, vilket gör det möjligt att undersöka betydligt fler materialkombinationer än tidigare.
Forskarna hoppas att detta ska påskynda utvecklingen av nya funktionella material inom flera teknikområden.
Kan snabba upp utvecklingen av framtidens teknik
En bättre förståelse för hur fasta material bildas kan få stor betydelse inom bland annat:
- batterier med högre energitäthet,
- effektivare halvledare,
- katalysatorer,
- keramiska material,
- energilagring,
- elektronik och optiska komponenter.
I stället för att förlita sig på omfattande försök och misstag kan forskare använda AI för att identifiera de mest lovande syntesvägarna redan innan experimenten inleds.
AI blir ett allt viktigare verktyg i materialvetenskap
Studien är ytterligare ett exempel på hur artificiell intelligens förändrar materialforskningen.
Under de senaste åren har AI använts för att hitta nya kristallstrukturer och förutsäga materialegenskaper. Den nya modellen tar nästa steg genom att även beskriva själva bildningsprocessen – hur atomer rör sig, vilka mellanprodukter som uppstår och vilka föroreningar som riskerar att bildas.
Forskarna menar att detta kan göra utvecklingen av nya material både snabbare och mer träffsäker, vilket i förlängningen kan påskynda innovation inom allt från grön energi till framtidens elektronik.
Publikationsuppgifter
Vir Karan m.fl., Jonkorrelationer förklarar den kinetiska selektiviteten i diffusionsbegränsade syntesreaktioner i fast tillstånd, Nature Materials (2026). DOI: 10.1038/s41563-026-02596-5
