دمج محاكاة الذكاء الاصطناعي والفيزياء لتصميم مواد مبتكرة
يستكشف علماء ماكس بلانك إمكانيات الذكاء الاصطناعي في علم المواد وينشرون مراجعتهم في مجلة Nature Computational Science .
تصبح المواد المتقدمة معقدة بشكل متزايد بسبب المتطلبات العالية التي يتعين عليها الوفاء بها فيما يتعلق بالاستدامة وقابلية التطبيق.
استعرض Dierk Raabe وزملاؤه استخدام الذكاء الاصطناعي في علم المواد والمساحات غير المستغلة التي يفتحها إذا تم دمجها مع المحاكاة القائمة على الفيزياء.
بالمقارنة مع طرق المحاكاة التقليدية، يتمتع الذكاء الاصطناعي بالعديد من المزايا وسوف يلعب دورًا مهمًا في علوم المواد في المستقبل.
هناك حاجة ماسة إلى المواد المتقدمة للحياة اليومية، سواء كان ذلك في التكنولوجيا العالية أو التنقل أو البنية التحتية أو الطاقة الخضراء أو الطب.
ومع ذلك، فإن الطرق التقليدية لاكتشاف واستكشاف مواد جديدة تواجه حدودًا بسبب تعقيد التركيبات الكيميائية والهياكل والخصائص المستهدفة.
علاوة على ذلك، يجب ألا تتيح المواد الجديدة تطبيقات جديدة فحسب، بل يجب أن تتضمن أيضًا طرقًا مستدامة لإنتاجها واستخدامها وإعادة تدويرها.
يقوم باحثون من Max-Planck-Institut für Eisenforschung (MPIE) بمراجعة حالة النمذجة القائمة على الفيزياء ويناقشون كيف أن الجمع بين هذه الأساليب والذكاء الاصطناعي يمكن أن يفتح مساحات غير مستغلة حتى الآن لتصميم المواد المعقدة.
نشروا وجهة نظرهم في مجلة Nature Computational Science.
الجمع بين الأساليب القائمة على الفيزياء والذكاء الاصطناعي
لتلبية متطلبات التحديات التكنولوجية والبيئية، يجب النظر في خصائص المواد الأكثر تطلبًا ومتعددة الجوانب، مما يجعل السبائك أكثر تعقيدًا من حيث التركيب والتوليف والمعالجة وإعادة التدوير.
تستلزم التغييرات في هذه المعلمات تغييرات في بنيتها المجهرية، مما يؤثر بشكل مباشر على خصائص المواد. يجب فهم هذا التعقيد لتمكين التنبؤ بهياكل وخصائص المواد. تلعب مناهج تصميم المواد الحسابية دورًا مهمًا هنا.
تعتمد وسائلنا لتصميم مواد جديدة اليوم حصريًا على التجارب والمحاكاة القائمة على الفيزياء.
يمكن أن يواجه هذا النهج حدودًا معينة عندما يتعلق الأمر بالتنبؤ الكمي لتوازن الطور عالي الأبعاد وخاصة البنى المجهرية غير المتوازنة والخواص الناتجة.
علاوة على ذلك، تستخدم العديد من النماذج المتعلقة بالبنية الدقيقة والممتلكات تقديرات تقريبية مبسطة وتعتمد على عدد كبير من المتغيرات.
ومع ذلك، يبقى السؤال ما إذا كانت درجات الحرية هذه لا تزال قادرة على تغطية تعقيد المادة وكيف “، يشرح البروفيسور ديرك رابي، مدير MPIE والمؤلف الأول للنشر.
تقارن الورقة عمليات المحاكاة القائمة على الفيزياء، مثل الديناميات الجزيئية والمحاكاة منذ البداية مع النمذجة القائمة على الواصف وأساليب الذكاء الاصطناعي المتقدمة.
في حين أن المحاكاة القائمة على الفيزياء غالبًا ما تكون مكلفة للغاية للتنبؤ بالمواد ذات التركيبات المعقدة، فإن استخدام الذكاء الاصطناعي (AI) له العديد من المزايا.
يقول البروفيسور يورغ نيوجباور ، مدير MPIE والمؤلف المشارك للنشر: “الذكاء الاصطناعي قادر على استخراج الخصائص الديناميكية الحرارية والبنية المجهرية تلقائيًا من مجموعات البيانات الكبيرة التي تم الحصول عليها من عمليات المحاكاة الإلكترونية والذرية والمتصلة بقوة تنبؤية عالية”.
تعزيز التعلم الآلي بمجموعات البيانات الكبيرة
نظرًا لأن القدرة التنبؤية للذكاء الاصطناعي تعتمد على توافر مجموعات كبيرة من البيانات، فإن هناك حاجة إلى طرق للتغلب على هذه العقبة.
أحد الاحتمالات هو استخدام دورات التعلم النشط، حيث يتم تدريب نماذج التعلم الآلي بمجموعات فرعية صغيرة في البداية من البيانات المصنفة.
يتم بعد ذلك فحص تنبؤات النموذج بواسطة وحدة وضع العلامات التي تغذي البيانات عالية الجودة مرة أخرى في مجموعة السجلات المصنفة ويتم تشغيل نموذج التعلم الآلي مرة أخرى.
يؤدي هذا النهج التدريجي إلى مجموعة بيانات نهائية عالية الجودة يمكن استخدامها للتنبؤات الدقيقة.
لا يزال هناك العديد من الأسئلة المفتوحة حول استخدام الذكاء الاصطناعي في علم المواد: كيف تتعامل مع البيانات المتفرقة والصاخبة؟ كيف تنظر إلى القيم المتطرفة المثيرة للاهتمام أو “غير الأسوياء”؟ كيف يتم تنفيذ التطفل العنصري غير المرغوب فيه من التوليف أو إعادة التدوير؟ ومع ذلك، عندما يتعلق الأمر بتصميم السبائك المعقدة من الناحية التركيبية، فإن الذكاء الاصطناعي سيلعب دورًا أكثر أهمية في المستقبل القريب، لا سيما مع تطوير الخوارزميات، وتوافر مجموعات بيانات المواد عالية الجودة وموارد الحوسبة عالية الأداء.
المصدر: scitechdaily
شاهد ايضا:
