شبکه های عصبی مصنوعی به الگوریتمهای جالب و پیچیدهای اطلاق میشود که با الهام از ارتباطات درون مغز، ابداع شدهاند. ما میتوانیم به آنها آموزش دهیم و تاکنون آنها یادگرفتهاند کارهای زیادی انجام دهند؛ از تشخیص عابر پیاده در ماشینهای خودران گرفته تا تجزیه تحلیل تصاویر پزشکی و ترجمه ی انواع زبانها. اکنون دانشمندان دانشگاه کالیفرنیا سن دیگو، در حال آموزش شبکه های عصبی مصنوعی برای پیشبینی مواد پایدار هستند. آنها از این طریق توانستهاند انرژی تشکیل دو خانواده مهم بلورها را پیشبینی کنند. نتیجهی پژوهش آنان چند روز پیش در مجله Nature Communications منتشر شد. با دیپ لوک همراه باشید…
پیشبینی پایداری مواد، یکی از مهمترین چالشهای علم مواد، فیزیک و شیمی است. یکی از دانشمندان این پروژه میگوید:
از یک سو، روشهای شهودی شیمی مانند پنج قاعدهی لینوس پائولینگ را دارید که پایداری بلورها را به استفاده از شعاع و تجمع یونی توصیف میکند. از طرف دیگر، محاسبات کوانتومی پرهزینهای دارید که انرژی بدست آمده از تشکیل بلور را محاسبه میکنند و البته برای انجام چنین محاسباتی به ابرکامپیوترها نیاز دارید. کاری که ما انجام دادهایم این است که از شبکه های عصبی مصنوعی برای پل زدن بین این دو دنیا استفاده کردهایم.
دانشمندان با تعلیم شبکه های عصبی مصنوعی برای پیشبینی انرژی تشکیل یک بلور فقط با استفاده از دو ورودی، یعنی الکترونگاتیوی و شعاع یونی اتمهای سازنده، مدلهایی توسعه دادهاند که میتوانند مواد پایدار در دو دستهبندی خاص بلورها به نام گارنت ها (garnets) و پروسکایت ها (perovskites) را شناسایی کنند. این مدلها، بیش از ده بار، دقیقتر از مدلهای قبلی یادگیری ماشین بوده و آنقدر سریع هستند که با بازده بالا هزاران ماده را در چند ساعت در یک لپتاپ نمایش دهند.
گارنت ها و پروسکایت ها در لامپهای LED، باتری یون-لیتیومی قابل شارژ و سلولهای خورشیدی استفاده میشوند. این شبکه های عصبی میتوانند کشف مواد جدید برای این کاربردها را شتاب ببخشند. دانشمندان مدلهای خود را از طریق پایگاه http://crystals.ai در اختیار عموم قرار دادهاند. این پایگاه به شما امکان میدهد از شبکه های عصبی برای محاسبه انرژی تشکیل هر بلوری از ترکیبات گارنت ها و پروسکایت ها استفاده کنید. دانشمندان به دنبال توسعهی کاربرد شبکه های عصبی به سایر گونههای بلوری و همچنین سایر ویژگیهای مواد هستند.