هوش مصنوعیفناوری

یادگیری ماشین و هوش مصنوعی می‌تواند راه حل مناسبی برای یافتن سریع مواد انرژی پاک باشد؟

محققان راهی برای استفاده از هوش مصنوعی و یادگیری ماشین، برای یافتن مواد جدید و بسیار کارآمد برای فناوری‌های انرژی پایدار ارائه کرده‌اند.

مدیر سایت ارسال ایمیل 25 بهمن 01 ,22:30
18 خواندن این مطلب 3 دقیقه زمان میبرد

به گزارش مکاترونیک نیوز، مطالعه جدیدی که در مجله Patterns منتشر شده است، استفاده از یادگیری ماشین را برای کاهش قابل ملاحظه زمان مورد نیاز برای کشف مواد جدید با کیفیت های مشخص مورد بحث قرار داده است این در حالی است که تنها تعداد کمی از مواد و بلورهای معدنی شناخته شده از نظر محاسباتی پیش‌بینی شده‌اند یا از نظر تئوری تاکنون اثبات شده‌اند.

هوش مصنوعی و انرژی های پاک
الکس وزنی، استادیار دانشگاه تی اسکاربرو، با همکار خود صحبت می کند (عکس از دیلن تومبز)
کشف مواد جدید

توسعه مواد جدید برای کاربردهای مختلف، از جمله ذخیره انرژی، دستگاه های الکترونیکی، کاتالیزورها و مواد زیست پزشکی ضروری است. خواص مواد تعیین کننده مناسب بودن آنها برای یک کاربرد خاص است و کشف مواد با خواص جدید برای پیشرفت علم مواد ضروری است.

روش‌های اولیه مانند تئوری تابعی چگالی (DFT) به طور گسترده برای پیش‌بینی خواص مواد جدید مورد استفاده قرار گرفته‌اند و ابزاری قدرتمند برای کشف و طراحی مواد ارائه می‌دهند. DFT ساختار الکترونیکی مواد را با در نظر گرفتن فعل و انفعالات بین الکترون ها و هسته محاسبه می کند و بینشی در مورد پایداری، واکنش پذیری و خواص الکترونیکی مواد ارائه می دهد. با این حال، هزینه محاسباتی بالای مرتبط با DFT چالش قابل توجهی را برای استفاده گسترده از این روش برای غربالگری در مقیاس بزرگ مواد جدید ایجاد می کند. نیازهای محاسباتی DFT با اندازه سیستم افزایش می یابد و غربالگری تعداد زیادی از مواد در مدت زمان معقول را به چالش می کشد. برای غلبه بر این چالش، محققان در حال بررسی روش‌های جایگزینی هستند که می‌توانند دقت DFT را در عین کاهش هزینه‌های محاسباتی ارائه دهند.

