علمی، پژوهشی و فناوری

هوش مصنوعی می‌تواند چالش‌های تولید انرژی پاک را حل کند

به گزارش پایگاه خبری علم و فناوری : تحولات اخیر در حوزه هوش مصنوعی نویدبخش تحولی شگرف در فرآیند کشف و توسعه مواد نوین به ویژه در حوزه‌های فوتوولتائیک و محاسبات کوانتومی است. محققان دانشگاه توهوکو و موسسه فناوری ماساچوست (MIT) با توسعه مدل هوش مصنوعی پیشرفته‌ای به نام GNNOpt گامی بلند در این مسیر برداشته‌اند.

به گزارش سرویس اخبار فناوری رسانه تکنولوژی تکنا، این مدل نوآورانه با بهره‌گیری از الگوریتم‌های پیچیده، قادر است خواص نوری مواد را با دقتی مشابه شبیه‌سازی‌های کوانتومی، اما با سرعتی به مراتب بیشتر (تا یک میلیون برابر) پیش‌بینی نماید. چنین پیشرفتی، پتانسیل تسریع چشمگیر در توسعه نسل جدیدی از مواد با کارایی بالاتر را برای کاربرد در سلول‌های خورشیدی و کامپیوترهای کوانتومی فراهم می‌آورد.

رشد روزافزون صنعت نیمه‌رساناها که عمدتاً مدیون توسعه دستگاه‌های اپتوالکترونیکی است، بر اهمیت درک دقیق خواص نوری مواد تأکید دارد. دستگاه‌هایی همچون دیودهای ساطع‌کننده نور (LED)، سلول‌های خورشیدی، فوتودیودها و مدارهای مجتمع فوتونیکی، همگی به خواص نوری مواد وابسته هستند.

روش‌های سنتی محاسبه خواص نوری مواد، فرآیندهایی زمان‌بر و محاسباتی سنگین هستند. در مقابل، مدل هوش مصنوعی GNNOpt با بهره‌گیری از ساختار کریستالی ماده به عنوان داده ورودی، قادر است طیف گسترده‌ای از خواص نوری را در فرکانس‌های مختلف نور با دقت بسیار بالایی پیش‌بینی کند.

به گفته Nguyen Tuan Hung، استادیار موسسه مرزی برای علوم بین‌رشته‌ای دانشگاه توهوکو، «اپتیک به عنوان شاخه‌ای از فیزیک ماده چگال، به شدت تحت تأثیر روابط علیتی حاکم بر آن است. یکی از این روابط مهم، رابطه کرامرز-کرونینگ (KK) است. این مدل هوش مصنوعی به شکلی شگفت‌انگیز قادر به درک و بهره‌برداری از این روابط فیزیکی است. روش‌های سنتی پیش‌بینی خواص نوری، مانند آزمایش‌های مبتنی بر لیزر و شبیه‌سازی‌های پیچیده، همواره با محدودیت‌هایی همراه بوده‌اند. به همین دلیل، محققان به دنبال روش‌های جایگزین و سریع‌تری برای پیش‌بینی خواص نوری مواد مختلف بودند.

شبکه‌های عصبی گراف (GNNs) به عنوان یکی از ابزارهای قدرتمند یادگیری ماشین، در حوزه پیش‌بینی خواص مواد کاربرد وسیعی یافته‌اند. با این حال، این شبکه‌ها در درک پیچیدگی‌های ساختاری کریستال‌ها با محدودیت‌هایی مواجه هستند. محققان با معرفی تکنیک «جاسازی آنسامبل» بر این محدودیت فائق آمده‌اند. این تکنیک به مدل هوش مصنوعی اجازه می‌دهد تا از چندین نمایش داده‌ای مختلف بیاموزد و در نتیجه دقت و قابلیت تعمیم‌پذیری آن را به طور قابل توجهی افزایش دهد.

Abhijatmedhi Chotrattanapituk، یکی از محققان این پروژه، معتقد است که «جاسازی آنسامبل فراتر از شهود انسانی است و می‌تواند به طور گسترده‌ای برای بهبود دقت پیش‌بینی‌های مدل‌های هوش مصنوعی به کار رود.  مدل GNNOpt با توانایی پیش‌بینی دقیق خواص نوری مواد از روی ساختار کریستالی آن‌ها، کاربردهای بسیار گسترده‌ای در حوزه‌های مختلف خواهد داشت. به ویژه، این مدل می‌تواند در غربالگری مواد برای یافتن مواد جدید با کارایی بالاتر برای سلول‌های خورشیدی و کامپیوترهای کوانتومی بسیار مفید باشد.

محققان در آینده قصد دارند با ایجاد پایگاه‌های داده جامع از خواص مختلف مواد، قابلیت‌های مدل GNNOpt را گسترش دهند و آن را به ابزاری قدرتمند برای طراحی و توسعه مواد جدید تبدیل کنند. توسعه مدل هوش مصنوعی GNNOpt نشان‌دهنده پیشرفتی قابل توجه در حوزه موادشناسی و محاسبات است. این مدل با ارائه روشی سریع و دقیق برای پیش‌بینی خواص نوری مواد، می‌تواند به تسریع روند نوآوری در حوزه‌های مختلف فناوری کمک کند. در آینده نزدیک، می‌توان انتظار داشت که شاهد کاربردهای گسترده‌تر این مدل در صنایع مختلف باشیم.