تقاضا برای استفاده از مواد فوق سخت (Superhard) در صنعت از تولید انرژی گرفته تا هوافضا، بسیار زیاد است اما تاکنون یافتن مواد جدید مناسب عمدتاً مورد آزمونوخطا و بر اساس مواد کلاسیک مانند الماس بوده است.
محققان دانشگاه هوستون و کالج منهتن درباره یک مدل یادگیری ماشین گزارش کردهاند که میتواند سختی مواد جدید را بهطور دقیق پیشبینی کند. این یادگیری ماشین به دانشمندان اجازه میدهد با آسودگی بیشتری ترکیبات مناسب برای استفاده در کاربردهای مختلف را پیدا کنند. این پژوهش در Advanced Materials گزارش شده است.
موادی که فوق سخت هستند بهعنوان مواردی با مقدار سختی بیش از ۴۰ گیگاپاسکال در مقیاس ویکرز تعریف میشوند. این به آن معنی است که برای ایجاد یک تورفتگی روی سطح مواد بیش از ۴۰ گیگاپاسکال فشار لازم است. این مواد بسیار نادر هستند.
محققان یک مدل یادگیری ماشین را ایجاد کردهاند که میتواند سختی مواد جدید را با دقت بیشتری پیشبینی کند
جاکوا برگوچ، دانشیار شیمی دانشگاه هوستون و نویسنده مسئول این مقاله دراینباره گفت:
این موضوع شناسایی مواد جدید را به چالش میکشد. به همین دلیل از موادی مانند الماس مصنوعی استفاده میشود حتی اگر ساخت آنها چالشبرانگیز و گران باشد.
یکی از عوامل پیچیده این امر این است که ممکن است سختی ماده بسته به میزان فشار واردشده متفاوت باشد. این موضوع معروف به وابستگی به بار است. این امر آزمایش یک ماده را ازنظر تجربی پیچیده و استفاده از مدلسازی محاسباتی امروزه را تقریباً غیرممکن میکند.
مدل گزارششده توسط محققان بهوسیله پیشبینی سختی ویکرز وابسته به بار صرفاً بر اساس ترکیب شیمیایی مواد، بر این موضوع غلبه میکند. محققان گزارش کردند که بیش از ۱۰ مرحله بوروکربید پایدار جدید و امیدوارکننده پیدا کردهاند. اکنون کار برای طراحی و تولید این مواد در دست انجام است تا بتوان آنها را در آزمایشگاه مورد آزمایش قرار داد.
بر اساس دقت گزارششده در این مدل، شانس موفقیت بالا است. محققان این دقت را ۹۷ درصد اعلام کردند.
نویسنده اول، زیان ژانگ، دانشجوی دکترا در دانشگاه هوستون، بیان کرد که پایگاه دادهای که برای آموزش الگوریتم ساخته شده است، مبتنی بر دادههای مربوط به ۵۶۰ ترکیب مختلف است که هرکدام چندین داده دارند. یافتن دادهها برای جستجوی اطلاعات موردنیاز برای ساخت یک مجموعه داده نماینده، نیاز به ذکر صدها مقاله علمی منتشرشده دارد.
برگوچ، که او نیز محقق اصلی مرکز ابررسانایی تگزاس در دانشگاه هوستون است گفت:
همه پروژههای یادگیری ماشین خوب با یک مجموعه داده خوب شروع میشوند. موفقیت واقعی تا حد زیادی توسعه این مجموعه داده است.
علاوه بر برگوچ و ژانگ، از محققان دیگر این پروژه میتوان به آریا منصوری تهرانی و بلیک دی که هر دو دارای تحصیلات دانشگاه هوستون و آنتون اولیونک از کالج منهتن هستند، اشاره کرد.
یادگیری ماشینی محدودیتهایی دارد
به گفته برگوچ، محققان بهطور سنتی از یادگیری ماشین برای پیشبینی یک متغیر سختی استفاده میکنند، اما این مسئله پیچیدگی خاصیت مانند وابستگی به بار را بهحساب نمیآورد که به گفته وی هنوز بهدرستی درک نشده است. باوجود محدودیتهای قبلی، این امر یادگیری ماشینی را به ابزاری مناسب تبدیل میکند.
وی گفت:
یک سیستم یادگیری ماشین نیازی به درک فیزیک ندارد. این ماشین فقط دادههای آموزش را تجزیهوتحلیل میکند و بر اساس آمار پیشبینیهای جدید میکند.
برگوچ ادامه داد:
ایده استفاده از یادگیری ماشین این نیست که بگوییم «این بهترین ماده جدید است» بلکه برای راهنمایی جستجوی تجربی ماست. این به شما میگوید که کجا باید نگاه کنید.
نظرات