Percolation theory is a relevant area of research in Nanotechnology because of its wide applications in nanoelectronics based on thin films of nanoparticles and composites, amongst others. In nanotechnology, systems are often explored through modelling and simulations. Thin films of the emerging low-dimensional nanomaterials, such as the 1D nanowires/nanotubes and 2D graphene, as well as their composites, can generally be simulated through a two dimensional percolation system of homogeneous or heterogeneous ellipses. The critical phenomena, i.e., the percolation threshold of the systems, is now obtained using the Monte Carlo simulation method, which, need extensive amounts of time. This project is an interdisciplinary one, wherein an attempt is made to use a certain amount of the data from the Monte Carlo simulations to train a machine learning model to predict the threshold of all the 2D ellipse systems with the maximum relative error < 10%, thus reducing the time taken when gathering the data. This project investigates different algorithms such as Linear Regression, Polynomial Regression, Multi-layer Perceptron Neural Networks, Random Forests, Extreme Gradient Boosted Trees, Support Vector Machines and K-Nearest Neighbours. Weaknesses in the results are identified and overcome by specific additional sample generation. Finally, a comparison is made between the algorithms marking the Multi-layer Perceptron and Extreme Gradient Boosted Trees as successful, with the Multi-layer Perceptron being the clear winner. The algorithm is successful within the defined 10% relative error, performing even better with all samples having relative prediction errors less than 7%. The model can be downloaded and used from https://github.com/NiravSurajlal/ PercolationAI. / Perkolationsteori är ett relevant forskningsområde inom nanoteknik på grund av dess breda tillämpningar inom nanoelektronik, bland annat baserade på tunna filmer av nanopartiklar och kompositer. Inom nanoteknik undersöks system ofta genom modellering och simuleringar. Tunna filmer av de framväxande lågdimensionella nanomaterialen, såsom 1D-nanotrådar / nanorör och 2Dgrafen, liksom deras kompositer, kan i allmänhet simuleras genom ett tvådimensionellt perkolationssystem av homogena eller heterogena ellipser. De kritiska fenomenen, dvs. systemets perkolationströskel, erhålls nu med hjälp av Monte Carlosimuleringsmetoden, som kräver omfattande tidsperioder. Detta projekt är ett tvärvetenskapligt projekt, där man försöker använda en viss mängd data från Monte Carlo-simuleringarna för att träna en maskininlärningsmodell för att förutsäga tröskeln för alla 2D-ellipssystem med det maximala relativa felet <10%vilket minskar den tid det tar att samla in data. Detta projekt undersöker olika algoritmer som linjär regression, polynomregression, flerlagers Perceptron-neuronnätverk, slumpmässiga skogar, extrema gradientförstärkta träd, stöd för vektormaskiner och K-närmaste grannar. Svagheter i resultaten identifieras och övervinns genom specifik ytterligare provgenerering. Slutligen görs en jämförelse mellan algoritmerna som markerar Multi-layer Perceptron och Extreme Gradient Boosted Trees som framgångsrika, med Multi-layer Perceptron som den tydliga vinnaren. Algoritmen är framgångsrik inom det definierade 10 % relativfelet och presterar ännu bättre med alla prover som har relativa prediktionsfel mindre än 7 %. Modellen kan laddas ner och användas från https://github.com/NiravSurajlal/PercolationAI.