شاهین آقامعلی
تعیین دقیق موقعیت اتمها، بهویژه اتمهای سبک مانند هیدروژن، یکی از بزرگترین چالشها در علم مواد بوده است. به تازگی، محققان در مرکز محاسبات علمی PSI در سوئیس، با بهرهگیری از یک مدل هوش مصنوعی مولد، روشی نوین برای اصلاح و تکمیل ساختارهای اتمی در مواد معدنی ابداع کردهاند. این دستاورد نه تنها دقت شبیهسازیهای علمی را افزایش میدهد، بلکه فرآیند طراحی مواد جدید، از جمله ابررساناها را نیز متحول خواهد کرد.
چرا موقعیت اتمها حیاتی است؟
در علم کریستالوگرافی، روشهای رایجی مانند پراش پرتو ایکس (X-ray diffraction) به دلیل تداخل ضعیف اتمهای سبک با پرتوها، اغلب در شناسایی دقیق مکان هیدروژن ناتوان هستند. روشهای دقیقتر مانند پراش نوترون نیز بسیار پرهزینه بوده و نیازمند تجهیزات پیشرفته و مقادیر زیادی از ماده هستند. این «نقاط کور» در ساختار اتمی، مانع بزرگی برای شبیهسازی دقیق خواص مواد محسوب میشود. تیمو رینتس (Timo Reents)، محقق این پروژه، توضیح میدهد که موقعیت اتمها مستقیماً بر ویژگیهای کلیدی مواد از جمله هدایت حرارتی، رسانایی الکتریکی و خاصیت ابررسانایی تأثیر میگذارد. به گفته او، اگر ندانیم اتمها دقیقاً کجا قرار دارند، شبیهسازی رفتار واقعی ماده غیرممکن خواهد بود.
هوش مصنوعی چگونه ساختارها را اصلاح میکند؟
تیم سوئیسی برای حل این مشکل، از مدل مولد MatterGen (محصول مایکروسافت) الهام گرفته است. عملکرد این هوش مصنوعی شباهت زیادی به ابزارهای ویرایش عکس دارد که اشیاء ناخواسته را حذف و فضای خالی را با محتوای احتمالی پر میکنند. در اینجا، مدل هوش مصنوعی با داشتن اطلاعات از موقعیت «اتمهای سنگین» و شکل سلول واحد، موقعیت «اتمهای گمشده» (مانند هیدروژن) را با دقت بالایی پیشبینی میکند.
این مدل با اضافه کردن «نویز» به دادهها و بازسازی ساختار تا رسیدن به کمترین سطح انرژی ممکن، آموزش دیده است. محققان این ابزار را با استفاده از بیش از ۸۰۰ ساختار تولید شده توسط محاسبات نظری تابعی (DFT) آموزش دادند. نتایج خیرهکننده بود؛ در ۸۵ درصد موارد، مدل توانست ساختار کریستالی اصلی را به درستی پیشبینی کند و در ۱۲ درصد باقیمانده، حتی ساختارهای پایدارتری نسبت به مدلهای اولیه ارائه داد.
کاربردهای فراتر از هیدروژن
یکی از نقاط قوت این مدل، «هیدروژن-آگنوستیک» بودن آن است؛ به این معنی که این الگوریتم میتواند برای موقعیتیابی اتمهای دیگر مانند لیتیوم یا سدیم نیز به کار رود. پیر-پل دی بروکه، دانشمند علوم مواد، معتقد است این فناوری میتواند به عنوان یک ابزار قدرتمند برای اصلاح خطاهای موجود در پایگاهدادههای ساختار کریستالی عمل کند و جایگزینی برای حدسهای علمی سنتی باشد.
چشمانداز آینده و محدودیتها
هرچند این مدل یک گام انقلابی است، اما محققان به محدودیتهایی نیز اشاره دارند. از آنجایی که آموزش این مدل بر اساس دادههای دمای صفر کلوین (0K) انجام شده، ممکن است تفاوتهای جزئی در محیطهای آزمایشگاهی با دمای بالا وجود داشته باشد. با این حال، آرتم اوگانوف، از متخصصان برجسته این حوزه، معتقد است پرداختن به مشکلی که سالها جامعه علمی را آزار داده، بسیار ارزشمند است. در دسترس قرار گرفتن عمومی این مدل، گام مهمی در دموکراتیزه کردن پژوهشهای پیشرفته در علم مواد است و انتظار میرود به زودی شاهد کاربرد گسترده آن در صنایع نانو، ذخیرهسازی انرژی و تولید مواد ابررسانا باشیم. هوش مصنوعی بار دیگر ثابت کرد که میتواند به عنوان بازویی قدرتمند، درهای بستهی دنیای اتمها را به روی دانشمندان بگشاید.
منبع خبر: chemistryworld
پاسخ :