هوش مصنوعی سرعت کشف شیشه‌ فلزی را بالا می‌برد

اگر دو یا سه فلز را با یکدیگر ترکیب کنید، به آلیاژی با رفتار و ظاهر شبه‌فلز دست پیدا می‌کنید که اتم‌های آن در الگوهای هندسی محکم در کنار یکدیگر قرارگرفته‌اند. اما تحت شرایط مشخص می‌توانید به یک فرآورده‌ی کاملا جدید برسید: آلیاژی به نام شیشه‌فلز. آرایش اتم‌های غیر بلوری این ماده مثل اتم‌های شیشه در یک پنجره خواهد بود. ماهیت شیشه‌ای اتم‌ها این ماده را قوی‌تر و سبک‌تر از بهترین انواع فولاد کنونی می‌سازند به‌طوری‌که مقاومت آن‌ در مقابل فرسایش و خوردگی افزایش پیدا می‌کند.

اگرچه شیشه‌ی فلزی به‌عنوان یک پوشش محافظتی و جایگزینی برای فولاد به شمار می‌رود، از میلیون‌های ترکیب احتمالی مواد اولیه برای تولید این ماده، تنها چند هزار ترکیب در طول پنجاه سال گذشته ارزیابی و تست شده‌اند، از میان این چند هزار ترکیب هم تنها یک مجموعه از آن‌ها تا مرحله‌ی استفاده و سودمندی توسعه یافته‌اند.

حالا گروهی تحت سرپرستی دانشمندان بخش انرژی آزمایشگاه ملی انرژی SLAC، مؤسسه‌ی ملی استاندارد و فناوری (NIST) و دانشگاه شمال غربی، با صرف هزینه و زمان کمتر، میانبری را برای کشف و بهبود شیشه‌ی فلزی و دیگر مواد فرار ارائه می‌دهند.

در روش جدید هوش مصنوعی دانشمندان با روش ادیسونی موفق به کشف شیشه‌ی فلزی با سرعت ۲۰۰ برابر شدند.

این گروه پژوهشی از یک سیستم در مرکز نور و تشعشعات استنفورد (SSRL) استفاده می‌کنند که با ترکیب یادگیری ماشین و آزمایش‌ها با سرعت بالایی به تولید و نظارت بر صدها نمونه‌ی ماده می‌پردازد؛ یادگیری ماشین شکلی از هوش مصنوعی است که در آن الگوریتم‌های کامپیوتری به جمع‌آوری اطلاعات از مجموعه‌های بزرگ داده‌ای می‌پردازند به این ترتیب تیم پژوهشی با سرعت ۲۰۰ برابر نسبت به آزمایش‌های گذشته، قادر به کشف سه ترکیب جدید از مواد اولیه‌ی شیشه‌ی فلزی شد.

این بررسی در تاریخ ۱۳ آوریل در مجله‌ی Science Advanced منتشر شد. کریس ولورتن استاد علوم و مهندسی مواد دانشکده‌ی مهندسی مک کورمیک شمال غرب و یکی از دانشمندانی که از محاسبات و AI (هوش مصنوعی) برای پیش‌بینی مواد جدید استفاده کرد، می‌گوید:

قدم بزرگی برای کاهش زمان تولید این ماده برداشتیم. برای شروع تنها به فهرستی از ویژگی‌های دلخواه در یک ماده نیاز دارید و با استفاده از هوش مصنوعی می‌توانید از طیف گسترده‌ای از مواد بالقوه به چند کاندید بسیار خوب برسید.

به‌گفته‌ی ولورتن، سرپرست پروژه‌ی یادگیری ماشین، هدف نهایی این پروژه رسیدن به نقطه‌ای برای اسکن صدها نمونه ماده است، به‌طوری‌که دانشمندان بتوانند به سریع‌ترین بازخورد ممکن از مدل‌های یادگیری ماشین دست پیدا کنند و برای آزمایش‌های روز آینده و حتی یک ساعت آینده یک مجموعه‌ی آماده از نمونه‌ها را در اختیار داشته باشند.

