مواد تهیه شده توسط دانشگاه کالیفرنیا – سن دیگو. نوشته اصلی توسط امرسون دامرون. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
یک الگوریتم موفقیت آمیز فضای اکتشاف مواد را بر اساس مرتبه های بزرگی گسترش می دهد — ScienceDaily
این اثر توسط Chi Chen و Shyue Ping Ong در UC San Diego نوشته شده است. این تحقیق عمدتاً توسط وزارت انرژی ایالات متحده، دفتر علوم، دفتر علوم پایه انرژی، علوم مواد و بخش مهندسی تحت برنامه پروژه مواد تامین شده است. بخشی از کار توسط LG Energy Solution از طریق برنامه آزمایشگاه تحقیقاتی مرزی تامین شده است. این کار از محیط اکتشاف علوم و مهندسی شدید (XSEDE) استفاده کرد.
مانند پروتئین‌ها، ما باید ساختار یک ماده را بدانیم تا خواص آن را پیش‌بینی کنیم. اونگ، معاون مرکز انرژی و انرژی پایدار در دانشکده مهندسی جاکوبز گفت. آنچه ما نیاز داریم یک AlphaFold برای مواد است.
تیم M3GNet، به سرپرستی پروفسور مهندسی نانو UC San Diego، Shyue Ping Ong، از matterverse.ai و قابلیت‌های جدید M3GNet در جستجوی الکترودها و الکترولیت‌های ایمن‌تر و متراکم‌تر برای باتری‌های لیتیوم یونی قابل شارژ استفاده می‌کند. این پروژه در شماره 28 نوامبر ژورنال بررسی شده است علوم محاسباتی طبیعت.
اونگ گفت: “به عنوان مثال، ما اغلب به سرعت انتشار یون های لیتیوم در الکترود یا الکترولیت باتری لیتیوم-یون علاقه مندیم. ما نشان داده‌ایم که M3GNet IAP می‌تواند برای پیش‌بینی رسانایی لیتیوم یک ماده با دقت خوب استفاده شود. ما واقعاً معتقدیم که معماری M3GNet یک ابزار دگرگون‌کننده است که می‌تواند تا حد زیادی توانایی ما را برای کشف مواد شیمیایی و ساختارهای جدید گسترش دهد.»
این تیم برای آموزش مدل خود از پایگاه داده عظیم انرژی، نیرو و تنش مواد جمع آوری شده در پروژه مواد در دهه گذشته استفاده کرد. نتیجه پتانسیل بین اتمی M3GNet (IAP) است که می تواند انرژی ها و نیروها را در هر مجموعه ای از اتم ها پیش بینی کند. Matterverse.ai از طریق جایگزین‌های عنصری ترکیبی بر روی بیش از 5000 نمونه اولیه ساختاری در پایگاه داده ساختار کریستال معدنی (ICSD) تولید شد. سپس از M3GNet IAP برای به دست آوردن ساختار بلوری تعادل – فرآیندی به نام “آرامش” – برای پیش بینی ویژگی استفاده شد.
AlphaFold یک الگوریتم هوش مصنوعی است که توسط Google DeepMind برای پیش‌بینی ساختار پروتئین توسعه یافته است. برای ساخت معادلی برای مواد، اونگ و تیمش شبکه‌های عصبی نموداری را با تعاملات چند بدنه ترکیب کردند تا یک معماری یادگیری عمیق بسازند که به طور جهانی و با دقت بالا در تمام عناصر جدول تناوبی کار می‌کند.
پیش‌بینی می‌شود که از 31 میلیون ماده موجود در madeverse.ai امروز، بیش از یک میلیون ماده به طور بالقوه پایدار باشند. اونگ و تیم او قصد دارند نه تنها تعداد مواد، بلکه تعداد خواص پیش‌بینی‌شده توسط ML، از جمله ویژگی‌های با ارزش بالا با اندازه داده‌های کوچک را با استفاده از رویکرد چند وفاداری که قبلا توسعه داده‌اند، به میزان زیادی گسترش دهند.
منبع داستان:
فراتر از آرامش های ساختاری، M3GNet IAP همچنین کاربردهای گسترده ای در شبیه سازی دینامیکی مواد و پیش بینی خواص نیز دارد.
چی چن، دانشمند ارشد سابق پروژه در آزمایشگاه اونگ و اولین نویسنده این کار، که اکنون یک معمار ارشد کوانتومی در مایکروسافت کوانتوم است، می‌گوید: «گراف‌های ریاضی واقعاً نمایش‌های طبیعی مجموعه‌ای از اتم‌ها هستند. با استفاده از نمودارها، می‌توانیم پیچیدگی کامل مواد را بدون اینکه در معرض انفجار ترکیبی اصطلاحات در فرمالیسم‌های سنتی قرار بگیریم، نمایش دهیم.»
خواص یک ماده با آرایش اتم های آن مشخص می شود. با این حال، رویکردهای موجود برای به دست آوردن آن ترتیب یا به شدت گران هستند یا برای بسیاری از عناصر ناکارآمد هستند.
مهندسان نانو در دانشکده مهندسی جاکوبز دانشگاه کالیفرنیا در سن دیگو، یک الگوریتم هوش مصنوعی توسعه داده اند که ساختار و خواص دینامیکی هر ماده – چه موجود و چه جدید – را تقریباً بلافاصله پیش بینی می کند. این الگوریتم که با نام M3GNet شناخته می‌شود، برای توسعه madeverse.ai، پایگاه داده‌ای از بیش از 31 میلیون ماده هنوز سنتز نشده با ویژگی‌های پیش‌بینی‌شده توسط الگوریتم‌های یادگیری ماشین استفاده شد. Matterverse.ai کشف مواد تکنولوژیکی جدید با خواص استثنایی را تسهیل می کند.
برای ترویج استفاده از M3GNet، تیم این چارچوب را به عنوان کد منبع باز پایتون در Github منتشر کرده است. از زمان ارسال پیش‌چاپ در Arxiv در فوریه 2022، این تیم از سوی محققان دانشگاهی و آن‌هایی که در این صنعت هستند مورد توجه قرار گرفته است. برنامه هایی برای ادغام M3GNet IAP به عنوان ابزاری در بسته های شبیه سازی مواد تجاری وجود دارد.
