المصدر الأصلي: العناوين الأكاديمية
![]()
مصدر الصورة: تم إنشاؤه بواسطة الذكاء الاصطناعي غير محدود
في غضون 17 يوما فقط ، أنشأ الذكاء الاصطناعي (الذكاء الاصطناعي) 41 مادة جديدة بمفرده ، أكثر من مادتين في اليوم.
في المقابل ، قد يستغرق الأمر شهورا من التجربة والخطأ للعلماء البشريين لإنشاء مادة جديدة.
اليوم ، يظهر مختبر الذكاء الاصطناعي ، المسمى A-Lab ، في المجلة العلمية الموثوقة Nature. **
![]()
وفقا للمقدمة ، ** A-Lab هو مختبر حيث تصنع الروبوتات الموجهة الذكاء الاصطناعي مواد جديدة ، والتي يمكنها اكتشاف مواد جديدة بسرعة بأقل تدخل بشري ، والتي يمكن أن تساعد في تحديد المواد وتتبعها بسرعة في مجالات بحثية متعددة ، بما في ذلك البطاريات وتخزين الطاقة والخلايا الشمسية وخلايا الوقود ، إلخ.
تجدر الإشارة إلى أنه في مهمة اختبار ، نجح A-Lab في تصنيع 41 من أصل 58 مادة متوقعة ، بمعدل نجاح 71٪.
![]()
تأتي بيانات الاختبار من مشروع المواد ، وقاعدة بيانات الوصول المفتوح لمختبر بيركلي ، وأداة التعلم العميق لشبكات الرسم البياني لاستكشاف المواد (GNoME) التي طورتها Google DeepMind.
واليوم أيضا، يظهر GNoME من Google DeepMind في مجلة Nature، حيث يساهم بما يقرب من 400,000 مركب جديد في مشروع المواد، وهي أكبر إضافة لبيانات الاستقرار الهيكلي الجديدة من قبل فريق واحد منذ بداية المشروع، مما يزيد بشكل كبير من موارد الوصول المفتوح التي يمكن للعلماء استخدامها لاختراع مواد جديدة للتقنيات المستقبلية.
وقالت كريستين بيرسون، مؤسسة ومديرة مشروع المواد في مختبر بيركلي والأستاذة في جامعة كاليفورنيا، بيركلي: "لحل التحديات البيئية والمناخية العالمية، يجب علينا إنشاء مواد جديدة. من خلال ابتكار المواد ، يمكننا تطوير مواد بلاستيكية قابلة لإعادة التدوير ، وتسخير الطاقة المهدرة ، وصنع بطاريات أفضل ، وبناء ألواح شمسية أرخص وأطول أمدا ، من بين أشياء أخرى **. "
**مع الذكاء الاصطناعي ، يكون تصنيع واختبار مواد جديدة أسرع **
غالبا ما يتطلب تطوير تقنيات جديدة مواد جديدة. ومع ذلك ، فإن تصنيع مادة ليست مهمة سهلة.
قام العلماء بحساب مئات الآلاف من المواد الجديدة ، لكن اختبار ما إذا كان يمكن صنعها في الواقع عملية بطيئة. يستغرق الأمر وقتا طويلا حتى تنتقل المادة من الحساب إلى التسويق. يجب أن يكون لديه السمات الصحيحة ، وأن يكون قادرا على العمل في الجهاز ، وأن يكون قابلا للتطوير ، ولديه كفاءة التكلفة والأداء المناسبين.
![]()
اليوم ، بفضل أجهزة الكمبيوتر العملاقة والمحاكاة ، لم يعد على الباحثين محاولة عمياء لإنشاء مواد من الصفر.
في هذا العمل ، قام فريق Google DeepMind بتدريب GNoME باستخدام مهام سير العمل والبيانات التي طورها مشروع المواد على مدار عقد من الزمان وتحسين خوارزمية GNoME من خلال التعلم النشط.
ونتيجة لذلك، أنتجت GNoME 2.2 مليون بنية بلورية، تم تضمين 380،000 منها في مشروع المواد ومن المتوقع أن تكون مستقرة. تتضمن هذه البيانات ترتيب ذرات المادة (البنية البلورية) والاستقرار (طاقة التكوين).
