ابزار جدید شانس تولید مواد پیشرفته توسط هوش مصنوعی مولد را افزایش می‌دهد

مدل‌های هوش مصنوعی مولد، همان ابزار‌هایی که می‌توانند از متن عکس تولید کنند، حالا در حال کمک به محققان برای طراحی مواد جدید هستند. در سال‌های اخیر، مدل‌های مولد طراحی مواد از شرکت‌هایی همچون گوگل، مایکروسافت و متا، با بهره‌گیری از داده‌های آموزشی خود، امکان طراحی ده‌ها میلیون ماده جدید را فراهم کرده‌اند.

اما این مدل‌ها در طراحی موادی با خواص کوانتومی خاص، مانند ابررسانایی یا ویژگی‌های مغناطیسی منحصر‌به‌فرد، با چالش روبرو هستند. این امر موجب کاهش سرعت پیشرفت در حوزه‌هایی همچون رایانش کوانتومی شده است؛ به عنوان مثال، پس از یک دهه تحقیق درباره موادی به نام «مایعات اسپینی کوانتومی»، تنها حدود دوازده ماده بالقوه شناسایی شده‌اند. این گلوگاه پژوهشی مانعی برای جهش‌های فناورانه است.

اکنون پژوهشگران MIT ابزاری به نام SCIGEN توسعه داده‌اند که با اضافه کردن محدودیت‌های ساختاری به مدل‌های هوش مصنوعی، مسیر تولید مواد با ساختارهایی که می‌توانند خواص کوانتومی را شکل دهند، هموارتر می‌کند. این ابزار به مدل‌های هوش مصنوعی کمک می‌کند تا به جای تولید انبوه مواد پایدار، موادی با پتانسیل بالا و ساختار ویژه خلق کنند.

مینگدا لی، استاد توسعه شغلی دانشگاه MIT، می‌گوید: «هدف ما تولید ده میلیون ماده نیست، ما فقط به یک ماده واقعاً مناسب نیاز داریم تا دنیا را تغییر دهیم.»

در مقاله‌ای که در Nature Materials منتشر شده، توضیح داده شده که این تیم از SCIGEN برای تولید میلیون‌ها ماده با ساختارهای شبکه‌ای هندسی خاص استفاده کرده‌اند؛ از جمله ساختارهایی مانند شبکه کگومه (Kagome lattice) که می‌توانند رفتار عناصر کمیاب را شبیه‌سازی کنند و برای رایانش کوانتومی بسیار ارزشمند هستند.

این ابزار در کنار مدل DiffCSP به کار گرفته شد تا ساختارهای به ‌اصطلاح شبکه‌های ارشمیدسی ایجاد کند؛ این شبکه‌ها دارای ویژگی‌هایی هستند که می‌توانند منجر به رفتارهای کوانتومی نادر مانند “نوارهای تخت” یا “مایعات اسپینی کوانتومی” شوند. برخی از این ساختارها تا به حال در طبیعت دیده نشده‌اند و یافتن موادی که از این شبکه‌ها پیروی کنند، می‌تواند دریچه‌های تازه‌ای در علم مواد بگشاید.

در یک مرحله از پروژه، بیش از ۱۰ میلیون ماده تولید شد که یک میلیون از آن‌ها از نظر پایداری غربال شدند. پژوهشگران با استفاده از ابررایانه‌های آزمایشگاه ملی اوک‌ریج (Oak Ridge National Laboratory) تعداد ۲۶ هزار نمونه را به‌صورت دقیق شبیه‌سازی کردند و دریافتند که ۴۱٪ آن‌ها ویژگی‌های مغناطیسی نشان می‌دهند.

در ادامه، آن‌ها دو ماده جدید به نام‌های TiPdBi و TiPbSb را در آزمایشگاه‌های دانشگاه‌های میشیگان و پرینستون سنتز کردند. آزمایش‌ها نشان داد که ویژگی‌های واقعی این مواد تا حد زیادی با پیش‌بینی‌های مدل هوش مصنوعی مطابقت دارند.

ریوتارو اوکابه، نویسنده اصلی مقاله، می‌گوید: «ما از ابتدا می‌دانستیم که این ساختارهای هندسی خاص اهمیت دارند، پس شروع کار از آن‌ها منطقی بود.»

مایعات اسپینی کوانتومی می‌توانند قابلیت ایجاد کیوبیت‌های پایدار و مقاوم در برابر خطا را به وجود آورند که هسته اصلی رایانش کوانتومی محسوب می‌شوند. اما تاکنون هیچ ماده‌ای با ویژگی مایع اسپینی کوانتومی به‌صورت تجربی تایید نشده است. ابزار SCIGEN می‌تواند این جستجو را سرعت ببخشد.

وی‌ویی شی از دانشگاه ایالتی میشیگان توضیح می‌دهد که «بسیاری از موادِ مورد نظر برای رایانش کوانتومی باید ساختارهایی مثل شبکه‌های مثلثی یا کگومه‌ای داشته باشند. با تولید انبوه چنین ساختارهایی، پژوهشگران مواد صدها یا هزاران گزینه جدید در اختیار خواهند داشت تا بر اساس آن‌ها مواد مناسبی برای رایانش کوانتومی بیابند.»

استیو می، استاد دانشگاه درکسل، می‌گوید: «این پژوهش ابزاری جدید مبتنی بر یادگیری ماشین ارائه داده که می‌تواند برای توسعه نسل بعدی فناوری‌های الکترونیکی، مغناطیسی یا نوری بسیار مفید باشد.»

هرچند همچنان آزمایش‌های عملی برای تایید خصوصیات این مواد ضروری است، اما پژوهشگران امیدوارند که در آینده بتوانند محدودیت‌های شیمیایی و عملکردی را نیز به مدل‌های مولد اضافه کنند.

اوکابه در پایان می‌گوید: «ما می‌خواهیم موادی تولید کنیم که واقعاً تحول‌آفرین باشند… حتی اگر نسبت مواد پایدار کمتر شود، در عوض دنیایی از مواد نو و امیدوارکننده پیش روی ما قرار می‌گیرد.»

منبع: Nature Materials