مساعد الذكاء الاصطناعي لاكتشاف المواد
عندما يحتاج توني ستارك إلى السفر إلى الفضاء في فيلم الرجل الحديدي الأصلي، فإنه يطلب من مساعد الذكاء الاصطناعي (AI) JARVIS صنع بدلة يمكنها تحمل الظروف القاسية.
كما يشرح اختصاصي الذكاء الاصطناعي كمال شودري: “الطريقة التي أراها، ما فعلته JARVIS هو أنها تمتلك قاعدة بيانات للمواد، ومسح قاعدة البيانات، ووجد مادة مناسبة، واختبرتها، ثم صنعت سبيكة يمكنها تحمل ظروف الفضاء.
“هذا ما نريد أن يفعله نظامنا، ولهذا أطلقنا عليه اسم JARVIS.”
شودري، الباحث في المعهد الوطني للمعايير والتكنولوجيا (NIST)، هو مؤسس ومطور JARVIS (المستودع الآلي المشترك لمختلف المحاكاة المتكاملة) – مجموعة بيانات مفتوحة مصممة لأتمتة اكتشاف المواد وتحسينها.
وصف كل من Choudhary وBrian DeCost (NIST) بالكتابة في nap Computational Materials في ديسمبر 2021، أحدث التحسينات على JARVIS التي تطبق الذكاء الاصطناعي على سرعة الاكتشاف.
من خلال الجمع بين الشبكات العصبية للرسم البياني والمعرفة الكيميائية والهيكلية حول المواد، تتفوق الشبكة العصبية للرسم البياني الذري (ALIGNN) على النماذج التي تم الإبلاغ عنها مسبقًا في مهام التنبؤ الذري بدقة عالية جدًا وسرعة تدريب نموذجية أفضل أو قابلة للمقارنة.
قال شودري: “يمكن أن تتنبأ ALIGNN بالخصائص في ثوانٍ بدلاً من شهور”.
إلى جانب الإلهام من الرجل الحديدي، كانت هناك مبادرة جينوم المواد.
نشأت هذه المبادرة في عام 2011 في عهد الرئيس أوباما، وهي عبارة عن جهد متعدد الوكالات الفيدرالية لاكتشاف المواد المتقدمة وتصنيعها ونشرها بسرعة مضاعفة وبجزء بسيط من تكلفة الأساليب التقليدية.
كانت مساهمة NIST الأصلية في المبادرة هي إنشاء قاعدة بيانات للمواد وخصائصها، تم الحصول عليها بدقة، باستخدام أساليب حوسبة موحدة ومتطورة.
تم إنشاء العديد من قواعد البيانات هذه، ولكن “ما يميز قاعدة بيانات JARVIS هو أنها تحتوي على وحدات لأنواع مختلفة من الأساليب الحسابية”، وفقًا لما ذكره ديفيد فاندربيلت، أستاذ الفيزياء في جامعة روتجرز، وعضو الأكاديمية الوطنية للعلوم، ومساهم في المشروع.
“هناك العديد من المستويات النظرية المختلفة التي يمكنك من خلالها الاقتراب من المجال. JARVIS غير معتاد من حيث أنه يمتد على مستويات أكثر من قواعد البيانات الأخرى.”
تم استخلاص البيانات الأصلية لـ JARVIS من حسابات نظرية دالة الكثافة (أو DFT).
أوضح فاندربيلت أن “DFT هي الطريقة القياسية التي يحسب بها معظم الناس خصائص مادة ما على المستوى الذري”.
“إنها حسابات رئيسية أولى، حيث لا توجد مدخلات تجريبية والنتائج مشتقة من النظرية من الألف إلى الياء وفقًا لقوانين ميكانيكا الكم.”
قال شودري إن هذا النموذج كان فعالًا بشكل لا يصدق، “ولكن إذا نظرت إلى الجدول الدوري، ستجد المليارات من مجموعات العناصر الممكنة – أكثر مما يمكننا إنشاء بيانات له”. “هذا هو المكان الذي يأتي فيه التعلم الآلي.”
إذا كانت الحسابات الميكانيكية الكمومية يمكن أن تعمل كأداة فحص للتجارب الفيزيائية، حسب تشودري، فإن التعلم الآلي يمكن أن يكون بمثابة أداة فحص للحسابات باهظة الثمن.
تنبأت الشبكة العصبية للرسم البياني الخطي الذري (ALIGNN) بأمثلة على الأطر العضوية المعدنية عالية الامتصاص من ثاني أكسيد الكربون. كريديت: كمال شودري، تانر يلد يريم، دانيال سيديريوس، أ.
جلعاد كوسني، أوستن ماكدانالد، ديانا إل أورتيز-مونتالفو
لكن أولاً، يحتاج مثل هذا النظام إلى التدريب. تتطلب الشبكات العصبية مثل ALIGNN كميات هائلة من بيانات التدريب لتكون فعالة.
