Mühendisler, manyetik performans, iletkenlik ve termal direnç gibi malzemelerden bekledikleri özellikleri uzun zamandır bilmektedir. Ancak bu gereksinimleri gerçek, üretilebilir malzemelere dönüştürmek geleneksel olarak zor bir iş olmuştur. Burada, CWIEME Berlin’in İnovasyon Bölgesi’ndeki katılımcılardan biri olan Altrove AI’nın strateji ve operasyon direktörü Gustavo Regueira Llansó, malzeme bilimi camiasının neden on yıllardır aynı sorunu yaşadığını açıklıyor. 

“İyi”nin neye benzediğini biliyoruz. Mühendisler, manyetik özellikler, iletkenlik veya termal direnç gibi ihtiyaç duydukları özellikleri anlıyor. Ancak bu gereksinimleri gerçek, üretilebilir malzemelere dönüştürmek genellikle yavaş ve pahalı bir süreç olmuştur. Bununla birlikte, yapay zeka (AI) malzemeler hakkındaki düşünce biçimimizi tamamen değiştirdiği için bu durum artık değişiyor.

Bu değişim, daha kritik bir zamanda gerçekleşemezdi. Elektrik mühendisliği alanında, kilit hammaddelere olan talep hızla artmıştır. Bakır, nadir toprak elementleri, grafit ve özel alaşımlara olan talep önemli ölçüde artmaktadır. Ulaşımın elektrifikasyonu, yenilenebilir enerjinin yaygınlaşması ve endüstrinin dijitalleşmesi, hepsi de eşi görülmemiş bir tüketime yol açmaktadır. Aynı zamanda, tedarik zincirleri daha kırılgan ve daha yoğun hale gelmiş, bu da üreticileri eskiden gözden kaçması kolay olan risklere maruz bırakmaktadır.

Kısa bir süre öncesine kadar malzemeler, bir tedarik sorunu olarak ele alınabilirdi. Bugün ise iş stratejisinin merkezinde yer almaktadırlar.

Üreticiler, üretim kapasitelerinin kendi kontrollerinin çok ötesindeki etkenlere bağlı olduğunun giderek daha fazla farkına varıyor. Yeni tedarikçiler bulmak veya tedarik bölgelerini çeşitlendirmek hâlâ gerekli, ancak artık tek başına yeterli değil. Çoğu durumda, sorunun kaynağı malzemenin kendisi haline gelmiştir.

İşte bu noktada yapay zeka (AI) muazzam bir etki yaratıyor. Tarihsel olarak, endüstriler malzeme sorunlarını çözmek için iki ana yönteme güveniyordu: daha fazla kaynak çıkarmak ya da mevcut olanı geri dönüştürmek. Yapay zeka şimdi, belirli ihtiyaçlara göre tasarlanmış tamamen yeni malzemeler yaratarak üçüncü bir yol – muhtemelen en dönüştürücü olanı – ortaya koyuyor. Artık üreticiler, “Bu malzemeyi nereden temin edebiliriz?” diye sormak yerine, “Daha iyisini tasarlayabilir miyiz?” diye sorabilirler.

Yapay zeka, olasılık yelpazesini önemli ölçüde genişleterek bunu mümkün kılıyor. Bilim insanlarının eskiden nispeten küçük bir bilinen malzeme yapısı kümesiyle çalıştığı yerlerde, makine öğrenimi modelleri artık milyonlarca potansiyel konfigürasyonu keşfedebiliyor. Daha da önemlisi, bu modeller söz konusu malzemeler sentezlenmeden önce bile nasıl davranacaklarını tahmin edebiliyor. Eskiden aylarca süren simülasyon gerektiren özellikler, artık çok daha kısa sürede tahmin edilebiliyor.

Bir malzemenin özelliklerini bilmek, zorluğun sadece bir parçasıdır. Bir tarifin malzemelerini belirlemek gibi, asıl zorluk onu büyük ölçekte üretmek için gereken kesin süreci tanımlamakta yatmaktadır. Malzeme biliminde bu “tarif”, sentez sürecidir: teorik bir malzemeyi büyük ölçekte üretilebilir hale getirmek için gereken kesin adımlar.

Tahmin modellerini deneysel geri bildirimlerle birleştirerek, üretim süreçlerini artık çok daha verimli bir şekilde oluşturmak ve iyileştirmek mümkün hale geldi. Şirketler, yavaş ve manuel yinelemelere güvenmek yerine, yapay zekayı kullanarak birden fazla “tarif” önerebilir, bunları hızla test edebilir ve sonuçlardan ders çıkarabilir. Başarısız denemeler bile değerli verilere dönüşerek sisteme geri beslenir ve gelecekteki sonuçları iyileştirir.

Yapay zeka, inovasyonun gerçekleşme şeklini de değiştiriyor. Geçmişte, yeni malzemeler genellikle araştırma laboratuvarlarında veya akademik kurumlarda izole bir şekilde geliştirilir ve ancak daha sonra endüstriyel kullanım senaryolarıyla eşleştirilirdi. Bu “itme” modeli, yaratılan ürün ile pazarın gerçek ihtiyaçları arasında sıklıkla uyumsuzluğa yol açardı.

Günümüzde üreticiler, gereksinimlerini önceden tanımlayabiliyor. Performans hedefleri, maliyet kısıtlamaları veya tedarik zinciri hususları ne olursa olsun, ihtiyaç duyulan özellikleri tam olarak belirleyebiliyorlar. Yapay zeka sistemleri daha sonra geriye doğru çalışarak bu kriterleri karşılayan malzemeleri belirleyip tasarlayabiliyor.

Bu “çekme” modeli, malzemelerin geliştirilme biçiminde önemli bir değişimi temsil ediyor. Konseptin kendisi yeni olmasa da, yapay zeka, üreticilerin kesin gereksinimleri tanımlamasına ve bunları karşılayan uygulanabilir malzeme çözümlerini hızla keşfetmesine olanak tanıyarak bu süreci çok daha pratik hale getiriyor.

Ayrıca, sektörün en köklü varsayımlarından birine de meydan okuyor: ödün vermenin kaçınılmaz olduğu varsayımı.

Yıllardır malzeme seçimi, maliyet, performans ve sürdürülebilirlik arasında bir denge kurma çabası olmuştur. Birini iyileştirmek, genellikle diğerinden ödün vermek anlamına geliyordu. Ancak yapay zeka, çok daha geniş bir tasarım alanını keşfederek ve birden fazla değişkeni aynı anda optimize ederek bu varsayımı yıkmaya başlıyor. Yüksek performanslı, maliyet etkin ve daha sürdürülebilir malzemeler geliştirmek giderek daha mümkün hale geliyor.

Bu değişim, tedarik zincirleri üzerinde doğrudan etkiler yaratmaktadır. Hammadde piyasalarındaki dalgalanmalar, üreticiler için büyük bir sorundur. Fiyat dalgalanmaları, jeopolitik gerilimler ve tedarik kesintileri, hepsi de operasyonel açıdan anında etkiler yaratabilir. Malzeme bilimine uygulanan yapay zeka, alternatif malzemelerin geliştirilmesini mümkün kılarak, uzun süredir katı bir yapıya sahip olan sisteme esneklik kazandırmaktadır.

Şirketlerin daha fazla seçeneği olduğunda, tek bir kaynağa olan bağımlılıkları azalır. Üreticiler artık bağımlılıkları sadece yönetmekle kalmayıp, bunları tamamen ortadan kaldırma imkânına da sahip. İhtiyaçlarına göre uyarlanmış alternatif malzemeler geliştirerek, kısıtlı kaynaklara olan bağımlılıklarını azaltabilir ve tedarik stratejilerini kökten değiştirebilirler.

Yapay zeka destekli malzeme yeniliklerini erken aşamada benimseyen şirketler, bir sorunu kendilerine rekabet avantajı sağlayacak bir şeye dönüştürme fırsatına sahip olurlar. Yeni malzemeler geliştirmek veya bunları benimsemek, sadece acil tedarik sorunlarını çözmekle kalmaz, aynı zamanda ürünlerin pazarda farklılaşmasına da yardımcı olur. Bazı durumlarda, bu durum performans kategorilerinin tamamını yeniden tanımlayabilir bile.

Daha fazla kuruluş bu alanı keşfetmeye başladıkça, keşiflerin hızı artacak ve sektör genelinde bir inovasyon döngüsü oluşacaktır. Ayrıca, ortaya çıkan yeni ticari modeller sayesinde şirketler, önemli bir büyüme potansiyelinden yararlanırken, minimum ön yatırımla yapay zeka destekli malzeme inovasyonunu keşfedebilirler.

İşte bu nedenle, hammaddelerle ilgili tartışmalar CWIEME Berlin gibi etkinliklerin odak noktası haline geliyor. Eskiden niş bir teknik konu olan bu konu, artık elektrik mühendisliği alanının genelinde bir öncelik haline gelmiştir. Sektörün geleceği, tasarım veya üretim süreçleri kadar malzemeler tarafından da şekillenecektir.

Altrove’da bu dönüşümü ilk elden gözlemliyoruz. Yapay zeka ile malzeme biliminin birleşimi, şirketlerin en kritik zorluklarının bazılarına yaklaşımlarını şimdiden değiştiriyor. Ve tıpkı o mükemmel pastada olduğu gibi, hedef nihayet tarifi elde etmek ve bunu tutarlı bir şekilde, büyük ölçekte hayata geçirebilmektir.