هوش مصنوعی، کشف مواد جدید چاپ سه بعدی را سرعت می‌بخشد
تیم تحریریه- ۱۸ دی ۱۴۰۰
پژوهشگران MITو BASF یک سیستم مبتنی بر داده ایجاد کرده‌اند که به فرایند کشف مواد جدید چاپ سه بعدی که ویژگی‌های مکانیکی چندگانه دارند، سرعت می‌بخشد. سیستم یادگیری ماشین جدید، هزینه و پسماند کمتری دارد و می‌تواند نسبت به روش‌های اکتشاف دستی، مبتکرانه‌تر باشد.
محبوبیت روزافزون چاپ سه بعدی در تولید انواع کالاها، از ابزار پزشکی سفارشی، تا خانه‌های ارزان، تقاضای بیشتری برای مواد جدید چاپ سه بعدی که برای کاربردهای بسیار خاص طراحی شده‌اند، به وجود آورده است.
پژوهشگران MIT برای کاهش زمان کشف این مواد جدید، یک فرایند داده‌بنیان ایجاد کرده‌اند که از یادگیری ماشین برای بهینهسازی مواد جدید چاپ سه بعدی با ویژگی‌های چندگانه، مانند سختی و مقاومت در برابر فشار، استفاده می‌کند.
این سیستم با ساده‌سازی توسعه مواد، هزینه‌ها را کاهش می‌دهد و از طریق کاهش مقدار پسماندهای شیمیایی، اثرات مخرب زیست‌محیطی را کم می‌کند. همچنین این الگوریتم یادگیری ماشین می‌تواند با پیشنهاد فرمول‌های شیمیایی منحصربه‌فرد که ممکن است انسان از آن‌ها غافل شود، موجب نوآوری شود.
مایک فوشی، مهندس مکانیک و مدیر پروژه گروه طراحی و تولید محاسباتی (CDFG) در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و نویسنده اصلی مقاله می‌گوید: «توسعه مواد، کاری است که هنوز بیشتر فرایند آن به صورت دستی انجام می‌شود؛ شیمی‌دان به آزمایشگاه می‌رود، با دست مواد را با هم مخلوط می‌کند، نمونه‌ها را آماده و آن‌ها را آزمایش می‌کند و به فرمول نهایی دست می‌یابد؛ اما به جای اینکه یک شیمی‌دان داشته باشیم که فقط بتواند در بازه زمانی چندروزه، چند تکرار را انجام دهد، سیستم ما می‌تواند صدها تکرار را در همان بازه زمانی انجام دهد.»
دیگر نویسندگان مقاله تیموتی ارپس، دستیار فنی CDFG؛ مینا کوناکوویچ لکوویچ، پسادکتریCSAIL ؛ ون شو، پسادکتری سابقMIT که اکنون استادیار دانشگاه آرکانزاس است؛ نویسنده ارشد وویسچ کاتوسیک، استاد مهندسی الکتریک و علوم کامپیوتر MITو هنس هاگن گوتزکه، هرو دیتسچ و کلاس استال از BASF هستند. این پژوهش در 15 اکتبر 2021 در مجله Science Advances منتشر شده است.
بهینهسازی اکتشاف
در سیستمی که این پژوهشگران ایجاد کرده‌اند، یک الگوریتم بهینهسازی، بیشترِ آزمون و خطای فرایند کشف را انجام می‌دهد. در واقع، یک توسعه‌دهنده مواد، تعدادی ماده را انتخاب می‌کند و نکات مربوط به ترکیب شیمیایی آن‌ها را وارد الگوریتم می‌کند و ویژگی‌های مکانیکی‌ای را که ماده جدید باید داشته باشد، تعیین می‌کند. سپس الگوریتم، مقدار آن ترکیبات را افزایش یا کاهش می‌دهد (مانند شیرفلکه یک تقویت‌کننده) و پیش از رسیدن به ترکیب ایده‌آل، اثر هر فرمول را بر روی ویژگی‌های ماده کنترل می‌کند. سپس توسعه‌دهنده، آن نمونه را ترکیب، پردازش و آزمایش می‌کند، تا عملکرد واقعی ماده را بسنجد. توسعه‌دهنده، نتایج را به الگوریتم گزارش می‌کند. الگوریتم به صورت خودکار از آزمایش می‌آموزد و از اطلاعات تازه استفاده می‌کند، تا برای آزمایش فرمولی دیگر، تصمیم بگیرد.