![]()
المركب Ba₆Nb₇O₂₁ هو أحد المواد الجديدة التي حسبتها GNoME ويحتوي على الباريوم (الأزرق) والنيوبيوم (الأبيض) والأكسجين (الأخضر).
وفقا للورقة ، حسنت GNoME دقة التنبؤ بالاستقرار الهيكلي إلى أكثر من 80٪ ، ودقة التنبؤ بالمكونات إلى 33٪ لكل 100 تجربة (مقارنة ب 1٪ في العمل السابق).
وقال إيكين دوغوس كوبوك ، رئيس فريق اكتشاف المواد في Google DeepMind: "نأمل أن يؤدي مشروع GNoME إلى تطوير أبحاث البلورات غير العضوية. تم التحقق من صحة أكثر من 736 مادة جديدة اكتشفتها GNoME من قبل باحثين خارجيين من خلال تجارب فيزيائية مستقلة ، مما يثبت أن اكتشاف نموذجنا يمكن تحقيقه في المختبر. "
ومع ذلك ، يشير فريق البحث أيضا في الورقة إلى أنه لا تزال هناك بعض الأسئلة المفتوحة حول GNoME في التطبيقات العملية ، بما في ذلك الاستقرار الديناميكي الناجم عن انتقالات الطور ، والملامح الاهتزازية ، وإنتروبيا التكوين الناتجة عن تعدد الأشكال المتنافس ، بالإضافة إلى فهم أعمق لقدرة التوليف النهائية.
لإنشاء المركبات الجديدة التي تنبأ بها مشروع المواد ، ابتكر الذكاء الاصطناعي A-Lab تركيبات جديدة من خلال دراسة الأوراق العلمية وتعديلها باستخدام التعلم النشط.
وقال جيرد سيدر، العالم في مختبر بيركلي وجامعة كاليفورنيا في بيركلي، الباحث الرئيسي في A-Lab: "لقد حققنا معدل نجاح مذهل بنسبة 71 في المائة، ووجدنا بعض الطرق للتحسين. لقد أثبتنا أن الجمع بين النظرية والبيانات مع الأتمتة يؤدي إلى نتائج مذهلة. يمكننا تصنيع واختبار المواد بشكل أسرع من أي وقت مضى. "
وفقا للتقارير ، مع بعض التغييرات الصغيرة في خوارزمية صنع القرار ، يمكن زيادة معدل النجاح هذا إلى 74٪ ، وإذا تم تحسين تقنية الحوسبة ، يمكن زيادة معدل النجاح إلى 78٪.
قال بيرسون: “لا نريد فقط جعل البيانات التي ننتجها مجانية وقابلة للاستخدام لتسريع تصميم المواد في جميع أنحاء العالم ، ولكننا نريد أيضا تعليم العالم ما يمكن أن تفعله أجهزة الكمبيوتر للناس”. يمكنهم مسح مجموعة واسعة من المركبات والخصائص الجديدة بشكل أكثر كفاءة وسرعة من التجارب وحدها. "
وبمساعدة أمثال A-Lab و GNoME، يمكن للعلماء التركيز على المواد الواعدة للتقنيات المستقبلية، مثل السبائك الأخف التي تعمل على تحسين الاقتصاد في استهلاك الوقود في السيارات، والخلايا الشمسية الأكثر كفاءة التي تعمل على تحسين كفاءة الطاقة المتجددة، أو الترانزستورات الأسرع في أجهزة الكمبيوتر من الجيل التالي.
إمكانية تطبيق مثبتة
حاليا ، يقوم مشروع المواد بمعالجة المزيد من مركبات Google DeepMind وإضافتها إلى قاعدة بيانات عبر الإنترنت. سيتم توفير البيانات الجديدة للباحثين مجانا وسيتم إدخالها أيضا في مشاريع مثل A-Lab ، التي تتعاون مع مشروع المواد.
![]()
الشكل: هياكل 12 مركبا في قاعدة بيانات مشروع المواد.
