كيف يمكن للذكاء الاصطناعي التوليدي أن يساعد العلماء في تصنيع المواد المعقدة | أخبار معهد ماساتشوستس للتكنولوجيا

تم استخدام نماذج الذكاء الاصطناعي التوليدي لإنشاء مكتبات هائلة من المواد النظرية التي يمكن أن تساعد في حل جميع أنواع المشكلات. والآن، يتعين على العلماء فقط معرفة كيفية صنعها.

في كثير من الحالات، لا يكون تركيب المواد بسيطًا مثل اتباع وصفة في المطبخ. يمكن لعوامل مثل درجة الحرارة وطول المعالجة أن تؤدي إلى تغييرات هائلة في خصائص المادة التي تؤدي إلى تحسين أدائها أو فشله. وقد أدى ذلك إلى الحد من قدرة الباحثين على اختبار الملايين من المواد الواعدة المولدة للنماذج.

الآن، أنشأ باحثون من معهد ماساتشوستس للتكنولوجيا نموذجًا للذكاء الاصطناعي يرشد العلماء خلال عملية صنع المواد من خلال اقتراح طرق تصنيع واعدة. وفي ورقة بحثية جديدة، أظهروا أن النموذج يوفر دقة عالية في التنبؤ بمسارات التخليق الفعالة لفئة من المواد تسمى الزيوليت، والتي يمكن استخدامها لتحسين عمليات التحفيز والامتصاص والتبادل الأيوني. وبعد اقتراحاته، قام الفريق بتصنيع مادة زيوليت جديدة أظهرت تحسنًا في الاستقرار الحراري.

ويعتقد الباحثون أن نموذجهم الجديد يمكن أن يكسر أكبر عنق الزجاجة في عملية اكتشاف المواد.

يقول المؤلف الرئيسي إلتون بان، وهو مرشح لدرجة الدكتوراه في قسم علوم وهندسة المواد في معهد ماساتشوستس للتكنولوجيا (DMSE): “على سبيل القياس، نحن نعرف نوع الكعكة التي نريد صنعها، ولكننا في الوقت الحالي لا نعرف كيف نخبز الكعكة”. “يتم تصنيع المواد حاليًا من خلال الخبرة الميدانية والتجربة والخطأ.”

تظهر الورقة التي تصف العمل اليوم في علوم الطبيعة الحسابية. ينضم إلى بان في الورقة كل من سونهيونغ كوون ’20، الحاصل على دكتوراه ’24؛ DMSE ما بعد الدكتوراه سولين ليو؛ طالب دكتوراه في الهندسة الكيميائية مينغرو شيه؛ DMSE ما بعد الدكتوراه ألكسندر ج. هوفمان؛ مساعد البحث Yifei Duan SM ’25؛ الطالب الزائر DMSE Thorben Prein؛ مرشح الدكتوراه DMSE كيليان شريف؛ أستاذ معهد ماساتشوستس للتكنولوجيا روبرت تي هاسلام في الهندسة الكيميائية يوري رومان ليشكوف؛ جامعة فالنسيا للفنون التطبيقية البروفيسور مانويل مولينر؛ معهد ماساتشوستس للتكنولوجيا بول إم كوك أستاذ التطوير الوظيفي رافائيل جوميز بومباريللي؛ وأستاذ الهندسة في معهد ماساتشوستس للتكنولوجيا جيري مكافي وإلسا أوليفيتي.

تعلم الخبز

دفعت الاستثمارات الضخمة في الذكاء الاصطناعي التوليدي شركات مثل جوجل وميتا إلى إنشاء قواعد بيانات ضخمة مليئة بوصفات المواد التي تتمتع، من الناحية النظرية على الأقل، بخصائص مثل الاستقرار الحراري العالي والامتصاص الانتقائي للغازات. لكن صنع هذه المواد يمكن أن يتطلب أسابيع أو أشهر من التجارب الدقيقة التي تختبر درجات حرارة التفاعل المحددة، والأوقات، ونسب السلائف، وعوامل أخرى.

يقول بان: “يعتمد الناس على حدسهم الكيميائي لتوجيه العملية”. “البشر خطيون. إذا كانت هناك خمس معلمات، فقد نبقي أربعة منها ثابتة ونغير واحدة منها خطيًا. لكن الآلات أفضل بكثير في التفكير في مساحة عالية الأبعاد. “

غالبًا ما تستغرق عملية تركيب اكتشاف المواد الآن معظم الوقت في رحلة المادة من الفرضية إلى الاستخدام.

ولمساعدة العلماء على اجتياز هذه العملية، قام باحثو معهد ماساتشوستس للتكنولوجيا بتدريب نموذج الذكاء الاصطناعي التوليدي على أكثر من 23000 وصفة لتركيب المواد تم وصفها على مدار 50 عامًا من الأوراق العلمية. أضاف الباحثون بشكل متكرر “ضوضاء” عشوائية إلى الوصفات أثناء التدريب، وتعلم النموذج إزالة الضوضاء وأخذ عينات من الضوضاء العشوائية للعثور على طرق تركيب واعدة.

والنتيجة هي DiffSyn، الذي يستخدم نهجًا في الذكاء الاصطناعي يُعرف باسم الانتشار.

يقول بان: “إن نماذج الانتشار هي في الأساس نموذج ذكاء اصطناعي توليدي مثل ChatGPT، ولكنها تشبه إلى حد كبير نموذج توليد الصور DALL-E”. “أثناء الاستدلال، يقوم بتحويل الضوضاء إلى بنية ذات معنى عن طريق طرح القليل من الضوضاء في كل خطوة. في هذه الحالة، “البنية” هي طريق التوليف للمادة المرغوبة.”

عندما يقوم عالم يستخدم DiffSyn بإدخال بنية المادة المرغوبة، يقدم النموذج بعض المجموعات الواعدة من درجات حرارة التفاعل، وأوقات التفاعل، ونسب السلائف، والمزيد.

يقول بان: “إنه يخبرك بشكل أساسي بكيفية خبز كعكتك”. “لديك كعكة في ذهنك، تقوم بإدخالها في النموذج، ثم يقوم النموذج بإخراج وصفات التوليف. يمكن للعالم اختيار أي مسار توليف يريده، وهناك طرق بسيطة لتحديد مسار التوليف الواعد من خلال ما نقدمه، والذي نعرضه في ورقتنا البحثية.”

ولاختبار نظامهم، استخدم الباحثون DiffSyn لاقتراح مسارات تركيبية جديدة للزيوليت، وهي فئة مواد معقدة وتستغرق وقتًا لتتحول إلى مادة قابلة للاختبار.

يقول بان: “تمتلك الزيوليت مساحة تركيبية عالية الأبعاد للغاية”. “يميل الزيوليت أيضًا إلى أن يستغرق أيامًا أو أسابيع حتى يتبلور، وبالتالي فإن التأثير [of finding the best synthesis pathway faster] أعلى بكثير من المواد الأخرى التي تتبلور في ساعات.

تمكن الباحثون من صنع مادة الزيوليت الجديدة باستخدام مسارات التخليق التي اقترحها DiffSyn. كشفت الاختبارات اللاحقة أن المادة لها شكل واعد للتطبيقات الحفزية.

يقول بان: “لقد كان العلماء يجربون وصفات تركيبية مختلفة واحدة تلو الأخرى”. “وهذا يجعلها تستغرق وقتًا طويلاً للغاية. يمكن لهذا النموذج أخذ عينات من 1000 منها في أقل من دقيقة. ويمنحك تخمينًا أوليًا جيدًا جدًا حول وصفات التوليف لمواد جديدة تمامًا.”

المحاسبة عن التعقيد

في السابق، قام الباحثون ببناء نماذج للتعلم الآلي، يمكنها تعيين مادة ما لوصفة واحدة. ولا تأخذ هذه الأساليب في الاعتبار أن هناك طرقًا مختلفة لصنع نفس المادة.

يتم تدريب DiffSyn على رسم خريطة للهياكل المادية للعديد من مسارات التوليف المحتملة المختلفة. يقول بان أن هذا يتماشى بشكل أفضل مع الواقع التجريبي.

يقول بان: “يعد هذا تحولًا نموذجيًا بعيدًا عن رسم خرائط واحد لواحد بين البنية والتوليف إلى رسم خرائط واحد لكثير”. “وهذا سبب كبير وراء تحقيقنا مكاسب قوية في المعايير.”

للمضي قدمًا، يعتقد الباحثون أن هذا النهج يجب أن يعمل على تدريب النماذج الأخرى التي توجه تصنيع المواد خارج الزيوليت، بما في ذلك الأطر المعدنية العضوية، والمواد الصلبة غير العضوية، وغيرها من المواد التي لديها أكثر من مسار تخليق محتمل.

يقول بان: “يمكن توسيع هذا النهج ليشمل مواد أخرى”. “الآن، عنق الزجاجة هو العثور على بيانات عالية الجودة لفئات المواد المختلفة. لكن الزيوليتات معقدة، لذلك أستطيع أن أتخيل أنها قريبة من الحد الأعلى من الصعوبة. في نهاية المطاف، سيكون الهدف هو ربط هذه الأنظمة الذكية بتجارب العالم الحقيقي المستقلة، والتفكير المنطقي بشأن ردود الفعل التجريبية لتسريع عملية تصميم المواد بشكل كبير.”

تم دعم هذا العمل من قبل مبادرات معهد ماساتشوستس للتكنولوجيا الدولية للعلوم والتكنولوجيا (MISTI)، والمؤسسة الوطنية للعلوم، وجنراليتات فاسلينسيانا، ومكتب الأبحاث البحرية، وإكسون موبيل، ووكالة العلوم والتكنولوجيا والأبحاث في سنغافورة.