ادغام شبیهسازیهای مبتنی بر فیزیک با هوش مصنوعی، به ویژه برای طراحی مواد پیچیده که به تقاضای فناوری و محیط زیست پاسخ میدهند، در علوم مواد به اهمیت بیشتری دست یافته است.
تی. یو، موسسه ماکس پلانک برای تحقیقات آهن
دانشمندان موسسه ماکس پلانک، امکانات هوش مصنوعی را در علوم مواد بررسی کرده و نتایج بررسی خود را در مجله علمی Nature Computational Science منتشر کردهاند.
به دلیل نیازهای بالایی که در خصوص پایداری مواد و قابلیت استفاده از آنها وجود دارند، مواد پیشرفته به طور روزافزون پیچیده میشوند. در این راستا، دیرک رابه(Dierk Raabe) و همکارانش، استفاده از هوش مصنوعی در علوم مواد، و فضاهای ناشناختهای که با ترکیب شبیهسازیهای مبتنی بر فیزیک با آن ایجاد میشوند، را بررسی کردند. در مقایسه با روشهای سنتی شبیهسازی، هوش مصنوعی دارای چندین مزیت است و در آینده نقش حیاتی در علوم مواد خواهد داشت.
مواد پیشرفته در زندگی روزمره، در صنایع فناوری، حمل و نقل، زیرساختها، انرژی سبز و پزشکی، به طور فوری نیاز است. با این حال، روشهای سنتی کشف و کاوش مواد جدید به دلیل پیچیدگی ترکیب شیمیایی، ساختار و خواص هدفمند آنها با محدودیت مواجه هستند. علاوه بر این، مواد جدید، باید نه تنها امکانات کاربردی جدیدی را فراهم کنند، بلکه شیوههای پایداری برای تولید، استفاده و بازیافت آنها را نیز در بر بگیرند.
پژوهشگران از موسسه ماکس پلانک برای تحقیقات آهن، وضعیت مدل سازی مبتنی بر فیزیک را بررسی کرده و بحث کردهاند که چگونه ترکیب این روش با هوش مصنوعی میتواند فضاهای تا به حال ناشناختهای را برای طراحی مواد پیچیده باز کند. آنها نظریات خود را در مجله علمی Nature Computational Science منتشر کردهاند.
ترکیب رویکردهای مبتنی بر فیزیک با هوش مصنوعی
برای پاسخگویی به نیاز چالش های تکنولوژیکی و زیست محیطی، باید خواص هرچه بیشتر و چند برابری مواد در نظر گرفته شود، که این باعث پیچیدگی بیشتری در ترکیب، سنتز، پردازش و بازیافت آلیاژها میشود. تغییر در این پارامترها، تغییر در ساختار میکروسکوپی آنها را به دنبال دارد که بر خواص مواد مستقیماً تأثیر میگذارد. برای پیشبینی ساختار و خواص مواد، باید این پیچیدگی را درک کرد. در اینجا، رویکردهای طراحی ماده محاسباتی نقش حیاتی دارند.
“روشهای ما برای طراحی مواد جدید، امروزه تنها بر شبیهسازیهای مبتنی بر فیزیک و آزمایشات تکیه دارند. این روش در پیشبینی خود ممکن است با محدودیتهایی مواجه شود. به علاوه، بسیاری از مدلهای مرتبط با ساختار میکروسکوپی و خواص، از تقریبهای ساده استفاده میکنند و به تعداد زیادی متغیر نیاز دارند. با این حال، سوالی که باقی میماند این است که آیا این درجات آزادی هنوز هم قادر به پوشش دادن پیچیدگی ماده هستند؟”
این مقاله شبیهسازیهای مبتنی بر فیزیک، مانند دینامیک مولکولی و شبیهسازیهای اولیه را با مدلسازی مبتنی بر توصیف و رویکردهای هوش مصنوعی پیشرفته مقایسه میکند. در حالی که شبیه سازی های مبتنی بر فیزیک اغلب برای پیش بینی مواد با ترکیبات پیچیده بسیار پرهزینه هستند، استفاده از هوش مصنوعی چندین مزیت دارد.
پروفسور Jörg Neugebauer، مدیر MPIE و یکی از نویسندگان این نشریه، می گوید: «هوش مصنوعی قادر است به طور خودکار ویژگی های ترمودینامیکی و میکروساختاری را از مجموعه داده های بزرگ به دست آمده از شبیه سازی های الکترونیکی، اتمی و پیوسته با قدرت پیش بینی بالا استخراج کند.
از آنجایی که قدرت پیش بینی هوش مصنوعی به در دسترس بودن مجموعه داده های بزرگ بستگی دارد، راهکارهایی برای غلبه بر این مشکل لازم است. یکی از این راهکارها استفاده از چرخههای یادگیری فعال است، که در آن مدلهای یادگیری ماشین با زیر مجموعههای اولیه کوچکی از دادههای برچسبگذاری شده آموزش داده میشوند. سپس پیشبینیهای مدل توسط یک واحد برچسبگذاری که دادههای با کیفیت بالا را به مجموعه سوابق برچسبگذاری شده برمیگرداند غربال میشود و مدل یادگیری ماشین دوباره اجرا میشود. این رویکرد گام به گام منجر به یک مجموعه داده با کیفیت بالا نهایی می شود که برای پیش بینی های دقیق قابل استفاده است.
هنوز بسیاری از سوالات باز برای استفاده از هوش مصنوعی در علم مواد وجود دارد: چگونه با دادههای پراکنده و نویزی برخورد کنیم؟ چگونه میتوانیم نواقص یا دادههای نامناسب را مدیریت کنیم؟ چگونه میتوانیم ورود عنصرهای ناخواسته به سنتز یا بازیافت را در نظر بگیریم؟ با این حال، در زمینه طراحی آلیاژهای پیچیده ترکیبی، هوش مصنوعی در آینده نزدیک نقش مهمتری خواهد داشت، به ویژه با توسعه الگوریتمها، و دسترسی به مجموعه دادههای با کیفیت بالا و منابع محاسباتی با عملکرد بالا.