فوشی می‌گوید: «ما فکر می‌کنیم که برای برخی از کاربردها، این روش بهتر از روش مرسوم عمل می‌کند؛ زیرا برای یافتن راه‌حل بهینه می‌توان بر الگوریتم بهینهسازی، اتکای بیشتری داشت و نیازی به حضور شیمی‌دان متخصص برای از پیش انتخاب کردن فرمول، وجود ندارد.»
پژوهشگران یک سامانه رایگان و منبع بازِ بهینهسازی مواد به نام AutoOED ایجاد کرده‌اند که از همین الگوریتم بهینهسازی استفاده می‌کند.AutoOED یک بسته نرم‌افزاری کامل است که به پژوهشگران این امکان را می‌دهد که بهینهسازی خود را انجام دهند.
آماده‌سازی مواد
پژوهشگران از این سیستم برای بهینهسازی فرمول یک جوهر چاپ سه بعدی جدید استفاده کردند، تا امکان آزمایش آن فراهم شود. در صورتی که این جوهر در معرض نور فرابنفش قرار گیرد، سخت می‌شود. آن‌ها شش ماده شیمیایی را برای استفاده در فرمول‌ها تعیین کردند و هدف الگوریتم را شناسایی بهترین ماده با توجه به ویژگی‌های سختی، قدر مطلق فشردگی (سفتی) و استحکام، قرار دادند.
بیشینه‌سازی این سه ویژگی به صورت دستی، بسیار چالش‌برانگیز است؛ زیرا می‌توانند با هم ناسازگار باشند؛ به عنوان مثال، محکم‌ترین ماده، لزوماً سفت‌ترین ماده نیست. شیمی‌دان با استفاده از فرایند دستی، هر بار سعی می‌کند، یک ویژگی را بیشینه کند، در نتیجه تعداد آزمایش‌ها و پسماندها، زیاد می‌شود.
الگوریتم فقط پس از آزمایش 120 نمونه به 12 ماده با عملکرد بالا دست یافت که بهینه‌ترین موازنه را بین سه ویژگی داشتند.
فوشی و همکارانش از انواع مواد گوناگونی که الگوریتم توانست تولید کند، غافلگیر شدند و اظهار داشتند که نتایج بسیار متنوع‌تر از حد انتظار آن‌ها از ترکیبات شش ماده بود. این سیستم، مشوق انجام پژوهش است، پژوهشی که به طور ویژه می‌تواند در مواردی مفید واقع شود که ویژگی‌های یک ماده خاص به راحتی و با درک مستقیم کشف نمی‌شود.
سریع‌تر در آینده
فوشی در ادامه می‌گوید: «گسترش هر چه بیشتر اتوماسیون به این معناست که می‌توان سرعت فرایند را بیشتر هم کرد. پژوهشگران هر نمونه را به صورت دستی مخلوط و آزمایش کردند؛ اما ربات‌ها می‌توانند در نسخه‌های آینده سیستم، کار توزیع و اختلاط را انجام دهند. پژوهشگران علاقه‌مند هستند، تا در ادامه این مسیر، فرایند کشف مبتنی بر داده را برای کاربردهایی فراتر از توسعه جوهرهای جدید چاپ سه بعدی، آزمایش کنند. به طور کلی، این سیستم در علم مواد کاربردهای گسترده‌ای دارد. به عنوان مثال، برای طراحی باتری‌های جدیدی که کارایی بیشتر و هزینه کمتر داشته باشند نیز می‌توان از چنین سیستمی استفاده کرد. همچنین در بهینهسازی رنگ ماشین به صورتی که عملکرد خوبی داشته باشد و همچنین دوستدار محیط‌زیست باشد، این سیستم کارآمد است.»
کیت ای. براون، استادیار گروه مهندسی مکانیک دانشگاه بوستون، بیان می‌کند: «با توجه به اینکه این کار، یک رویکرد نظام‌مند برای تعیین مواد بهینه ارائه می‌دهد، می‌تواند گامی اساسی به سمت تحقق ساختارهای دارای عملکرد بالا باشد. تمرکز بر فرمول‌بندی مواد جدید، بسیار دلگرم‌کننده است؛ زیرا پژوهشگرانی که محدود به مواد تجاری دردسترس هستند، اغلب از این عامل غفلت می‌کنند. از طرفی، ترکیب روش‌های مبتنی بر داده و علوم تجربی، گروه را قادر ساخت که مواد را با روشی کارآمد شناسایی کنند. از آنجایی که کارایی تجربی، موردی است که همه آزمایشگران می‌توانند آن را تشخیص دهند، روش حاضر این فرصت را دارد که در جامعه، برای اتخاذ روش‌های داده‌محورتر ایجاد انگیزه کند.»
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید
