کشف میلیون‌ها ماده جدید با یادگیری عمیق

اهمیت کشف مواد برای آینده فناوری

فناوری‌های نوین عصر ما، از تراشه‌های رایانه‌ای و باتری‌ها گرفته تا پنل‌های خورشیدی، همگی به شدت به وجود کریستال‌های معدنی متکی هستند. برای اینکه این فناوری‌ها بتوانند پیشرفت کنند و به نسل‌های بعدی تبدیل شوند، نیاز مبرمی به کشف کریستال‌های جدید و پایدار وجود دارد؛ چرا که مواد ناپایدار به راحتی تجزیه می‌شوند. در گذشته، یافتن تنها یک کریستال جدید و پایدار ممکن بود ماه‌ها زمان، آزمایش‌های پرهزینه و فرایندهای آزمون و خطا را بطلبد. دانشمندان اغلب مجبور بودند ساختارهای شناخته شده را تغییر دهند یا ترکیب‌های جدیدی از عناصر را امتحان کنند.

با این حال، گوگل دیپ‌مایند (Google DeepMind) با معرفی ابزاری مبتنی بر یادگیری عمیق، این روند پرزحمت را متحول کرده و به عصری جدید از اکتشاف مواد قدم گذاشته است.

معرفی GNoME: ابزار هوش مصنوعی برای اکتشاف مواد

ابزاری که توسط «اِمیل مرچنت» و «اِکین دوگوس کوبوک» در مقاله‌ای منتشر شده در مجله Nature معرفی گردید، شبکه‌های گرافی برای اکتشاف مواد (Graph Networks for Materials Exploration) یا به اختصار GNoME نام دارد.

GNoME یک مدل پیشرفته شبکه عصبی گرافی (GNN) است که توانایی فوق‌العاده‌ای در پیش‌بینی پایداری مواد جدید دارد و سرعت و کارایی کشف مواد را به شکلی چشمگیر افزایش می‌دهد. داده‌های ورودی برای شبکه‌های عصبی گرافی به شکل نمودار هستند، که می‌توان آن‌ها را به اتصالات میان اتم‌ها تشبیه کرد؛ این ویژگی باعث می‌شود GNNها به طور خاص برای کشف کریستال‌ها مناسب باشند.

مقیاس بی‌سابقه اکتشاف و افزایش دانش بشری

نتایج حاصل از پروژه GNoME حیرت‌انگیز است. این مدل هوش مصنوعی موفق به کشف ۲.۲ میلیون کریستال جدید شده است. نکته‌ای که اهمیت این کشف را دوچندان می‌کند این است که این تعداد برابر با تقریباً ۸۰۰ سال دانش است که به روش‌های سنتی به دست می‌آمد.

از میان این ۲.۲ میلیون پیش‌بینی، ۳۸۰,۰۰۰ مورد از پایدارترین مواد محسوب می‌شوند. این مواد پایدار، که بالاترین شانس ساخت موفقیت‌آمیز در آزمایشگاه‌ها را دارند، کاندیداهای بسیار امیدوارکننده‌ای برای سنتز تجربی هستند و پتانسیل توسعه فناوری‌های تحول‌آفرین آینده را در خود جای داده‌اند. این ۳۸۰ هزار ماده جدید، به عنوان یک استاندارد جدید برای پایداری مواد تعریف شده‌اند و در «پوسته محدب نهایی» (final convex hull) قرار می‌گیرند.

در گذشته، تعداد کریستال‌های پایداری که از طریق روش‌های محاسباتی و پروژه‌هایی مانند Materials Project شناخته شده بودند، تنها حدود ۴۸,۰۰۰ عدد بود. اکنون، GNoME با افزودن دستاوردهای خود، تعداد کل مواد پایداری که برای بشر شناخته شده است را به ۴۲۱,۰۰۰ افزایش داده است.

چگونگی عملکرد GNoME: یادگیری فعال و شبکه عصبی

GNoME برای کشف مواد با انرژی پایین (پایدار) از دو خط لوله اصلی استفاده می‌کند:

1. خط لوله ساختاری: موادی را تولید می‌کند که ساختارهایی مشابه کریستال‌های شناخته شده دارند.

2. خط لوله ترکیبی: از یک رویکرد تصادفی‌تر بر اساس فرمول‌های شیمیایی پیروی می‌کند.

