طراحی مواد و مولکول‌ها با تکنیک‌های پیشرفته شیمی محاسباتی
در گذشته‌های بسیار دور، طراحی مواد فرآیندی بسیار دشوار و زمان‌بر بود. دانشمندان تلاش می‌کردند با ترکیب موادی مانند سرب، جیوه و گوگرد، طلا تولید کنند. حتی دانشمندانی مشهور مانند تیخو براهه، رابرت بویل و آیزاک نیوتون نیز زمان خود را صرف این تلاش‌های بی‌ثمر کردند که بعدها “علم کیمیاگری” نامیده شد.
اما امروزه علوم مواد پیشرفت چشمگیری داشته است. طی 150 سال گذشته، جدول تناوبی عناصر به‌عنوان یک ابزار اساسی به محققان کمک کرده است تا خواص مختلف عناصر را بشناسند و متوجه شوند که عناصر نمی‌توانند به‌صورت جادویی به یکدیگر تبدیل شوند. علاوه‌براین، در دهه گذشته، ابزارهای یادگیری ماشین توانایی ما در تجزیه و تحلیل ساختارها و خواص فیزیکی مولکول‌ها و مواد را به‌شدت افزایش داده‌اند. اخیراً یک گروه تحقیقاتی به سرپرستی پروفسور جو لی از MIT موفق به توسعه فناوری‌های جدیدی شده‌اند که می‌تواند جهشی بزرگ در طراحی مواد ایجاد کند. نتایج تحقیقات آن‌ها در شماره دسامبر 2024 نشریه Nature Computational Science منتشر شده است.
### محدودیت‌های مدل‌های فعلی یادگیری ماشین در علوم مواد
اکثر مدل‌های یادگیری ماشین فعلی که برای تحلیل سیستم‌های مولکولی استفاده می‌شوند، مبتنی بر تئوری تابعی چگالی (DFT) هستند. این تئوری، که رویکردی مکانیکی-کوانتومی است، انرژی کل یک مولکول یا بلور را با مطالعه توزیع چگالی الکترونی تعیین می‌کند. با وجود موفقیت این روش، جو لی معتقد است که محدودیت‌هایی دارد:
۱. دقت آن همیشه بالا نیست.
۲. تنها انرژی کمینه مولکولی را محاسبه می‌کند و اطلاعات بیشتری ارائه نمی‌دهد.
### تکنیک کوپل-کلاستر: استاندارد طلایی جدید
گروه تحقیقاتی لی از تکنیک دیگری به نام “کوپل-کلاستر” (CCSD(T)) استفاده می‌کنند که به اعتقاد وی “استاندارد طلایی شیمی کوانتومی” است. نتایج این روش بسیار دقیق‌تر از محاسبات DFT است و حتی قابل مقایسه با آزمایش‌های واقعی می‌باشد. مشکل اینجاست که این محاسبات بسیار زمان‌بر هستند و هزینه محاسبات به‌صورت نمایی افزایش می‌یابد؛ به‌طوری‌که برای سیستم‌های بزرگ‌تر، اجرای این محاسبات تقریباً غیرممکن است.
### نقش یادگیری ماشین در تسریع محاسبات
برای غلبه بر این چالش، تیم لی از یک شبکه عصبی پیشرفته استفاده کرده‌اند که با استفاده از داده‌های به‌دست‌آمده از محاسبات CCSD(T) آموزش داده شده است. این مدل جدید، که به نام “شبکه چندوظیفه‌ای همیلتونی الکترونیکی” (MEHnet) شناخته می‌شود، قادر است خواص مختلف مولکولی همچون لحظه دوقطبی، پلاریزاسیون الکترونی و شکاف نوری تحریک را سریع‌تر و دقیق‌تر پیش‌بینی کند. این مدل همچنین می‌تواند خواص حالت‌های تحریک شده مولکول‌ها را نیز تحلیل کند که پیشرفتی مهم در این زمینه محسوب می‌شود.
### ساختار شبکه و عملکرد ویژه
این شبکه با الهام از تحقیقات دستیار پروفسور تس اسمیدت از MIT طراحی شده است. مدل مبتنی بر “شبکه عصبی گرافی E(3)-مساوی” عمل می‌کند؛ ساختاری که در آن گره‌ها اتم‌ها و لبه‌ها پیوندهای بین آن‌ها را نشان می‌دهند. همچنین الگوریتم‌های فیزیکی خاصی مستقیماً در مدل گنجانده شده است که باعث بهبود عملکرد آن در محاسبات کوانتومی می‌شود.
### نتایج و کاربردهای آینده
در آزمون‌های انجام‌شده با این مدل بر روی مولکول‌های شناخته شده، نتایج به‌دست‌آمده بسیار دقیق‌تر از مدل‌های DFT بودند و تطابق نزدیکی با داده‌های تجربی نشان دادند. این روش می‌تواند برای تحلیل مولکول‌های ناشناخته و حتی پیش‌بینی خواص مواد فرضی نیز مورد استفاده قرار گیرد.
به گفته محققان، این مدل پتانسیل طراحی موادی جدید را دارد که ممکن است در صنایع مختلفی از جمله داروسازی، ساختارهای نیمه‌رسانا، و حتی ذخیره‌سازی انرژی کاربرد داشته باشند.
### کاربردهای گسترده در آینده
کیانگ ژو، متخصص کشف مواد جدید در دانشگاه کارولینای شمالی، بر پتانسیل بالای این روش تاکید می‌کند. او معتقد است که مدل MEHnet می‌تواند فرآیند غربالگری مولکولی با توان بالا را سریع‌تر و دقیق‌تر کند و به کشف مواد با خواص نوآورانه کمک کند.
جو لی نیز بر آینده‌ای روشن برای این فناوری تاکید دارد. هدف نهایی تیم وی توسعه مدلی است که با دقت CCSD(T) و هزینه کمتر، تمامی عناصر جدول تناوبی را پوشش دهد. این پیشرفت می‌تواند مشکلاتی گسترده در زمینه‌های شیمی، زیست‌شناسی و علم مواد حل کند.
این تحقیقات با حمایت مالی موسسه تحقیقاتی هوندا انجام شده است. بخشی از محاسبات این پروژه نیز توسط ابرکامپیوترهای پیشرفته از جمله MIT SuperCloud و مرکز محاسبات پیشرفته تگزاس انجام شده است.
**منبع:**
Nature Computational Science