يقف وراء نموذج شودري المتطور للذكاء الاصطناعي محاكاة DFT لـ 70000 مادة والعد. تم استخدام قاعدة البيانات المتنامية هذه لتدريب الشبكة العصبية، والتي بدورها يمكن أن تميز بسرعة المواد الجديدة أو فحص المواد ذات الخصائص المحددة.
قال شودري: “إنه حلم مبادرة جينوم المواد أن يتحقق”.
قدم شودري ومعاونوه في arrive مثالاً على كيفية تسريع النظام للاكتشاف.
استخدموا ALIGNN للتنبؤ بخصائص امتصاص ثاني أكسيد الكربون للأطر العضوية المعدنية، وهي فئة من المواد المسامية التي يمكن أن تزيل ثاني أكسيد الكربون من الغلاف الجوي، ولتصنيف المرشحين الرائدين من الناحية الحسابية للتوليف التجريبي.
تم إنشاء مجموعة بيانات JARVIS بشكل أساسي على أجهزة الكمبيوتر العملاقة في NIST، والتي تعمل على هذا الجهد منذ ما يقرب من خمس سنوات.
في الآونة الأخيرة، تمكن Choudhary من الوصول إلى أجهزة الكمبيوتر العملاقة Frontera وStampede2 في مركز تكساس للحوسبة المتقدمة (TACC)، والتي ساهمت أيضًا في مجموعة البيانات.
قال شودري: “كان مجال التعلم الآلي موجودًا منذ الثمانينيات، لكن المشكلة الرئيسية كانت مجموعات البيانات المنسقة جيدًا”.
“نحن الآن نقترب من 100000 مادة في قاعدة البيانات الخاصة بنا وكان ذلك ممكنًا فقط بسبب Frontera وNIST. وهذا ما ساعدنا في سد هذه الفجوة.”
مع توفر عدد كبير من عينات التدريب، والمعرفة المستمدة من الكيمياء والفيزياء التي تم ترميزها في الشبكة العصبية، تمكن شودري من تحسين دقة نموذج التعلم الآلي الخاص به بشكل كبير. “كلما زادت معرفة المجال التي يمكنك استخدامها كان ذلك أفضل.
أعتقد أن الفيزياء والذكاء الاصطناعي لا ينبغي أن يكونا منافسين لبعضهما البعض؛ يجب أن يكونا أصدقاء ومتعاونين.”
تم دمج أداة ALIGNN، مثل تلك المستخدمة في حسابات DFT وطرق التعلم الآلي الأخرى، في JARVIS وإتاحتها للباحثين في جميع أنحاء العالم.
يقدر شودري أن 8000 كيميائي وبيولوجي يستخدمون المستودع كل عام. في الآونة الأخيرة، مكن العلماء في مختبر أرغون الوطني من دراسة المواد الطوبولوجية المغناطيسية، وساعد باحثين في جامعة نورث وسترن على دراسة نقل التعلم للمواد.
يتعاون Choudhary أيضًا مع David Vanderbilt لتطوير أساليب “ما بعد DFT”، وتطبيقها على المواد الكمية، ودمج هذه الأساليب ومجموعات البيانات في JARVIS.
وقال فاندربيلت “DFT به بعض التقديرات المهمة”. “نظرًا لأن الإلكترونات تُعامل على أنها مستقلة، فإنك تفتقد بعض السلوكيات الخاصة والمثيرة للاهتمام في المواد الكمومية، والتي تؤدي إلى تأثيرات تتجاوز التوقعات العادية للنظرية العادية.”
وتشمل هذه، على سبيل المثال لا الحصر، الموصلية الفائقة غير التقليدية، وتأثير القاعة الكمومية، والهيكل المغناطيسي الطوبولوجي.
“بالنسبة لهذه الفئات من المواد، لا يعمل DFT العادي بشكل جيد بما فيه الكفاية”، تابع. “تتبنى قاعدة بياناتنا ثلاثة أو أربعة مستويات أعلى من نهج DFT لإعطاء المجتمع إحساسًا بكيفية اختلاف الإجابات بناءً على النهج الأساسي.”
من خلال إنشاء قاعدة بيانات للمواد الممكنة وتطوير أدوات لأتمتة الفحص، يأمل شودري في تسريع خط أنابيب الاكتشاف، مما يجعل قدرات الرجل الحديدي أقرب إلى الواقع.
قال شودري: “تخيل اليوم الذي يستطيع فيه النموذج التنبؤ بمادة جديدة، بدواء جديد – وقل” من بين مليون جزيء، جرب هذا أولاً “. “هذا هو العصر الذهبي لعلوم المواد.”
المصدر: techxplore
قد يهمك:
