فناوری انرژی
اخبارکاربردهای هوش مصنوعی

کاربرد هوش مصنوعی در پیشرفت فناوری‌های انرژی

    0
    زمان مطالعه: ۳ دقیقه

    هانگ‌لیانگ شین، استادیار مهندسی شیمی دانشکده مهندسی و همکارانش، چارچوب هوش مصنوعی جدیدی را ابداع کرده‌اند که به فرایند کشف مواد موردنیاز فناوری‌های مهم از قبیل فناوری انرژی و سلول‌های سوختی و دستگاه‌های جذب کربن، شتاب می‌بخشد.

    یافته‌های این پژوهشگران در مقاله «کاربست نظریه در یادگیری عمیق به منظور پیش‌بینی واکنش‌پذیری قابل‌تفسیر» در مجله Nature Communications به چاپ رسیده است. در این مقاله، روشی جدید به نام TinNet شرح داده شده است که الگوریتم‌های یادگیری ماشین با نظریه‌های تشخیص کاتالیزورهای جدید، تلفیق شده‌اند. کاتالیزورها، موادی هستند که واکنش‌های شیمیایی را آغاز می‌کنند یا سرعت آن‌ها را افزایش می‌دهند.

    TinNet روشی مبتنی بر یادگیری عمیق (زیرمجموعه‌ای از یادگیری ماشین) است که برای تقلید کارکرد مغز انسان از الگوریتم‌ها استفاده می‌کند. پیروزی کامپیوتر  Deep Blueاز شرکت IBM بر قهرمان شطرنج جهان، گری کاسپاروف در سال ۱۹۹۶، از اولین پیشرفت‌ها در زمینه یادگیری ماشین بود. به‌تازگی، یادگیری عمیق نقشی مهمی در توسعه فناوری‌هایی از قبیل خودروهای خودران داشته است.

    شین و همکارانش قصد دارند با استفاده از یادگیری ماشین در حوزه کاتالیزورها، فناوری‌ها و محصولات جدید و بهتری را در عرصه فناوری انرژی توسعه دهند، تا سطح زندگی روزمره، بهبود پیدا کند.

    فناوری انرژی

    به گفته شین، حدود ۹۰ درصد محصولات امروزی، در واقع حاصل فعالیت کاتالیزورها هستند. سریع‌ترین راه برای تولیدات محصولات، یافتن کاتالیزورهایی مؤثر و کارآمد است، اما پیدا کردن کاتالیزورهای جدید، می‌تواند کاری دشوار باشد.

    شین بیان داشت: «کلید طراحی فرایندهای کاتالیزوری کارآمد، درک نحوه تعامل کاتالیزورها با واسطه‌های مختلف و کنترل قدرت پیوند آن‌هاست، به‌نحوی که در منطقه گلدیلاکس قرار بگیرند. پژوهش ما دقیقاً ابزاری را برای همین هدف، فراهم می‌کند. الگوریتم‌های یادگیری ماشین می‌توانند مزایای فراوانی داشته باشند؛ زیرا بر خلاف انسان، قادرند الگوهای پیچیده موجود در دیتاست‌های بزرگ را شناسایی ‌کنند. بااین‌حال، یادگیری عمیق محدودیت‌هایی هم دارد، به‌ویژه در پیش‌بینی واکنش‌های شیمیایی بسیار پیچیده که بخشی ضروری در فرایند یافتن مواد موردنظر هستند. در این موارد، گاهی بدون هیچ علت مشخصی، یادگیری عمیق با مشکل روبه‌رو می‌شود.»

    همانث پیلای، دانشجوی مهندسی شیمی و یکی از نویسندگان مقاله، گفت: «بیشتر مدل‌های یادگیری ماشین که برای پیش‌بینی یا طبقه‌بندی ویژگی‌های مواد توسعه یافته‌اند، اغلب از نوع (الگوریتم‌های) جعبه‌سیاه هستند و اطلاعات عینی محدودی فراهم می‌کنند.»

    سیون وانگ هم که دانشجوی مهندسی شیمی و یکی دیگر از نویسندگان مقاله است، ابراز کرد: «قابلیت‌های پیش‌بینی و تفسیر که در طراحی کاتالیزورها ضروری هستند، در روش TinNet ارتقا یافته‌اند.»

    رویکرد دوگانه TinNet، با ترکیب نظریه‌های پیشرفته کاتالیز با هوش مصنوعی، به محققان کمک می‌کند، نگاهی دقیق‌تر به این جعبه‌سیاه داشته و فرایندها و چرایی آن‌ها را دریابند. این روش می‌تواند به نوآوری در حوزه‌های دیگر هم کمک کند.

    شین گفت: «امیدواریم بتوانیم این رویکرد را در دسترس عموم قرار دهیم، تا محققان دیگر با تکیه بر آن، تکنیک‌های پیشرفته‌تری در عرصه‌ فناوری انرژی تجدیدپذیر و کربن‌زدایی توسعه دهند. به نظر من، این رویکرد همان فناوری کلیدی است که می‌تواند به کشفیاتی جدید منتهی شود.»

    لوک آچین، استاد مهندسی شیمی و متخصص یادگیری ماشین و همچنین شی هان وانگ از دیگر نویسندگان این مقاله بودند. این محققان درحال‌حاضر مشغول کار بر روی کاربرد TinNet در پروژه کاتالیز خود هستند. اندی آتاوال، دانشجوی مهندسی شیمی نیز به این پروژه ملحق شده است.

    آتاوال بیان کرد: «من واقعاً دوست دارم جنبه‌های مختلف مهندسی شیمی را فراتر از محتوای درسی دانشگاه‌ها، ببینم؛ این رشته کاربردهای زیادی دارد و می‌تواند بسیار تحول‌آفرین باشد. سهم داشتن در این فرایند احساس فوق‌العاده‌ای دارد.»

    جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۲ میانگین: ۳.۵]

    تحلیل هوش مصنوعی، شمشیری دولبه

    مقاله قبلی

    داده افزایی و جلوگیری از بیش‌برازش مدل در مسائل طبقه‌بندی تصویر

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    بیشتر در اخبار

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد.