محققان مدل جدیدی از هوش مصنوعی به نام CrystaLLM طراحی کرده‌اند که آرایش اتم‌ها در ساختارهای بلوری را پیش‌بینی می‌کند. این دستاورد می‌تواند روند کشف مواد جدید برای فناوری‌هایی مانند پنل‌های خورشیدی، تراشه‌های کامپیوتری و باتری‌ها را تسریع کند.
این مدل توسط پژوهشگرانی از دانشگاه ریدینگ و کالج دانشگاهی لندن توسعه یافته است و مشابه چت‌بات‌های هوش مصنوعی عمل می‌کند و با تحلیل میلیون‌ها ساختار بلوری موجود، “زبان” بلورها را فرا می‌گیرد.
این مطالعه که روز گذشته (۶ دسامبر) در Nature Communications منتشر شده است، اعلام کرده که این سیستم به‌زودی در اختیار جامعه علمی قرار خواهد گرفت تا به پیشرفت‌های جدید در حوزه کشف مواد کمک کند.
پیشرفتی بزرگ در پیش‌بینی ساختار بلور
دکتر لوئیس آنتونز که این پژوهش را در دوره دکترای خود در دانشگاه ریدینگ رهبری کرده است، اظهار داشت:
پیش‌بینی ساختار بلور مانند حل یک پازل پیچیده چندبعدی است که تکه‌های آن پنهان شده‌اند. این کار به قدرت محاسباتی عظیمی نیاز دارد تا چینش‌های بی‌شمار اتم‌ها آزمایش شود.
مدل CrystaLLM با مطالعه میلیون‌ها ساختار بلوری شناخته‌شده، الگوها را شناسایی کرده و می‌تواند ساختارهایی جدید را پیش‌بینی کند. این مدل مانند یک حل‌کننده حرفه‌ای پازل عمل کرده که به‌جای آزمایش همه گزینه‌ها، الگوهای برنده را شناسایی می‌کند.
رویکردی نوین به علم مواد
در روش‌های کنونی، پیش‌بینی آرایش اتم‌ها در بلورها به شبیه‌سازی‌های زمان‌بر تعاملات فیزیکی میان اتم‌ها نیاز دارد. اما CrystaLLM با روشی ساده‌تر عمل می‌کند. این مدل، به‌جای انجام محاسبات پیچیده فیزیکی، از طریق مطالعه میلیون‌ها توصیف ساختار بلوری در قالب فایل‌های اطلاعات بلورنگاری (CIF)، الگوهای موجود را یاد می‌گیرد.
این مدل، توصیف‌های بلوری را مانند متون می‌خواند و پیش‌بینی می‌کند که قسمت بعدی چگونه خواهد بود. به این ترتیب، بدون آموزش مستقیم قوانین فیزیک یا شیمی، به طور خودکار مفاهیمی مانند نحوه آرایش اتم‌ها و تأثیر اندازه آن‌ها بر شکل بلور را کشف کرده است.
کاربردهای عملی و دسترسی آسان
آزمایش‌ها نشان داده است که CrystaLLM می‌تواند حتی برای موادی که قبلاً آن‌ها را ندیده است، ساختارهای بلوری واقع‌گرایانه‌ای ایجاد کند.
این تیم تحقیقاتی یک وبسایت رایگان راه‌اندازی کرده‌اند که در آن محققان می‌توانند از CrystaLLM برای تولید ساختارهای بلوری استفاده کنند. ادغام این مدل در فرآیندهای پیش‌بینی ساختار بلور می‌تواند توسعه مواد جدید برای فناوری‌هایی مانند باتری‌های بهتر، سلول‌های خورشیدی کارآمدتر و تراشه‌های سریع‌تر را تسریع کند.
منبع: Scitechdaily