دانشمندان در نیم‌قرن گذشته به بررسی تقریبا ۶۰۰۰ ترکیب مواد اولیه‌ی شیشه‌های فلزی پرداخته‌اند. به‌گفته‌ی آپورا مهتا یکی از دانشمندان SSRL، تیم پژوهشی تنها در یک سال موفق به تولید و نظارت بر ۲۰٬۰۰۰ نمونه شدند.

شروع کار

درحالی‌که دیگر گروه‌ها از یادگیری ماشین برای ارائه‌ی پیشگویی‌های در مورد محل کشف انواع مختلف شیشه‌ی فلزی استفاده کرده‌اند، متا می‌گوید:

تنها کار منحصربه‌فرد ما بررسی سریع پیشگویی‌ها با اندازه‌گیری‌های تجربی و سپس برگرداندن نتایج به دور بعدی آزمایش‌ها و یادگیری ماشین بوده است.

او اضافه کرد، فضای زیادی برای تسریع و در نهایت خودکارسازی این فرآیند وجود دارد و هدف آن خارج کردن افراد از این چرخه است، بنابراین دانشمندان می‌توانند بر دیگر ابعاد کار خود تمرکز کنند که به خلاقیت و درک مستقیم نیاز دارد. به‌گفته‌ی میتا  این نتیجه نه‌تنها بر کاربران سنکروترون بلکه بر کل جامعه‌ی علوم مواد و شیمی تأثیر خواهد داشت.

به‌گفته‌ی جیسون هتریک سیمپلرز، مهندس پژوهش‌های علوم مواد در NIST:

یکی از هیجان‌انگیز‌ترین ابعاد این فرآیند، پیشگویی‌های سریع و تغییر جهت سریع آزمایش‌ها است به‌طوری‌که بتوانیم به بررسی مواردی بپردازیم که تابع قوانین کلی در مورد شکل‌گیری شیشه نباشند. به گفته‌ی جیسون هتریک سیمپرز یکی از پژوهشگرهای این مقاله و مهندس علوم مواد، AI (هوش مصنوعی) چشم‌انداز علم مواد را متحول خواهد کرد و ما در ابتدای راه قرار داریم.

آزمایش با داده‌ها

تیم پژوهش در آزمایش شیشه‌های فلزی به بررسی هزاران آلیاژ پرداختند که هرکدام شامل سه فلز ارزان‌قیمت و غیرسمی بودند. کار آن‌ها با یک منبع داده‌ای مربوط به پنجاه سال پیش آغاز شد که نتایج ۶۰۰۰ آزمایش در حوزه‌ی شیشه‌ی فلزی را پوشش می‌داد. تیم با الگوریتم‌های پیشرفته‌ای که توسط ولورتون و همکاران او توسعه‌یافته بود، به جست‌وجو در داده‌ها پرداخت.

دانشمندان بر اساس الگوریتم‌ها در نوبت‌ اول آزمایش دو مجموعه از آلیاژ‌های نمونه را با دو روش مختلف تولید کردند؛ درنتیجه توانستند تأثیر روش‌های تولید مختلف بر تغییر شکل آلیاژ به شیشه را آزمایش کنند. آن‌ها با اشعه‌ی ایکس SSRL به اسکن دو مجموعه از آلیاژ‌ها پرداختند، سپس نتایج را برای تولید نتایج جدید یادگیری ماشین در یک پایگاه داده وارد کردند، از این نتایج برای آماده‌سازی نمونه‌های جدید در نوبت بعدی اسکن و یادگیری ماشین استفاده شد. به گفته‌ی متا، بر اساس نوبت سوم و آخر آزمایش، نسبت موفقیت گروه برای یافتن شیشه‌ی فلزی از یک در ۳۰۰ یا ۴۰۰ نمونه‌ی تست‌شده، به یک از دو یا سه نمونه‌ی تست‌شده افزایش یافت. نمونه‌ شیشه‌های فلزی شناسایی‌شده، سه ترکیب متفاوت از مواد اولیه را نشان می‌دادند، به‌طوری‌که دو ترکیب هرگز درگذشته برای تولید شیشه‌ی فلزی به کار نرفته بودند.