40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 تشخیص مواد دارای خاصیت گذار فلز عایق با ابزارهای رایگان هوش مصنوعی

تشخیص مواد دارای خاصیت گذار فلز عایق با ابزارهای رایگان هوش مصنوعی

دانشمندان موفق شدند با استفاده از ابزارهای مبتنی بر یادگیری ماشین، ویژگی‌ها و خواص مهمی کشف کنند که به شناسایی مواد دارای خاصیت گذار فلز عایق کمک می‌کنند.

تیمی میان‌رشته‌ای از محققان دانشگاه مهندسی نورث‌وسترن و مؤسسه‌ی فناوری ماساچوست موفق شدند با تکیه بر تکنیک‌های هوش مصنوعی (AI) ابزارهای جدیدی در اختیار دانشمندان علم مواد قرار دهند. این ابزارها رایگان بوده و کاربرد آسانی دارند. دانشمندان به کمک این ابزارها می‌توانند در مدت زمان کمتری، موادی که خاصیت گذار فلز عایق از خود نشان می‌دهند (MIT) را شناسایی و مطالعه کرده و ویژگی‌ها و خواص جدیدی برای توصیف این نوع مواد کشف کنند.

یکی از عوامل کلیدی در ساخت سریع و به صرفه‌ی دستگاه‌های میکروالکترونیک و همچنین طراحی معماری‌های کامپیوتر، کشف مواد جدیدی است که خواص فلزی تنظیم‌پذیر داشته باشند. مقاومت الکتریکی مواد MIT می‌تواند بسته به خواص محیط، رفتار فلزی و یا نارسانایی از خود نشان دهد.

خاصیت گذار فلز عایق

تاکنون برخی از مواد MIT در دستگاه‌های الکترونیک به کار رفته‌اند؛ با این حال، شمار کل MITهای شناخته شده به 70 نمی‌رسد و تعداد موادی که قابلیت قرارگیری در دستگاه‌های الکترونیک جدید را دارند از این هم کمتر است. از سوی دیگر، خواص الکتریکی این مواد از طریق مکانیزم‌های گوناگون تغییر می‌کند؛ امری که درک جامع این نوع مواد را دشوارتر می‌کند.

جیمز راندینلی، استاد مهندسی صنایع و مواد دانشگاه مهندسی مک‌کورمیک و محقق اول این مطالعات، توضیح می‌دهد: «در نتیجه‌ی مطالعات ما، دیتابیس، کلسیفایر آنلاین و مجموعه ویژگی جدیدی فراهم شده‌‌ تا مسیر درک و کشف این نوع مواد را هموار کنند. سایر دانشمندان هم می‌توانند از این یافته‌ها استفاده کرده و با اجرای آن‌ها روی مواد دیگر، به کشف و درک مواد کوآنتومی دیگر نیز سرعت ببخشند.»

تشخیص مواد دارای خاصیت گذار فلز عایق، در دسترس همه

الکساندرو جورجسکو، محقق آزمایشگاه راندینلی و نویسنده‌ی اول مقاله، در مورد این مطالعات می‌گوید: «یکی از جنبه‌های کلیدی ابزارها و مدل‌های ما این است که برای گروه وسیعی از افراد قابل دسترس هستند. دانشمندان و مهندسان برای استفاده از آن‌ها نیازی به درک یادگیری ماشین ندارند؛ درست همانطور که برای جستجو در اینترنت لازم نیست آشنایی عمیقی با الگوریتم‌های جستجو داشته باشیم.»

در تاریخ 6 ژوئیه 2021، پژوهش مذکور در قالب مقاله‌ی «دیتابیس، ویژگی‌ها و مدل یادگیری ماشین لازم برای تشخیص ترکیبات حرارتی با خاصیت گذار فلز عایق Database, Features, and Machine Learning Model to Identify Thermally Driven Metal-Insulator Transition Compounds» در ژورنال شیمی مواد به چاپ رسید.

دنیل اپلی، استاد مهندسی صنایع و علوم مدیریت دانشگاه مهندسی نورث‌وسترن، السا ای‌اولیوتی، استر و هارولد ای‌اجرتن، استادیار مهندسی و علوم مواد مؤسسه‌ی فناوری ماساچوست از دیگر محققان حاضر در این پژوهش بودند.

محققان با تکیه بر دانشی که از مواد MIT در دست داشتند و همینطور فناوری پردازش زبان طبیعی (NLP)، ادبیات پژوهشی موجود را به دقت جستجو کرده و موفق به تشخیص 60 ترکیب MIT شدند؛ علاوه بر این، 300 ماده‌ی دیگر کشف کردند که ترکیب شیمیایی مشابهی داشتند اما خاصیت MIT از خود نشان نمی‌دادند. مواد کشف شده، به همراه ویژگی‌های مربوطه، در قالب دیتابیسی متن‌باز در دسترس علاقه‌مندان قرار گرفته است.

گام دوم

در گام بعدی، دانشمندان توانستند با استفاده از ابزارهای یادگیری ماشین، ویژگی‌ها و خواص مهم این مواد را شناسایی کنند. در این راستا، اهمیت برخی ویژگی‌ها که قبلاً شناسایی شده بودند (برای مثال فاصله‌ی بین یون‌ها در فلزهای رسانا یا واپسرانی الکترواستاتیک Electrostatic repulsion در برخی از مواد) و همچنین دقت مدل تأیید شد. به غیر از این، ویژگی‌های جدیدی کشف شدند که در پژوهش‌های قبلی نادیده گرفته شده بودند؛ برای مثال، مشخص شد ویژگی‌هایی همچون تفاوت اندازه‌ی اتم‌ها با یکدیگر یا میزان یونی یا کوآلانسی بودن پیوندهای بین اتم‌ها، نقشی حیاتی در توسعه‌ی مدل‌های معتبر یادگیری ماشین برای تشخیص مواد MIT ایفا می‌کنند.

طبق گفته‌ی اپلی: «این ابزار رایگان به همه‌ی علاقه‌مندان کمک می‌کند به سرعت پیش‌بینی کنند ماده‌ای که مدنظر دارند فلز است یا رسانا، یا این‌که در دسته‌ی MITها قرار می‌گیرد.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]