پژوهشگران MIT یک چارچوب هوش مصنوعی به نام CrysVCD توسعه داده‌اند که نرخ پایداری شیمیایی طرحهای موادِ تولیدشده با رایانه را به‌طور چشمگیری بهبود میدهد و می‌تواند هزینه و زمان محاسباتی عظیمی را که صنایع و آزمایشگاه‌های پژوهشی اکنون صرف غربال‌کردن مواد ناپایدار میکنند، کاهش دهد. این ابزار که در مقاله‌ای در نشریه Nature Computational Science تشریح شده است، به‌جای فیلترکردن طرحهای ناموفق پس از تولید، پیش از آغاز فرایند پرهزینه تولید اطمینان میدهد مواد پیشنهادی قواعد بنیادین شیمی درباره آرایش الکترون‌ها را رعایت میکنند.
نکات کلیدی درباره CrysVCD
- CrysVCD مخفف «مولد بلور با طراحی محدودشده با ظرفیت پیوندی» است و پژوهشگران MIT از دانشکده‌ها و حوزه‌های علم مواد، شیمی، مهندسی شیمی، فیزیک و علوم هسته‌ای آن را توسعه داده‌اند.
- این چارچوب یک مدل زبانی تولیدکننده فرمول‌های معتبر از نظر شیمیایی را با یک مدل انتشار ترکیب میکند که ساختار بلوری اتمی متناظر را تولید میکند.
- CrysVCD در نزدیک به ۷۰ درصد از تولیدهای محاسباتی مواد، به پایداری بالای دینامیک شبکه‌ای رسید؛ آزمونی سخت‌گیرانه برای پایداری.
- این رویکرد، پس از تنظیم دقیق با معیارهای پایداری، مواد بلوری با ۶۸ درصد پایداری مکانیکی و ۸۵ درصد فراپایداری تولید کرد.
- این ابزار همچنین می‌تواند ویژگی‌های مشخصی را هدف بگیرد؛ از جمله رسانایی گرمایی بالا برای خنک‌سازی مراکز داده یا ثابت دی‌الکتریک بالا برای تراشه‌های رایانه‌ای.
چرا پایداری شیمیایی گلوگاه مواد طراحی‌شده با هوش مصنوعی بوده است
مدل‌های فعلی هوش مصنوعی می‌توانند در چند دقیقه میلیون‌ها طرح ماده جدید تولید کنند، اما این توانایی به افزایش چشمگیر موادی که واقعاً در محصولاتی مانند تراشه‌های رایانه‌ای و موشک‌ها به کار می‌روند منجر نشده است؛ زیرا این مدل‌ها پایداری شیمیایی را به‌طور قابل اتکا در نظر نمی‌گیرند. مواد ناپایدار در دنیای واقعی کاربردی ندارند و صنایع را ناچار میکنند بودجه‌های محاسباتی بزرگی برای کنارگذاشتن آن‌ها صرف کنند؛ فرایندی که گاه فقط بخش بسیار کوچکی از گزینه‌های قابل استفاده را باقی می‌گذارد.
مویانگ چنگ، دانشجوی دکتری MIT که در این پژوهش مشارکت داشته است، گفت اعتبارسنجی پایداری «هزینه محاسباتی عظیمی دارد» و برآورد کرد که حدود ۹۰ درصد از هزینه محاسباتی ساخت مواد قابل استفاده را تشکیل میدهد و «ممکن است هفته‌ها یا ماه‌ها طول بکشد». شرکت‌های بزرگ با بودجه‌های محاسباتی کلان می‌توانند این هزینه را تحمل کنند، اما بسیاری از شرکت‌های کوچک و آزمایشگاه‌های پژوهشی چنین امکانی ندارند؛ وضعیتی که می‌تواند نوآوری در این حوزه را محدود کند.
CrysVCD چگونه مدل‌های موجود تولید مواد را بهبود میدهد؟
CrysVCD با بررسی این موضوع کار میکند که هر ماده پیشنهادی، پیش از آغاز مرحله پرهزینه تولید، قواعد کلیدی شیمی مربوط به الکترون‌های پیرامون اتم‌هایش را رعایت میکند یا نه؛ نه اینکه طرحهای ناپایدار را پس از تولید فیلتر کند. این ابزار در یک فرایند دومرحله‌ای جای می‌گیرد: ابتدا یک مدل زبانی فرمول‌های معتبر شیمیایی تولید میکند و سپس یک مدل انتشار، ساختار اتمی بلور را هماهنگ با مدل پایه تولید مواد می‌سازد.
مینگدا لی، دانشیار، نقش این ابزار را با یک قیاس رسانه‌ای توضیح داد: «اگر مدل‌های تولیدکننده مواد مانند دی‌وی‌دی باشند، ما مانند دستگاه پخش دی‌وی‌دی هستیم. می‌توانید این را به هر نوع مدلی وصل کنید؛ نه فقط مدل‌های انتشار موجود، بلکه مدل‌های آینده هم، در جاهایی که مردم نمی‌توانند مواد پایدار کافی تولید کنند، و این می‌تواند پایداری را بهبود دهد.» ویلیانگ لو، دانشجوی دکتری MIT، گفت تولید معمول مواد مبتنی بر انتشار کند است، «مثل ۱۰۰۰ گام برای ساخت یک ماده»، در حالی که قرار دادن مدل CrysVCD در ابتدای فرایند را می‌توان مانند برداشتن تنها «پنج گام» دانست. هائو تانگ، فارغ‌التحصیل اخیر، افزود این غربال‌گری زودتر «به شما امکان میدهد مواد ناپایدار را کنار بگذارید تا مواد باکیفیت‌تری تولید کنید» و «با هر مدلی که مواد تولید میکند کار میکند».
این تحول برای پژوهشگران و آزمایشگاه‌های دانشگاهی چه معنایی دارد
هدر کولیک، استاد مهندسی شیمی لاموت دو پونت در MIT، گفت گروه‌های دانشگاهی با منابع کمتر از شرکت‌های بزرگ نیز می‌توانند در کشف مواد عملکرد خوبی داشته باشند؛ آن هم «با طراحی‌های هوشمندتر و رویکردهای دیگر» به‌جای اتکا به تولید شمار عظیمی از گزینه‌ها و سپس انتخاب موارد پایدار، روشی که او با توجه به هزینه بالای محاسباتی‌اش ناکارا خواند. او گفت پژوهشگران با محدودکردن تولید از همان ابتدا به‌وسیله یک مدل زبانی، «می‌توانند نسبت مواد پایدار تولیدشده را به‌طور چشمگیری افزایش دهند». مینگدا لی گفت این رویکرد «با حذف نیازهای انتخاب در مراحل بعدی، هزینه‌ها و زمان محاسباتی عظیمی را صرفه‌جویی خواهد کرد» و هم به تلاش‌های بزرگ‌مقیاس تولیدکننده صدها میلیون ماده و هم به گروه‌های پژوهشی کوچک‌تر با کاربردهای هدفمند سود می‌رساند.
هدف‌گیری ویژگی‌های مواد در دنیای واقعی
پژوهشگران افزون بر پایداری، از CrysVCD برای تولید نامزدهای مواد با رسانایی گرمایی بالا و قطبش‌پذیری آسان در میدان الکتریکی استفاده کردند؛ ویژگی‌هایی که برای نیمه‌رساناها و خنک‌سازی مراکز داده مرتبط هستند. جو لی، استاد مهندسی قدرت کارل ریچارد سودربرگ در MIT، گفت این‌ها «موادی مفید برای صنعت نیمه‌رسانا و مواد با رسانایی گرمایی بالا و مرتبط با خنک‌سازی مراکز داده» هستند و اشاره کرد که حدود ۳۰ درصد از مصرف انرژی رو به رشد مراکز داده صرف خنک‌سازی می‌شود؛ بنابراین صنعت به موادی نیاز دارد که گرما را با کارایی بیشتری دفع کنند.
چنگ گفت دنبال‌کردن هم‌زمان پایداری و هدف‌های عملکردی مشخص، به‌طور غیرمعمولی دشوار است: «هر زمان که دو هدف دارید، رسیدن به آن اهداف با هر چیزی بالاتر از ۵۰ درصد در این حوزه سخت است. در گذشته، ممکن بود افراد هدفی برای ویژگی‌های مشخص داشته باشند و نه پایداری، یا برعکس، و درصدی تک‌رقمی از مواد به دست آورند که با هدفشان همخوانی دارد.» تیم پژوهش یادآور می‌شود که این رویکرد برای ساختارهای جامد با آرایش‌های درونی بسیار منظم، بهتر از هر نوع ماده دیگری عمل میکند.
پرسش‌های متداول
CrysVCD چیست؟
CrysVCD که کوتاهشده «مولد بلور با طراحی محدودشده با ظرفیت پیوندی» است، چارچوبی توسعهیافته در MIT است که پیش از اجرای فرایند کامل تولید بررسی میکند آیا طرحهای مواد تولیدشده با هوش مصنوعی قواعد بنیادین شیمی پوسته ظرفیت را رعایت میکنند یا نه؛ رویکردی که احتمال پایداری شیمیایی مواد تولیدشده را افزایش میدهد.
CrysVCD تا چه اندازه نرخ پایداری مواد را بهبود میدهد؟
بر اساس اعلام پژوهشگران MIT، CrysVCD در نزدیک به ۷۰ درصد از تولیدهای محاسباتی مواد به پایداری بالای دینامیک شبکه‌ای رسید و پس از تنظیم دقیق با معیارهای پایداری، مواد بلوری با ۶۸ درصد پایداری مکانیکی و ۸۵ درصد فراپایداری تولید کرد.
چه کسانی CrysVCD را توسعه دادند و کجا منتشر شد؟
CrysVCD را تیمی از پژوهشگران MIT، شامل مینگدا لی، مویانگ چنگ، ویلیانگ لو، هائو تانگ، بوون یو، جو لی و هدر کولیک، همراه با یونگ‌چیانگ چنگ از آزمایشگاه ملی اوک ریج و وی‌وی شی از دانشگاه ایالتی میشیگان توسعه دادند. این کار در مقاله‌ای در Nature Computational Science منتشر شده است.
تأمین مالی و گام‌های بعدی
این پژوهش تا حدی با حمایت وزارت انرژی ایالات متحده، بورسیه مهندسی Mathworks، بنیاد ملی علوم و آژانس کاهش تهدید دفاعی ایالات متحده انجام شد. پژوهشگران می‌گویند این چارچوب برای اتصال به مدل‌های موجود مبتنی بر انتشار و نیز مدل‌های آینده تولید مواد طراحی شده است؛ جایگاهی که آن را به ابزاری عمومی برای بهبود پایداری در سراسر این حوزه تبدیل میکند، نه راه‌حلی موردی که به یک معماری مدل واحد وابسته باشد.
