کاربرد هوش مصنوعی جعل عمیق در تقویت نوآوری‌های طراحی مواد

به لطف هوش مصنوعی که قادر است تصاویر جعلی اما باور‌‌پذیری از صورت انسان بسازد، ممکن است فردی که در صفحه کامپیوتر می‌بینید، وجود خارجی نداشته باشد. حال به گفته دانشمندان دانشگاه پنسیلوانیا، همین فناوری می‌تواند موج بعدی نوآوری‌ها در زمینه طراحی مواد را تقویت کند.

وزلی رینهارت، استادیار علوم و مهندسی مواد و عضو هیئت علمی مؤسسه علوم محاسباتی و داده دانشگاه پنسیلوانیا بیان داشت: «امروزه در خبرها، از فناوری هوش مصنوعی جعل عمیق زیاد می‌شنویم؛ این فناوری قادر است تصاویری واقعی از صورت انسان‌هایی بسازد که وجود خارجی ندارند. دقیقاً همین فناوری در پژوهش ما به کار رفته است، با این تفاوت که ما نمونه‌های تصاویر صورت انسان را با ترکیبات عنصری آلیاژهای باکیفیت، جایگزین می‌کنیم.»

دانشمندان به یک شبکه مولد تخاصمی (GAN) به‌منظور تولید آلیاژهای نسوز جدید با آنتروپی بالا، آموزش دادند. این مواد که در دماهای بسیار بالا مقاوم هستند و استحکام خود را حفظ می‌کنند، در عرصه فناوری، از جمله در ساخت پره‌های توربین و موشک، کاربردهای فراوانی دارند‌.

رینهارت گفت: «قواعد زیادی درباره آنچه که تصویر چهره یک انسان یا یک آلیاژ را می‌سازد، وجود دارند و دانستن تمام آن قواعد یا آوردن آن‌ها روی کاغذ، به‌واقع کار دشواری است. به‌طور کلی، این GAN دارای دو شبکه عصبی است که برای آموختن این قواعد با هم رقابت می‌کنند و سپس نمونه‌هایی را تولید می‌کنند که پیرو این قواعد هستند.»

این پژوهشگران صدها نمونه آلیاژ را به‌منظور تولید یک دیتاست آموزشی، به دقت بررسی کردند. شبکه عصبی دارای یک مولد و یک منتقد است؛ اولی ترکیبات جدید را ایجاد می‌کند و دومی سعی می‌کند که واقعی بودن ترکیبات تولیدی را در مقایسه با دیتاست آموزشی، تشخیص دهد. به گفته دانشمندان، اگر مولد موفق شود، می‌تواند آلیاژهایی را بسازد که از نظر منتقد، واقعی هستند. دلیل ارتقای مدل این است که این بازی تخاصمی به دفعات زیادی تکرار می‌شود.

دانشمندان، بعد از این مرحله آموزشی، مدل را روی تولید ترکیبات آلیاژی با ویژگی‌های ایده‌آل ساخت توربین‌های بادی، متمرکز می‌کنند.

زی‌کویی لیو، استاد علوم و مهندسی مواد دانشگاه پنسیلوانیا اظهار داشت: «نتایج اولیه ما نشان دادند که مدل‌های مولد می‌توانند روابط پیچیده را برای تولید مواد جدید موردنیاز، بیاموزند. این امر فوق‌العاده است و دقیقاً همان چیزی است که به‌طور کلی در علوم محاسباتی دانش مواد، جایش خالی است.»

به گفته پژوهشگران، روش سنتی یا طراحی منطقی، در یافتن الگوها یا بهبود مواد، وابسته به شهود انسانی بود، اما با پیچیده‌تر شدن شیمی مواد و فرآوری، این کار چالش‌آفرین شد.

رینهارت بیان کرد: «هنگام بررسی مشکلات طراحی، اغلب ده‌ها و حتی صدها متغیر وجود دارند که می‌توان آن‌ها را تغییر داد. مغز، نمی‌تواند همزمان، به صدها بعد فکر کند؛ حتی تصور آن هم غیرممکن است. بنابراین یکی از کارهایی که این فناوری برای ما انجام می‌دهد، فشرده‌سازی تمام آن‌ ابعاد و نمایش الگویی قابل‌فهم است. ما به چنین ابزارهایی برای مقابله با این مشکل نیاز داریم، اما نیاز نیست برای انجام این کار به زور متوسل شویم.»

دانشمندان اظهار کردند که یافته‌هایشان که به‌تازگی در مجله Materials Informatics منتشر شده است، نشان‌دهنده پیشرفتی در طراحی معکوس آلیاژهاست.

رینهارت گفت: «در طراحی منطقی، باید هر کدام از این مراحل را یکی‌یکی طی کرد، شبیه‌سازی کرد، جدول‌ها را بررسی کرده و با دیگر متخصصان، مشورت کرد. طراحی معکوس اساساً به‌وسیله این مدل آماری، کنترل می‌شود. می‌توان موادی با ویژگی‌های معین را درخواست کرد و در کسری از ثانیه، صد یا هزار ترکیب احتمالاً مناسب را به دست آورد.»

این مدل هنوز کامل نیست و باید از طریق شبیه‌سازی‌هایی با همانندی بالا، اعتبار تخمین‌های آن اثبات شود، اما پژوهشگران می‌گویند که این مدل حدسیات را حذف می‌کند و ابزار امیدوارکننده‌ای برای تعیین موادی که باید آزمایش شوند، در اختیار می‌گذارد.

دیگر پژوهشگران این پروژه، آلیسون بیس، استادیار علم و مهندسی مواد و مهندسی مکانیک؛ شاشانک پریا، معاون پژوهشی و استاد علوم و مهندسی مواد؛ جاجندر سینگ، استاد علوم و مهندسی مواد و دانشمند ارشد مهندسی؛ شانلی شانگ، استاد روش تحقیق؛ ونجی لی، استادیار پژوهشی و دانشجویان دکتری، آریندام دبناث، آدام کاریوسکی، هویی سان، شوآنگ لین و مارسیا آن بودند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید