ابزار جدید باعث می‌شود مدل‌های مولد هوش مصنوعی احتمال بیشتری برای ایجاد مواد پیشرفت داشته باشند | اخبار MIT

مدل‌های هوش مصنوعی که متن را به تصویر تبدیل می‌کنند برای تولید مواد جدید نیز مفید هستند. در چند سال گذشته، مدل‌های مواد تولیدی شرکت‌هایی مانند گوگل، مایکروسافت و متا از داده‌های آموزشی خود برای کمک به محققان در طراحی ده‌ها میلیون ماده جدید استفاده کرده‌اند.

اما وقتی نوبت به طراحی موادی با خواص کوانتومی عجیب و غریب مانند ابررسانایی یا حالت‌های مغناطیسی منحصر به فرد می‌رسد، این مدل‌ها با مشکل مواجه می‌شوند. این خیلی بد است زیرا مردم می توانند از کمک استفاده کنند. برای مثال، پس از یک دهه تحقیق بر روی دسته ای از مواد که می توانند محاسبات کوانتومی به نام مایعات اسپین کوانتومی را متحول کنند، تنها ده ها ماده کاندید شناسایی شده اند. فضای تنگ به این معنی است که مواد کمتری وجود دارد که به عنوان پایه‌ای برای پیشرفت‌های تکنولوژیکی باشد.

اکنون، محققان MIT تکنیکی را توسعه داده‌اند که به مدل‌های رایج مواد مولد اجازه می‌دهد تا با پیروی از قوانین طراحی خاص، مواد کوانتومی امیدوارکننده‌ای ایجاد کنند. قوانین یا محدودیت‌ها بر الگوهای ایجاد مواد با ساختارهای منحصربه‌فرد حاکم هستند که خواص کوانتومی را به وجود می‌آورند.

مینگدا لی، پروفسور توسعه شغلی MIT در سال 1947، می‌گوید: «مدل‌های این شرکت‌های بزرگ مواد بهینه‌سازی شده برای پایداری تولید می‌کنند. “دیدگاه ما این است که علم مواد معمولاً چنین پیشرفت نمی کند. ما برای تغییر جهان به 10 میلیون ماده جدید نیاز نداریم. ما فقط به یک ماده واقعاً خوب نیاز داریم.”

این رویکرد امروز در مقاله منتشر شده توسط مواد طبیعی. محققان تکنیک خود را برای تولید میلیون ها ماده کاندید متشکل از ساختارهای شبکه هندسی مرتبط با خواص کوانتومی به کار گرفتند. از این استخر، آنها دو ماده واقعی با خواص مغناطیسی عجیب و غریب را سنتز کردند.

لی می گوید: “افراد در جامعه کوانتومی واقعاً به این محدودیت های هندسی علاقه مند هستند، مانند شبکه های Kagome، که دو مثلث وارونه روی هم هستند. ما موادی را با شبکه های Kagome ایجاد کردیم زیرا این مواد می توانند رفتار عناصر کمیاب خاکی را تقلید کنند، بنابراین از اهمیت فنی بالایی برخوردار هستند.”

لی نویسنده ارشد مقاله است. همکاران او در MIT شامل دانشجویان دکترا، ریوتارو اوکابه، مویانگ چنگ، ابیجاتمدی چوتاتاناپیتوک و دنیس کوردووا کاریزالس هستند. پست دکتری مناسی ماندال; محققین کارشناسی، کایران مک و بوون یو. محقق میهمان نگوین تون هونگ; Xiang Fu ’22, MD ’24; و پروفسور مهندسی برق و علوم کامپیوتر تامی آکولا، که وابسته به آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و موسسه داده‌ها، سیستم‌ها و جامعه است. نویسندگان دیگر عبارتند از یائو وانگ از دانشگاه اموری، وی وی زی از دانشگاه ایالتی میشیگان، YQ چنگ از آزمایشگاه ملی اوک ریج و رابرت کاوا از دانشگاه پرینستون.

هدف قرار دادن مدل ها برای اعتصاب

خواص یک ماده با ساختار آن تعیین می شود و مواد کوانتومی تفاوتی با هم ندارند. برخی از ساختارهای اتمی بیشتر از سایرین به خواص کوانتومی عجیب و غریب منجر می شوند. به عنوان مثال، شبکه‌های مربعی می‌توانند به عنوان یک پلتفرم برای ابررساناهای با دمای بالا عمل کنند، در حالی که اشکال دیگر، معروف به شبکه‌های Kagome و Lieb، می‌توانند از ایجاد موادی پشتیبانی کنند که می‌توانند برای محاسبات کوانتومی مفید باشند.

محققان برای کمک به دسته محبوبی از مدل‌های مولد معروف به مدل‌های انتشار موادی را ایجاد کردند که با الگوهای هندسی خاصی مطابقت دارند، SCIGEN (مخفف ادغام محدودیت ساختاری در مدل GENerative) را ایجاد کردند. SCIGEN یک کد کامپیوتری است که تضمین می‌کند مدل‌های انتشار به محدودیت‌های تعریف‌شده توسط کاربر در هر مرحله تولید تکراری پایبند هستند. با SCIGEN، کاربران می‌توانند به هر مدل انتشار AI مولد قوانین ساختاری ساختاری هندسی بدهند تا هنگام تولید مواد از آن پیروی کنند.

مدل‌های انتشار هوش مصنوعی با نمونه‌گیری از مجموعه داده‌های آموزشی خود برای تولید ساختارهایی کار می‌کنند که منعکس‌کننده توزیع ساختارهای موجود در مجموعه داده‌ها هستند. SCIGEN نسل هایی را که با قوانین ساختاری مطابقت ندارند مسدود می کند.

برای آزمایش SCIGEN، محققان آن را روی یک مدل تولید مواد با هوش مصنوعی معروف به نام DiffCSP اعمال کردند. آنها مدل مجهز به SCIGEN موادی را با الگوهای هندسی منحصر به فرد معروف به شبکه های ارشمیدسی تولید کردند که مجموعه ای از کاشی های شبکه دو بعدی از چند ضلعی های مختلف هستند. شبکه های ارشمیدسی می توانند به تعدادی از پدیده های کوانتومی منجر شوند و کانون تحقیقات بسیاری بوده اند.

چنگ، یکی از نویسندگان این اثر، می‌گوید: شبکه‌های ارشمیدسی مایعات اسپین کوانتومی و به اصطلاح نوارهای مسطح را ایجاد می‌کنند که می‌توانند ویژگی‌های عناصر خاکی کمیاب را بدون عناصر خاکی کمیاب تقلید کنند، بنابراین بسیار مهم هستند. “مواد دیگر با شبکه ارشمیدسی دارای منافذ بزرگی هستند که می توان از آنها برای جذب کربن و سایر کاربردها استفاده کرد، بنابراین این مجموعه ای از مواد خاص است. در برخی موارد، هیچ ماده شناخته شده ای با این شبکه وجود ندارد، بنابراین فکر می کنم پیدا کردن اولین ماده متناسب با این شبکه واقعا جالب خواهد بود.”

این مدل بیش از 10 میلیون کاندید ماده با شبکه های ارشمیدسی تولید کرد. یک میلیون از این مواد از آزمایش پایداری جان سالم به در بردند. سپس با استفاده از ابررایانه‌های آزمایشگاه ملی Oak Ridge، محققان نمونه کوچک‌تری از 26000 ماده را برداشتند و شبیه‌سازی‌های دقیقی را برای درک نحوه رفتار اتم‌های زیرین مواد انجام دادند. محققان مغناطیس را در 41 درصد از این ساختارها یافتند.

از این زیر مجموعه، محققان دو ترکیب کشف نشده قبلی، TiPdBi و TiPbSb را در آزمایشگاه های Xie و Cava سنتز کردند. آزمایش‌های بعدی نشان داد که پیش‌بینی‌های مدل هوش مصنوعی با ویژگی‌های واقعی مواد مطابقت دارد.

اوکابه، نویسنده اول مقاله، می‌گوید: «ما می‌خواستیم مواد جدیدی را کشف کنیم که می‌توانند با ترکیب این ساختارها که به خواص کوانتومی منجر می‌شوند، تأثیر بالقوه زیادی داشته باشند. ما قبلاً می دانیم که این مواد با الگوهای هندسی خاص جالب هستند، بنابراین طبیعی است که با آنها شروع کنیم.

تسریع پیشرفت مواد

مایعات اسپین کوانتومی می توانند محاسبات کوانتومی را با فعال کردن کیوبیت های پایدار و مقاوم در برابر خطا که به عنوان پایه عملیات کوانتومی عمل می کنند، باز کنند. اما هیچ ماده مایع اسپین کوانتومی تایید نشده است. Xie و Cava معتقدند که SCIGEN می تواند جستجوی این مواد را تسریع کند.

Xie می‌گوید: «تقاضای زیادی برای مواد برای رایانه‌های کوانتومی و ابررساناهای توپولوژیکی وجود دارد و همه آنها به الگوهای هندسی مواد مرتبط هستند. کاوا می افزاید: “اما پیشرفت تجربی بسیار بسیار کند است.” بسیاری از این مواد سیال اسپین کوانتومی در معرض محدودیت‌هایی هستند: آنها باید در یک شبکه مثلثی یا شبکه کاگوم باشند. اگر مواد این محدودیت‌ها را برآورده کنند، محققان کوانتومی هیجان‌زده می‌شوند؛ این یک شرط ضروری است اما کافی نیست. بنابراین تولید بسیاری از این مواد فوراً صدها یا هزاران مواد را به آزمایش‌کنندگان می‌دهد تا با موادی که در حال تحقیق هستند با سرعت بیشتری بازی کنند.»

استیو می، استاد دانشگاه درکسل، که در این تحقیق شرکت نداشت، گفت: «این کار ابزار جدیدی را با استفاده از یادگیری ماشین ارائه می‌کند که می‌تواند پیش‌بینی کند کدام مواد دارای عناصر خاصی در الگوی هندسی دلخواه هستند». این امر باید توسعه مواد ناشناخته قبلی را برای کاربردها در نسل بعدی فناوری های الکترونیکی، مغناطیسی یا نوری سرعت بخشد.

محققان تاکید می کنند که آزمایش هنوز برای ارزیابی اینکه آیا مواد تولید شده توسط هوش مصنوعی می توانند سنتز شوند و چگونه خواص واقعی آنها با پیش بینی های مدل مقایسه می شود بسیار مهم است. کار آینده روی SCIGEN ممکن است قوانین طراحی اضافی را در مدل‌های مولد شامل محدودیت‌های شیمیایی و عملکردی بگنجاند.

اوکابه می گوید: افرادی که می خواهند دنیا را تغییر دهند بیشتر به خواص مواد علاقه دارند تا پایداری و ساختار مواد. با رویکرد ما، نسبت مواد پایدار کاهش می‌یابد، اما دری را برای تولید یک دسته کامل از مواد امیدوارکننده باز می‌کند.»

این کار تا حدی توسط وزارت انرژی ایالات متحده، مرکز ملی محاسبات علمی برای تحقیقات انرژی، بنیاد ملی علوم و آزمایشگاه ملی اوک ریج پشتیبانی شد.