نتایج خروجی این دو خط لوله با استفاده از محاسبات تثبیت‌شده نظریه تابعی چگالی (DFT) ارزیابی می‌شوند. این محاسبات در علوم فیزیک، شیمی و علم مواد برای درک ساختارهای اتم‌ها و ارزیابی پایداری کریستال‌ها اهمیت حیاتی دارند.

GNoME از یک فرآیند آموزشی به نام «یادگیری فعال» (active learning) بهره می‌برد که عملکرد آن را به شدت تقویت می‌کند. در این فرآیند، GNoME پیش‌بینی‌هایی برای ساختارهای جدید و پایدار ایجاد می‌کند، این پیش‌بینی‌ها توسط DFT مورد آزمایش قرار می‌گیرند، و داده‌های با کیفیت حاصل مجدداً برای آموزش مدل استفاده می‌شوند. این روش نرخ کشف مواد را از زیر ۱۰ درصد به بیش از ۸۰ درصد افزایش داده است.

مواد پایدار برای فناوری‌های نسل بعد

مواد پایداری که توسط GNoME کشف شده‌اند، راه را برای تولید طیف وسیعی از فناوری‌های پیشرفته هموار می‌کنند. برخی از مهم‌ترین کاربردهای بالقوه این کشفیات عبارتند از:

• باتری‌های کارآمد: این پروژه ۵۲۸ هادی یون لیتیوم بالقوه را کشف کرد که ۲۵ برابر بیشتر از مطالعات قبلی است و می‌تواند برای بهبود عملکرد باتری‌های قابل شارژ مورد استفاده در خودروهای الکتریکی به کار رود.

• ابررساناها (Superconductors): این کشفیات شامل موادی است که می‌توانند ابررایانه‌ها را تغذیه کنند. به عنوان مثال، ۵۲,۰۰۰ ترکیب لایه‌ای جدید، شبیه به گرافن، با پتانسیل ایجاد انقلاب در صنعت الکترونیک از طریق توسعه ابررساناها، شناسایی شدند. این در حالی است که پیش از این، حدود ۱۰۰۰ ماده مشابه شناسایی شده بود.

تأیید تجربی و سنتز خودکار مواد

اعتبار پیش‌بینی‌های GNoME توسط محققان مستقل در سراسر جهان تأیید شده است. محققان خارجی به طور مستقل ۷۳۶ مورد از ساختارهای جدید پیش‌بینی شده توسط GNoME را در آزمایشگاه ایجاد کرده‌اند، که نشان می‌دهد پیش‌بینی‌های مدل در مورد کریستال‌های پایدار، دقیقاً منعکس‌کننده واقعیت هستند.

علاوه بر این، در یک همکاری با آزمایشگاه ملی لارنس برکلی (Lawrence Berkeley National Laboratory)، یک مقاله دوم در Nature منتشر شد که نشان داد چگونه می‌توان از پیش‌بینی‌های هوش مصنوعی برای سنتز مواد خودکار (autonomous material synthesis) استفاده کرد. در این مرکز که با نام A-Lab شناخته می‌شود، هوش مصنوعی با هدایت ربات‌ها، دستورالعمل‌های جدیدی برای ساختار کریستال‌ها ایجاد کرده و با موفقیت بیش از ۴۱ ماده جدید را سنتز نموده است.

اشتراک‌گذاری دانش برای پیشبرد تحقیقات جهانی

پروژه GNoME با هدف کاهش هزینه کشف مواد جدید، پایگاه داده کشف شده خود را در اختیار جامعه تحقیقاتی قرار داده است. ۳۸۰,۰۰۰ ماده‌ای که بسیار پایدار پیش‌بینی شده‌اند، به پروژه مواد (Materials Project) اهدا خواهند شد تا به پایگاه داده آنلاین این مجموعه اضافه شوند. این منابع، که شامل «دستورالعمل‌های» امیدوارکننده برای مواد کاندید جدید هستند، امید می‌رود که تحقیقات در مورد کریستال‌های معدنی را به جلو ببرند و پتانسیل ابزارهای یادگیری ماشینی را به عنوان راهنماهایی برای آزمایش‌های علمی نشان دهند.

این پروژه به وضوح پتانسیل استفاده از هوش مصنوعی برای هدایت اکتشاف، آزمایش و سنتز مواد در مقیاس وسیع را نشان می‌دهد تا آینده‌ای پایدارتر با فناوری‌های سبزتر (از باتری‌های بهتر گرفته تا ابررساناهای کارآمدتر) بسازیم.

آخرین اخبار حوزه هوش مصنوعی را از آی لرن دنبال کنید.