خرابی قطعات الکترونیکی
کاربردهای هوش مصنوعی

پیش‌بینی علل خرابی قطعات الکترونیکی به کمک هوش مصنوعی

    0
    زمان مطالعه: ۳ دقیقه

    شاید بهتر باشد آن‌ها را نوعی لِگوساز حرفه‌ای، البته در مقیاس اتم، در نظر بگیریم. مهندسان دانشگاه کلروادو بولدرگامی مهم در پیش‌بینی علل خرابی قطعات الکترونیکی ، برای مثال، ترانزیستور به کار رفته در تلفن‌های همراه، برداشته‌‌اند. این مهندسان برای پیش‌بینی نحوه خرابی این قطعات شبیه‌سازی‌های پیشرفته کامپیوتری را با فن‌آوری هوش مصنوعی ادغام کرده‌اند.

    این پژوهش به کوشش سنگامیترا نئوگی، فیزیک‌دان و مهندس هوا و فضا، انجام شده است و متن آن در مجله npj Computational Materials به چاپ رسید.

    نئوگی و همکاران، در تازه‌ترین پژوهش‌ خود، به مطالعه ساختار اجزای کوچکی پرداختند که از اتم ساخته شده‌اند؛ سپس به کمک تکنیک‌های یادگیری ماشین عملکرد ساختارهای بزرگ‌تر، که از این اجزا تشکیل شده‌ بودند، را بررسی کردند. درست مثل این می‌ماند که بخواهیم از روی یک قطعه لِگو، مقاومت یک سازه لگویی بزرگ‌تر را اندازه‌گیری کنیم.

    به گفته نئوگی، دانشیار دانشکده علوم مهندسی هوا و فضای هارولد جی و آن اسمید، :« تلاش ما بر این است که با ساختار دستگاه‌هایی که از میلیون‌ها اتم تشکیل شده‌‍اند، آشنا شویم.»

    این پژوهش گام بزرگی برای قطعات الکترونیکی که به جای جای زندگی ما راه‌ یافته‌اند، از تلفن‌های همراه و خودروهای برقی گرفته تا کامپیوترهای کوانتومی، به حساب می‌آید. نئوگی می‌گوید مهندسان با تکیه بر متدهای پیشنهادی ما می‌توانند پیشاپیش ایرادات و نقاط ضعفی که در طراحی قطعات الکترونیکی وجود دارد را تشخیص دهند.

    خرابی قطعات الکترونیکی

    این پروژه بخشی از طرح‌ بزرگ‌‌تر نئوگی است؛ وی قصد دارد نشان دهد اجزای کوچک، برای مثال ارتعاشات اتمی، چگونه به انسان‌ها در ساخت کامپیوترهای جدیدتر و کارآمدتر، حتی کامپیوترهایی که طراحی‌شان از مغز انسان الهام گرفته شده است، کمک می‌کنند. یکی از نویسندگان همکار در این پژوهش، آرتم پیماچف، دستیار پژوهشی دانشکده مهندسی هوا و فضای دانشگاه کلرادو بولدر، است.

    به عقیده نئوگی:« به جای اینکه سال‌ها وقت‌مان را صرف شناسایی علل خرابی دستگاه‌ها بکنیم، متدهای پیشنهادی ما، حتی پیش از اینکه اقدام به ساخت دستگاه‌ها بکنیم، اطلاعات پایه‌ای در مورد کارکرد آن‌ها در اختیار ما می‌گذارند.»

    نئوگی در تازه‌ترین پژوهش خود به یکی از موضوعات بحث‌برانگیز در صنعت الکترونیک، یعنی HotSpot، پرداخته است.

    البته منظور هات‌اسپات‌های اینترنت WiFi تلفن‌های همراه نیست. نئوگی معتقد است بیشتر ابزارهای محاسباتی مدرن ایراداتی دارند؛ حال اینکه کوچک‌ترین خرابی قطعات الکترونیکی باعث می‌شود گرما در برخی نقاط خاص متمرکز می‌شود. این هات‌اسپات‌ها را می‌توان به ناهمورای‌های جاده تشبیه کرد که به تدریج سرعت وسیله نقلیه شما را کاهش می‌دهند. چنین «هات‌اسپات‌»هایی کارایی تلفن‌های همراه را نیز کاهش می‌دهند.

    به عقیده نئوگی مسئله این است که مهندسانی که بر قابلیت‌های شبیه‌سازی‌های کامپیوتری و یا مدل‌ها تکیه می‌کنند نمی‌توانند به موقع محل و زمان بروز این خرابی‌ها را پیش‌بینی کنند.

    به گفته نئوگی به کمک فیزیک مدل‌ها می‌توانیم شناخت بهتری از سیستم‌هایی که تقریباً از ۱۰۰ اتم تشکیل‌شده‌اند، پیدا کنیم، اما این سیستم‌ها با دستگاه‌هایی که از میلیاردها اتم تشکیل شده‌اند قابل قیاس نیستند.

    به عقیده وی مهندسان به کمک هوش مصنوعی و یادگیری ماشین می‌توانند دستگاه‌های بهتری طراحی کنند.

    از اتم‌ها تا دستگاه‌ها

    بار دیگر قطعات لِگو را در نظر بگیرید! در این مورد قطعات لِگو همان مجموعه‌های ۱۶تایی از سیلیکون و اتم ژرمانیوم هستند؛ سیلیکون و اتم ژرمانیوم اصلی‌ترین اجزای سازنده قطعات کامپیوتری هستند.

    نئوگی و همکاران، در تازه‌ترین پژوهش‌ِ خود مدل کامپیوتری جدیدی توسعه داده‌اند که به کمک هوش مصنوعی مشخصات فیزیکی این اجزای سازنده و نحوه ترکیب اتم‌ها و الکترون‌ها برای توزیع انرژی در مواد را یاد می‌گیرد. به همین ترتیب مدل با تکیه بر همین اجزای سازنده می‌تواند نحوه توزیع انرژی در بخش‌های اتمی بزرگ‌تر را مشخص کند.

    به گفته نئوگی:«این مدل اطلاعاتی را از تک تک واحد‌ها جمع‌آوری می‌کند و برای پیش‌بینی مشخصات نهایی سیستم آن‌ها را با هم ترکیب می‌کند؛ این سیستم ممکن است از دو، سه و یا بیشتر از این تعداد واحد تشکیل شده باشد.»

    مدلی که نئوگی و همکارانش توسعه داده‌اند راه طولانی در پیش دارد تا بتوانند ایرادات دستگاهی به اندازه یک تلفن همراه را پیش‌بینی کنند. اما این مدل کارایی و سودمندی خود را به اثبات رسانده است. نئوگی و همکاران توانسته‌اند با استفاده از این ابزار مشخصات چندین ماده که از سیلیکون و ژرمانیوم ساخته شده‌ بودند را پیش‌بینی کنند.

    این پژوهشگر با تکیه بر دانشی که در زمینه جریان انرژی و گرما در دستگاه‌های ریزمقیاس دارد، قصد دارد دستگاه‌های موجود را ارتقا دهد و علاوه بر این به ساخت‌ دستگاه‌های آتی کمک کند. در سال ۲۰۱۹، نئوگی به پروژه‌ای با بودجه‌ای معادل ۷/۱ میلیون دلار ملحق شد تا قابلیت‌های کامپیوترهای «نوروموفیک» را یا دستگاه‌هایی که برای ذخیره و تحلیل اطلاعات از نورون‌های مغز انسان تقلید می‌کنند، کشف کنند.

    نئوگی می‌گوید:« من می‌خواهم مجموعه‌ اتم‌هایی که دستگاه‌‌ها را تشکیل می‌دهند با دقت بیشتری بررسی کنم و بدین ترتیب نقش و اهمیت مواد و خرابی قطعات الکترونیکی در کارکرد دستگاه‌ها را مشخص کنم.»

    انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    ربات های خانگی تویوتا با قابلیت‌های جدیدی عرضه می‌شوند

    مقاله قبلی

    دانشمندان دیپ مایند: حوزه یادگیری تقویتی برای هوش مصنوعی عمومی کافیست

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد.