هوش مصنوعی راه را برای کشف ترکیبات جدید کمیاب – ScienceDaily هموار می کند


هوش مصنوعی چگونگی کشف مواد را توسط دانشمندان پیش می‌برد. محققان آزمایشگاه ایمز و دانشگاه A&M تگزاس یک مدل یادگیری ماشینی (ML) را برای ارزیابی پایداری ترکیبات خاکی کمیاب آموزش دادند. این کار توسط برنامه تحقیق و توسعه هدایت شده آزمایشگاهی (LDRD) در آزمایشگاه ایمز پشتیبانی شد. چارچوبی که آنها توسعه دادند مبتنی بر روش‌های پیشرفته فعلی برای آزمایش ترکیبات و درک ناپایداری‌های شیمیایی است.

آزمایشگاه ایمز از اواسط دهه 20 میلادی پیشرو در تحقیقات مربوط به زمین های کمیاب بوده استهفتم قرن. عناصر خاکی کمیاب طیف وسیعی از کاربردها از جمله فناوری های انرژی پاک، ذخیره انرژی و آهنرباهای دائمی را دارند. کشف ترکیبات جدید خاکی کمیاب بخشی از تلاش بزرگتر دانشمندان برای گسترش دسترسی به این مواد است.

رویکرد حاضر مبتنی بر یادگیری ماشین (ML)، نوعی هوش مصنوعی (AI) است که توسط الگوریتم‌های کامپیوتری هدایت می‌شود که از طریق استفاده از داده و تجربه بهبود می‌یابند. محققان از پایگاه‌داده‌ای به‌روزرسانی‌شده آزمایشگاه زمین کمیاب Ames (RIC 2.0) و نظریه عملکردی چگالی بالا (DFT) برای ساخت پایه‌ای برای مدل ML خود استفاده کردند.

غربالگری با توان عملیاتی بالا یک طرح محاسباتی است که به محقق اجازه می دهد صدها مدل را به سرعت آزمایش کند. DFT یک روش مکانیکی کوانتومی است که برای بررسی خواص ترمودینامیکی و الکترونیکی بسیاری از سیستم‌های بدن استفاده می‌شود. بر اساس این مجموعه اطلاعات، مدل توسعه‌یافته ML از یادگیری رگرسیونی برای ارزیابی پایداری فاز ترکیبات استفاده می‌کند.

تایلر دل رز، دانشجوی فارغ التحصیل دانشگاه ایالتی آیووا، بسیاری از تحقیقات اساسی مورد نیاز برای پایگاه داده را با نوشتن الگوریتم هایی برای جستجوی وب برای اطلاعات تکمیلی پایگاه داده و محاسبات DFT انجام داد. او همچنین روی اعتبار سنجی تجربی پیش‌بینی‌های هوش مصنوعی کار کرد و با اطمینان از اینکه مدل‌های مبتنی بر ML نشان‌دهنده واقعیت هستند، به بهبود مدل‌های مبتنی بر ML کمک کرد.

پراشانت سینگ، دانشمند آزمایشگاهی ایمز، که به همراه گیلرمو وازکز، تلاش یادگیری ماشینی DFT پلاس را رهبری می‌کرد، گفت: «یادگیری ماشین در اینجا واقعاً مهم است، زیرا وقتی در مورد ترکیب‌های جدید صحبت می‌کنیم، مواد سفارش‌داده‌شده برای همه در جامعه خاکی کمیاب کاملاً شناخته شده هستند. و Raymundo Arroyave. “با این حال، وقتی بی نظمی را به مواد شناخته شده اضافه می کنید، بسیار متفاوت است. تعداد ترکیبات به طور قابل توجهی بزرگتر می شود، اغلب هزاران یا میلیون ها، و شما نمی توانید تمام ترکیبات ممکن را با استفاده از تئوری یا آزمایش بررسی کنید.”

سینگ توضیح داد که تجزیه و تحلیل مواد بر اساس یک حلقه بازخورد گسسته است که در آن مدل AI/ML با استفاده از پایگاه داده جدید DFT بر اساس اطلاعات ساختاری و فازی بلادرنگ به‌دست‌آمده از آزمایش‌های ما به‌روزرسانی می‌شود. این فرآیند تضمین می کند که اطلاعات از یک مرحله به مرحله بعدی منتقل می شود و احتمال اشتباه را کاهش می دهد.

یاروسلاو مودریک، ناظر پروژه، گفت که این چارچوب برای کشف ترکیبات خاکی کمیاب به دلیل اهمیت تکنولوژیکی آنها طراحی شده است، اما کاربرد آن به تحقیقات در زمین های کمیاب محدود نمی شود. همین رویکرد را می توان برای آموزش یک مدل ML برای پیش بینی خواص مغناطیسی ترکیبات، کنترل های فرآیند برای تولید دگرگون کننده و بهینه سازی رفتارهای مکانیکی استفاده کرد.

Mudryk گفت: “واقعاً به معنای کشف یک ترکیب خاص نیست.” “این بود، چگونه یک رویکرد جدید یا یک ابزار جدید برای کشف و پیش‌بینی ترکیبات خاکی کمیاب طراحی کنیم؟ و این کاری است که ما انجام دادیم.”

مادریک تاکید کرد که این کار تازه شروع است. تیم در حال بررسی پتانسیل کامل این روش است، اما آنها خوشبین هستند که طیف گسترده ای از برنامه های کاربردی برای این چارچوب در آینده وجود داشته باشد.

منبع داستان:

مواد تهیه شده توسط آزمایشگاه DOE/Ames. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]