على مدى العقد الماضي ، أكد الباحثون تجريبيا فائدة المواد الجديدة في عدد من المجالات ، بناء على أدلة من بيانات مشروع المواد. أظهر بعضها إمكانات التطبيق ، مثل:
- في التقاط الكربون (استخراج ثاني أكسيد الكربون من الغلاف الجوي)
- كمحفز ضوئي (مادة تسرع التفاعلات الكيميائية تحت تأثير الضوء ، والتي يمكن استخدامها لتحطيم الملوثات أو إنتاج الهيدروجين)
- كمادة كهروحرارية (مادة تساعد على تسخير الحرارة المهدرة وتحويلها إلى طاقة كهربائية)
- كموصل شفاف (يمكن استخدامه للخلايا الشمسية أو الشاشات التي تعمل باللمس أو مصابيح LED)
بالطبع ، يعد العثور على هذه المواد المحتملة مجرد خطوة واحدة من العديد من الخطوات لحل بعض التحديات التكنولوجية الرئيسية التي تواجه البشرية.
** بالإضافة إلى البحثين المذكورين أعلاه ، حققت الذكاء الاصطناعي العديد من الاختراقات في اكتشاف وتوليف مواد جديدة في السنوات الأخيرة. **
في عام 2020 ، طور فريق بحث متعدد الوكالات ، بما في ذلك المعهد الوطني للمعايير والتكنولوجيا (NIST) ، خوارزمية الذكاء الاصطناعي تسمى CAMEO اكتشفت بشكل مستقل مادة جديدة يحتمل أن تكون مفيدة دون تدريب إضافي من العلماء.
![]()
الشكل | عملية CAMEO للعثور على مواد جديدة في عملية حلقة مغلقة (المصدر: NIST)
في نفس العام ، طور باحثون من جامعة ولاية كارولينا الشمالية وجامعة بوفالو تقنية تسمى “الكيميائي الاصطناعي” ، والتي تجمع بين الأنظمة الذكاء الاصطناعي والآلية التي تؤدي تفاعلات كيميائية لتسريع البحث والتطوير وإنتاج مواد كيميائية جديدة مطلوبة للأعمال.
في عام 2022 ، طور مهندسو النانو في كلية الهندسة بجامعة كاليفورنيا في سان دييغو خوارزمية الذكاء الاصطناعي ، M3GNet ، يمكنها التنبؤ بالخصائص الهيكلية والديناميكية لأي مادة ، سواء كانت موجودة أو جديدة ، على الفور تقريبا. يمكن للباحثين استخدامه للعثور على أقطاب كهربائية وإلكتروليتات أكثر أمانا وكثافة طاقة لبطاريات الليثيوم أيون القابلة لإعادة الشحن.
![]()
الشكل | رسم تخطيطي للطاقة الكامنة في الرسم البياني متعدد الأجسام ووحدات الحساب الرئيسية (المصدر: جامعة كاليفورنيا ، سان دييغو)
في مارس ، تصورت دراسة نشرت في Nature Synthesis مستقبلا لعلوم المواد المتسارعة مدفوعة بالتطوير المشترك للتوليف التوافقي وتقنيات الذكاء الاصطناعي. لتقييم قابلية تطبيق تقنيات التوليف على تدفقات عمل تجريبية محددة ، أنشأ الباحثون مجموعة من عشرة مقاييس تغطي سرعة التوليف ، وقابلية التوسع ، والمدى ، وجودة التوليف ، ولخصوا بعض تقنيات التوليف التوافقي الانتقائي في سياق هذه المقاييس.
** كأساس ورائد للتكنولوجيا العالية ، فإن المواد الجديدة لها مجموعة واسعة من التطبيقات ، وقد أصبحت المجال الأكثر أهمية وواعدة في القرن 21st جنبا إلى جنب مع تكنولوجيا المعلومات والتكنولوجيا الحيوية. **
في المستقبل ، مع الاختراقات في تقنيات مثل الذكاء الاصطناعي ، من المتوقع أن يركز العلماء على المواد الواعدة أكثر في التقنيات المستقبلية ، مثل السبائك الأخف التي تعمل على تحسين الاقتصاد في استهلاك الوقود في السيارات ، والخلايا الشمسية الأكثر كفاءة التي تعزز الطاقة المتجددة ، والترانزستورات الأسرع التي ستلعب دورا في الجيل القادم من أجهزة الكمبيوتر.
الروابط المرجعية:
