شرکت‌های فعال در حوزه‌های هوافضا، انرژی و محاسبات همواره به دنبال مواد جدیدی هستند که عملکرد بهتری ارائه دهند. با این حال، پیش از استفاده از هر ماده‌ای در موشک‌ها یا تراشه‌های رایانه‌ای، لازم است آن ماده ساخته و آزمایش شود. دلیل این امر به ناتوانی روش‌های شبیه‌سازی موجود در مدلسازی چیدمان‌های شیمیایی پیچیده در بسیاری از مواد جامد امروزی بازمی‌گردد.
چالش مدلسازی آلیاژهای فلزی
در مواد نامنظم از نظر شیمیایی، اتم‌ها به صورت تصادفی توزیع نمی‌شوند و الگوهای ظریفی دارند که بر خواص نهایی ماده تأثیر می‌گذارد. روش‌های مرسوم اغلب این الگوها را نادیده می‌گیرند و به همین دلیل پیش‌بینی‌های آنها با واقعیت فاصله دارد. این مسئله هزینه و زمان نوآوری در مواد را به شدت افزایش می‌دهد.
رویکرد جدید مبتنی بر هوش مصنوعی
گروهی از پژوهشگران MIT روشی ابداع کرده‌اند که با استفاده از مدل‌های یادگیری ماشین، شبیه‌سازی مواد را سریع‌تر و دقیق‌تر می‌کند. آنها با ساخت مجموعه داده‌های آموزشی که تنوع محیط‌های اتمی در مواد نامنظم شیمیایی را پوشش می‌دهد، توانسته‌اند الگوهای پنهان اتمی را شناسایی کنند. این روش که مبتنی بر نمونه‌برداری «موتیف» است، در مقایسه با نمونه‌برداری تصادفی، تصویر واقعی‌تری از چیدمان اتم‌ها ارائه می‌دهد.
- شناسایی الگوهای ظریف اتمی در آلیاژها
- افزایش دقت پیش‌بینی خواص مواد
- کاهش هزینه و زمان آزمایش‌های صنعتی
- قابلیت استفاده برای فلزات و سایر مواد پیچیده
مسیر تازه برای نوآوری در صنعت
این پیشرفت می‌تواند فرایند کشف مواد جدید را متحول کند. با بهبود پیش‌بینی رفتار آلیاژها، شرکت‌ها می‌توانند پیش از ساخت فیزیکی، گزینه‌های بهتری را غربال کنند. به گفته پژوهشگران، این رویکرد نه‌تنها برای آلیاژهای فلزی، بلکه برای دسته‌ای گسترده از مواد جامد با چیدمان شیمیایی پیچیده کاربرد خواهد داشت.
پرسش‌های پرتکرار
روش جدید MIT چه تفاوتی با روش‌های قبلی شبیه‌سازی دارد؟
روش جدید با استفاده از مدل‌های یادگیری ماشین و مجموعه داده‌های آموزشی که تنوع محیط‌های اتمی را پوشش می‌دهند، الگوهای ظریف چیدمان اتم‌ها را در مواد نامنظم شیمیایی شناسایی می‌کند. این رویکرد نسبت به نمونه‌برداری تصادفی، دقت پیش‌بینی خواص آلیاژها را به طور قابل توجهی افزایش می‌دهد.
این پژوهش چه کاربردهایی برای صنعت دارد؟
شرکت‌های فعال در هوافضا، انرژی و محاسبات می‌توانند با کمک این روش، رفتار مواد جدید را پیش از ساخت و آزمایش پیش‌بینی کنند. این امر هزینه و زمان توسعه مواد پیشرفته را کاهش می‌دهد و مسیر نوآوری در مواد را تسریع می‌کند.