چگونه یادگیری ماشین و هوش مصنوعی می توانند کمک کنند؟
روش‌های یادگیری ماشین (ML) همراه با محاسبات با توان بالا نشان داده شده‌اند که پیش‌بینی‌های دقیقی از ویژگی‌های مواد جدید با افزایش سرعت و کارایی ایجاد می‌کنند. Alex Voznyy، نویسنده مقاله تحقیقاتی، گفت: “ما می خواهیم بتوانیم مواد جدید را سریعتر و کارآمدتر پیش بینی کنیم تا بتوانیم به صورت فیزیکی زودتر و با اطمینان بیشتر از کارایی آنها شروع کنیم.”
مدل‌های یادگیری ماشینی در تعیین ویژگی‌های کریستال‌های معدنی، از جمله شکاف‌های نواری، انرژی تشکیل و مدول‌های حجیم کارآمدتر می‌شوند. با این وجود، غربالگری برای مواد جدید با ویژگی های مورد نیاز نیازمند دانش ساختارهای تعادلی آنها است. برای استخراج جزئیات ساختاری حالت زمین، ممکن است از یک بهینه ساز مبتنی بر ML استفاده شود. با این حال، مدل باید قادر به تمایز بین سازه‌های با انرژی بالا و حالت زمین باشد.
دقت پیش‌بینی مدل ML زمانی کاهش می‌یابد که از ساختارهای غیر بهینه استفاده شود. با این حال، DFT باید برای ایجاد ساختارهای آرام مورد استفاده قرار گیرد، که در وهله اول هدف استفاده از یادگیری ماشین را ناکام می گذارد. در حالت ایده آل، یک میدان نیرو با هزینه محاسباتی کم در ابتدا برای آرام کردن سازه استفاده می شود. سپس این ساختار به مدل یادگیری ماشینی وارد می شود و پیش بینی های دقیقی ایجاد می کند. میدان نیرویی از این نوع می‌تواند به طور بالقوه مبتنی بر یادگیری ماشین باشد. برای آموزش چنین مدلی، داده هایی از جمله ساختارهای تغییر شکل یافته و ترجیحاً حتی نیروهای وارد بر اتم ها مورد نیاز است. متأسفانه، پایگاه‌های اطلاعاتی عمومی موجود فقط انرژی‌های تشکیل را برای ساختارهای بهینه‌شده با DFT فراهم می‌کنند. طبق تعریف، نیروها در این مورد از قبل صفر هستند.
این تیم نشان داد که استفاده از مقادیر داده در دسترس عموم برای الاستیسیته، که محاسبات انرژی را برای چندین نوع کریستال کریستال خلاصه می‌کند، برای آموزش پیش‌بینی‌کننده انرژی برای ساختارهای تحت فشار بر اساس یادگیری ماشین کافی است. مدل ML پاسخ به کرنش سراسری را آموخت و قادر به تعمیم به کرنش‌های محلی بود، در نتیجه یک میدان نیرو ایجاد کرد که می‌توان از آن برای ساخت یک بهینه‌ساز هندسه استفاده کرد. همه اینها بدون نیاز به محاسبات اضافی DFT برای ایجاد داده های آموزشی تکمیل شده انجام شد. یک مدل یادگیری ماشین قوی و ساختارهای تعادلی بهینه برای تجزیه و تحلیل و تخمین پایداری بلورهای معدنی به طور مناسب ضروری بود. این تیم پاسخ های کرنش تک محوری و هیدرواستاتیکی را از حدود 8000 ماده در سطوح مختلف کرنش تولید کردند. رویکرد افزایش داده‌های ساختاری کرنش‌شده ارائه‌شده در تحقیق، تخمین‌های انرژی تشکیل را برای مواد کرنش‌شده و همچنین بدون اعوجاج بهبود بخشید. محققان همچنین نشان دادند که شامل سویه های سراسری درک مدل ML از سویه های محلی را افزایش می دهد. آنها از این مدل مبتنی بر ML به عنوان یک بهینه ساز هندسه با افزایش قابل توجهی در دقت پیش بینی برای ویژگی هایی مانند شکاف باند و انرژی تشکیل استفاده کردند. مدل کرنش آگاه توسعه یک بهینه ساز کارآمد را امکان پذیر کرد. این روش ممکن است برای افزایش عملکرد بهینه سازهای مختلف کریستال معدنی مورد استفاده قرار گیرد.
فرصت هایی برای پیشرفت های بیشتر وجوددارد
تحقیقات بیشتر ممکن است سعی کند با افزایش اندازه و همچنین پیچیدگی مجموعه داده، دقت مدل را افزایش دهد. فقط حدود 5 درصد از مواد قابل دسترس پروژه مواد شامل داده های قابل قبول الاستیک است که تأثیر کلی بالقوه افزایش را محدود می کند. رویکرد افزایش داده ها با در دسترس بودن داده های بیشتر بهبود می یابد. علاوه بر این، پیچیدگی مدل ممکن است با اضافه کردن اشکال اضافی تغییر شکل‌ها، از جمله تنش‌های برشی که زوایای سلول واحد (و پیوند) را تغییر می‌دهند، افزایش یابد.
نام خبرنگار: سمیه آموت سر
منبع خبر :www.azorobotics.ir

 

 

برچسب ها
مدیر سایت ارسال ایمیل 25 بهمن 01 ,22:30
18 خواندن این مطلب 3 دقیقه زمان میبرد
نمایش بیشتر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همچنین ببینید
بستن
دکمه بازگشت به بالا