AI & computingAI-ontworpen materialen

AI spit 448 wetenschappelijke papers door en vindt loodvrij hittebestendig materiaal

· Bijgewerkt 21 augustus 2026, 05:17 · 2 min leestijd

AI-ontworpen materialen
Beeld: Phys.org

Zuid-Koreaanse onderzoekers hebben kunstmatige intelligentie losgelaten op honderden wetenschappelijke publicaties om nieuwe loodvrije materialen te vinden die elektrische lading goed opslaan, ook bij hoge temperaturen. De aanpak leverde in korte tijd twee veelbelovende materialen op die nu al voldoen aan strenge industriestandaarden voor elektronica in bijvoorbeeld elektrische auto's.

Een onderzoeksteam van Seoul National University, onder leiding van professor Ho Won Jang, ontwikkelde een methode om automatisch data uit wetenschappelijke artikelen te halen en die te combineren met kennis uit de natuurkunde. Het resultaat: twee nieuwe materialen die elektrische energie goed vasthouden en dat ook blijven doen bij temperaturen tot 125 graden Celsius. De studie is gepubliceerd in Nature Communications.

Het gaat om diëlektrische materialen: isolerende stoffen die elektrische lading opslaan zonder stroom door te laten. Ze zitten in vrijwel elk elektronisch apparaat, van smartphones tot elektrische auto's, in de vorm van zogeheten multilayer ceramic capacitors (MLCC's). Hoe hoger de diëlektrische constante van het materiaal, hoe meer energie een even groot onderdeel kan opslaan. Voor toepassingen in elektrische voertuigen, vermogenselektronica en ruimtevaart moet die prestatie ook overeind blijven als het heet wordt, en dat is precies waar veel materialen tekortschieten.

Van 150 miljoen mogelijkheden naar 37 kandidaten

Het probleem is dat er vrijwel eindeloos veel combinaties van elementen en mengverhoudingen mogelijk zijn, zeker als lood — van oudsher een populair maar giftig ingrediënt — wordt uitgesloten. Bovendien staat relevante informatie verspreid over de tekst, tabellen en grafieken van honderden losse publicaties, gemeten onder uiteenlopende omstandigheden. Dat maakt handmatig zoeken traag en kostbaar.

De onderzoekers lieten daarom taalmodellen automatisch composities en productiecondities uit 448 artikelen halen en zetten grafieken om in bruikbare cijfers. Zo ontstond een dataset van 1.202 metingen, aangevuld met 22 natuurkundige kenmerken zoals elementsamenstelling en microstructuur. Dertig afzonderlijk getrainde machine-learningmodellen voorspelden vervolgens gezamenlijk hoe kansrijk elke denkbare compositie was. Van ongeveer 150 miljoen virtuele mengverhoudingen bleven zo 37 kandidaten over die aan de gestelde eisen leken te voldoen.

Een vleugje tin maakt het verschil

Van die kandidaten testten de onderzoekers er twee in het laboratorium: varianten van een bariumtitanaat-achtig materiaal met 1 en 2 procent tin toegevoegd. Beide bleken bij kamertemperatuur diëlektrische constanten van respectievelijk 3.422 en 3.307 te hebben, en die bleven over een breed temperatuurbereik opvallend stabiel. Ter vergelijking: het veelgebruikte bariumtitanaat (BaTiO₃) vertoont juist een scherpe knik rond 125 graden Celsius. Beide nieuwe materialen voldeden aan de internationale X5R-, X6R- en X7R-normen die gelden voor temperatuurstabiliteit van condensatoren.

Met technieken als piëzoresponsmicroscopie, Ramanspectroscopie en elektronenmicroscopie ontdekten de onderzoekers waarom: de kleine hoeveelheid tin rekt het kristalrooster iets op en verhoogt de elektrische onregelmatigheid in het materiaal, wat de stabiliteit ten goede komt zonder dat de opslagcapaciteit veel inlevert.

De aanpak laat zien hoe AI het proces van materiaalontdekking kan omdraaien: niet eindeloos proberen in het laboratorium, maar eerst met data en materiaalkundige kennis voorspellen welke kandidaten kansrijk zijn, en pas daarna gericht synthetiseren.

Achtergrond & begrippen

Wat betekent dit voor de toekomst? Deze methode kan de zoektocht naar nieuwe materialen fors versnellen, omdat AI in korte tijd kennis uit duizenden studies combineert die een mens nooit allemaal zou kunnen lezen. Voor de elektronica-industrie betekent dit mogelijk snellere ontwikkeling van kleinere, krachtigere en veiligere condensatoren zonder giftig lood, wat relevant is voor elektrische auto's, vermogenselektronica en ruimtevaarttoepassingen.

Diëlektrisch materiaal
Een isolerende stof die geen stroom doorlaat maar wel elektrische lading kan opslaan, essentieel in condensatoren.
Multilayer ceramic capacitor (MLCC)
Een gelaagd keramisch onderdeel dat elektrische energie opslaat en in vrijwel elk elektronisch apparaat wordt gebruikt.
Physics-informed machine learning
Een vorm van machine learning waarbij natuurkundige wetten worden meegenomen in het model, zodat voorspellingen realistischer en betrouwbaarder zijn.
Multimodale literatuurmining
Een techniek waarbij software automatisch informatie haalt uit tekst, tabellen én grafieken van wetenschappelijke publicaties.
Relaxor-ferro-elektricum
Een type materiaal waarvan de elektrische respons geleidelijk verandert met de temperatuur, waardoor het geschikt is voor stabiele prestaties over een breed temperatuurbereik.
X5R/X6R/X7R-standaarden
Internationale classificaties die aangeven hoe stabiel de diëlektrische constante van een condensatormateriaal blijft binnen een bepaald temperatuurbereik.

Bronnen

Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.

Meer over AI-ontworpen materialen