توسط : انقلابی در کشف مواد جدید با هوش مصنوعی
مدلهای یادگیری ماشین میتوانند با پیشبینی و پیشنهاد آزمایشها، فرآیند کشف مواد جدید را سرعت بخشند. اما اکثر مدلهای امروزی تنها به چند نوع خاص از دادهها یا متغیرها توجه میکنند. در مقابل، دانشمندان انسانی در یک محیط مشارکتی کار میکنند و نتایج تجربی، ادبیات علمی گستردهتر، تصویربرداری و تحلیل ساختاری، تجربه شخصی یا شهود و ورودی از همکاران و داوران را در نظر میگیرند.
اکنون، محققان MIT روشی را برای بهینهسازی دستورالعملهای مواد و برنامهریزی آزمایشها توسعه دادهاند که اطلاعات از منابع متنوع مانند بینش از ادبیات، ترکیبات شیمیایی، تصاویر ریزساختاری و موارد دیگر را در بر میگیرد. این رویکرد بخشی از یک پلتفرم جدید به نام Copilot for Real-world Experimental Scientists (CRESt) است که از تجهیزات رباتیک برای تست مواد با توان بالا نیز استفاده میکند، که نتایج آن به مدلهای بزرگ چندوجهی بازخورد داده میشود تا دستورالعملهای مواد را بیشتر بهینه کند.
محققان انسانی میتوانند با این سیستم به زبان طبیعی و بدون نیاز به کدنویسی صحبت کنند و سیستم نیز مشاهدات و فرضیات خود را در این راه مطرح میکند. دوربینها و مدلهای زبان بصری نیز به سیستم اجازه میدهند تا آزمایشها را نظارت کند، مسائل را شناسایی کند و اصلاحات را پیشنهاد دهد.
CRESt: دستیار هوش مصنوعی برای دانشمندان
جو لی، استاد مهندسی قدرت کارل ریچارد سودربرگ دانشکده مهندسی میگوید: «در زمینه هوش مصنوعی برای علم، نکته کلیدی طراحی آزمایشهای جدید است. ما از بازخورد چندوجهی – به عنوان مثال اطلاعات از ادبیات قبلی در مورد نحوه رفتار پالادیوم در پیلهای سوختی در این دما، و بازخورد انسانی – برای تکمیل دادههای تجربی و طراحی آزمایشهای جدید استفاده میکنیم. ما همچنین از رباتها برای سنتز و شناسایی ساختار مواد و آزمایش عملکرد استفاده میکنیم.»
مقاله مربوط به این سیستم در مجله Nature منتشر شده است. محققان از CRESt برای بررسی بیش از 900 شیمی و انجام 3500 آزمایش الکتروشیمیایی استفاده کردند که منجر به کشف یک ماده کاتالیزوری شد که چگالی توان بیسابقهای را در یک پیل سوختی که با نمک فرمت برای تولید برق کار میکند، ارائه داد.
یک سیستم هوشمندتر با هوش مصنوعی
آزمایشهای علم مواد میتواند زمانبر و پرهزینه باشد. آنها نیاز دارند که محققان گردشهای کاری را با دقت طراحی کنند، مواد جدید بسازند و یک سری آزمایشها و تجزیه و تحلیلها را برای درک آنچه اتفاق افتاده است انجام دهند. سپس از این نتایج برای تصمیمگیری در مورد چگونگی بهبود مواد استفاده میشود.
برای بهبود این فرآیند، برخی از محققان به یک استراتژی یادگیری ماشین معروف به یادگیری فعال روی آوردهاند تا از نقاط داده تجربی قبلی به طور موثر استفاده کنند و آن دادهها را کشف یا بهرهبرداری کنند. هنگامی که با یک تکنیک آماری معروف به بهینهسازی بیزی (BO) جفت شود، یادگیری فعال به محققان کمک کرده است تا مواد جدیدی را برای مواردی مانند باتریها و نیمههادیهای پیشرفته شناسایی کنند.
لی توضیح میدهد: «بهینهسازی بیزی مانند نتفلیکس است که فیلم بعدی را بر اساس سابقه تماشای شما پیشنهاد میکند، با این تفاوت که در عوض آزمایش بعدی را برای انجام پیشنهاد میکند. اما بهینهسازی بیزی اولیه بسیار ساده است. از یک فضای طراحی جعبهای استفاده میکند، بنابراین اگر من بگویم قصد دارم از پلاتین، پالادیوم و آهن استفاده کنم، فقط نسبت آن عناصر را در این فضای کوچک تغییر میدهد. اما مواد واقعی وابستگیهای بسیار بیشتری دارند و BO اغلب گم میشود.»
اکثر رویکردهای یادگیری فعال نیز به جریانهای دادهای تکیه میکنند که همه چیزهایی را که در یک آزمایش اتفاق میافتد، ثبت نمیکنند. برای تجهیز سیستمهای محاسباتی با دانش انسانیتر، در حالی که همچنان از سرعت و کنترل سیستمهای خودکار بهره میبرند، لی و همکارانش CRESt را ساختند.
CRESt چگونه کار میکند؟
تجهیزات رباتیک CRESt شامل یک ربات جابجایی مایع، یک سیستم شوک کربوترمال برای سنتز سریع مواد، یک ایستگاه کاری الکتروشیمیایی خودکار برای آزمایش، تجهیزات شناسایی از جمله میکروسکوپ الکترونی خودکار و میکروسکوپ نوری و دستگاههای کمکی مانند پمپها و شیرهای گاز است که میتوان آنها را از راه دور نیز کنترل کرد. بسیاری از پارامترهای پردازش نیز قابل تنظیم هستند.
با رابط کاربری، محققان میتوانند با CRESt چت کنند و از آن بخواهند که از یادگیری فعال برای یافتن دستورالعملهای مواد امیدوارکننده برای پروژههای مختلف استفاده کند. CRESt میتواند تا 20 مولکول پیشساز و زیرلایه را در دستورالعمل خود بگنجاند. برای هدایت طراحی مواد، مدلهای CRESt مقالات علمی را برای یافتن توضیحات عناصر یا مولکولهای پیشساز که ممکن است مفید باشند، جستجو میکنند. هنگامی که محققان انسانی به CRESt میگویند که دستورالعملهای جدید را دنبال کند، یک سمفونی رباتیک از آمادهسازی نمونه، شناسایی و آزمایش را آغاز میکند. محقق همچنین میتواند از CRESt بخواهد که تجزیه و تحلیل تصویر را از تصویربرداری میکروسکوپ الکترونی روبشی، پراش اشعه ایکس و سایر منابع انجام دهد.
اطلاعات حاصل از این فرآیندها برای آموزش مدلهای یادگیری فعال استفاده میشود، که هم از دانش ادبیات و هم از نتایج تجربی فعلی برای پیشنهاد آزمایشهای بیشتر و تسریع در کشف مواد استفاده میکنند.
لی میگوید: «برای هر دستورالعمل، ما از متن یا پایگاه دادههای ادبیات قبلی استفاده میکنیم و اینها بازنماییهای عظیمی از هر دستورالعمل را بر اساس پایگاه دانش قبلی حتی قبل از انجام آزمایش ایجاد میکنند. ما تجزیه و تحلیل مولفههای اصلی را در این فضای تعبیه دانش انجام میدهیم تا یک فضای جستجوی کاهش یافته به دست آوریم که بیشتر تغییرپذیری عملکرد را ثبت میکند. سپس ما از بهینهسازی بیزی در این فضای کاهش یافته برای طراحی آزمایش جدید استفاده میکنیم. پس از آزمایش جدید، ما دادههای تجربی چندوجهی تازه به دست آمده و بازخورد انسانی را به یک مدل زبانی بزرگ وارد میکنیم تا پایگاه دانش را افزایش دهیم و فضای جستجوی کاهش یافته را دوباره تعریف کنیم، که به ما یک تقویت بزرگ در کارایی یادگیری فعال میدهد.»
آزمایشهای علم مواد همچنین میتواند با چالشهای تکرارپذیری مواجه شود. برای حل این مشکل، CRESt آزمایشهای خود را با دوربینها نظارت میکند، به دنبال مشکلات احتمالی میگردد و راهحلهایی را از طریق متن و صدا به محققان انسانی پیشنهاد میدهد.
محققان از CRESt برای توسعه یک ماده الکترود برای یک نوع پیشرفته از پیل سوختی با چگالی بالا معروف به پیل سوختی فرمت مستقیم استفاده کردند. پس از بررسی بیش از 900 شیمی در طی سه ماه، CRESt یک ماده کاتالیزوری ساخته شده از هشت عنصر را کشف کرد که بهبود 9.3 برابری در چگالی توان در هر دلار نسبت به پالادیوم خالص، یک فلز گرانبها، به دست آورد. در آزمایشهای بیشتر، ماده CREST برای ارائه چگالی توان بیسابقهای به یک پیل سوختی فرمت مستقیم استفاده شد، حتی اگر این سلول فقط یک چهارم فلزات گرانبهای دستگاههای قبلی را در خود جای داده بود.
نتایج نشان میدهد که CRESt پتانسیل یافتن راهحلهایی برای مشکلات انرژی دنیای واقعی را دارد که دهههاست جامعه علم و مهندسی مواد را آزار میدهد.
مزایای استفاده از هوش مصنوعی در کشف مواد
- کاهش هزینهها
- افزایش سرعت کشف
- کشف مواد با خواص بهتر
ژانگ میگوید: «یک چالش مهم برای کاتالیزورهای پیل سوختی، استفاده از فلزات گرانبها است. برای پیلهای سوختی، محققان از فلزات گرانبهای مختلفی مانند پالادیوم و پلاتین استفاده کردهاند. ما از یک کاتالیزور چند عنصری استفاده کردیم که بسیاری از عناصر ارزان دیگر را نیز در خود جای داده است تا محیط هماهنگی بهینه را برای فعالیت کاتالیزوری و مقاومت در برابر گونههای مسموم کننده مانند مونوکسید کربن و اتم هیدروژن جذب شده ایجاد کند. مردم سالهاست که به دنبال گزینههای کمهزینه هستند. این سیستم تا حد زیادی جستجوی ما را برای این کاتالیزورها تسریع کرد.»
یک دستیار مفید مبتنی بر هوش مصنوعی
در اوایل کار، تکرارپذیری ضعیف به عنوان یک مشکل اصلی ظاهر شد که توانایی محققان را برای انجام تکنیک یادگیری فعال جدید خود بر روی مجموعههای داده تجربی محدود میکرد. خواص مواد میتواند تحت تأثیر نحوه مخلوط و پردازش پیشسازها قرار گیرد و هر تعدادی از مشکلات میتواند به طور ظریف شرایط آزمایشی را تغییر دهد و نیاز به بازرسی دقیق برای اصلاح دارد.
برای خودکارسازی جزئی این فرآیند، محققان دید رایانهای و مدلهای زبانی بینایی را با دانش دامنه از ادبیات علمی جفت کردند، که به سیستم اجازه داد تا منابع عدم تکرارپذیری را فرضیه کند و راهحلهایی را پیشنهاد دهد. به عنوان مثال، مدلها میتوانند متوجه شوند که یک میلیمتر انحراف در شکل یک نمونه وجود دارد یا زمانی که یک پیپت چیزی را از جای خود خارج میکند. محققان برخی از پیشنهادات مدل را گنجاندند که منجر به بهبود قوام شد و نشان داد که مدلها از قبل دستیاران آزمایشی خوبی هستند.
محققان خاطرنشان کردند که انسانها هنوز بیشتر اشکالزدایی را در آزمایشهای خود انجام میدهند.
لی میگوید: «CREST یک دستیار است، نه جایگزینی برای محققان انسانی. محققان انسانی هنوز ضروری هستند. در واقع، ما از زبان طبیعی استفاده میکنیم تا سیستم بتواند توضیح دهد که چه کاری انجام میدهد و مشاهدات و فرضیات را ارائه دهد. اما این گامی به سوی آزمایشگاههای انعطافپذیرتر و خودرانتر است.»
