کشف نانوساختارهای جدید به کمک هوش مصنوعی
تیم تحریریه- ۲۴ دی ۱۴۰۱
تصاویر میکروسکوپ الکترونی روبشی نانوساختارهای جدید کشف‌شده توسط هوش مصنوعی را به تصویر می‌کشند. محققان این الگوها را به صورت نردبان (راست) توصیف می‌کنند. دانشمندان آزمایشگاه ملی بروکهاون وزارت انرژی ایالات متحده (DOE) به کمک هوش مصنوعی موفق به کشف سه نانوساختار جدید، از جمله یک «نردبان» در مقیاس نانو در نوع خود شده‌اند. این تحقیق در Science Advances منتشر شده است.
به گزارش هوشیو، ساختارهایی که تازه کشف شده‌اند، با فرایندی به نام خودآرایی شکل گرفته‌اند که در آن مولکول‌های یک ماده خود را در الگوهای منحصربه‌فرد سازماندهی می‌کنند. گرگوری دورک، دانشمند CFN در این باره می‌گوید: «خودآرایی می‌تواند به عنوان تکنیکی برای الگوسازی نانو استفاده شود. این تکنیک، محرکی برای پیشرفت در میکروالکترونیک و سخت‌افزار رایانه است. این فناوری‌ها همیشه با استفاده از الگوهای نانوی کوچک‌تر برای وضوح بالاتر تلاش می‌کنند. شما می‌توانید ویژگی‌های بسیار کوچک و کاملاً کنترل‌شده‌ای را از مواد خودمونتاژشده دریافت کنید که مفیدترند.»
دانشمندان کارکنان در CFN قصد دارند کتابخانه‌ای از انواع نانوالگوهای خودمونتاژشده بسازند، تا کاربردهای آن‌ها را گسترش دهند. رهبر گروه CFN در این باره می‌گوید: «این واقعیت که ما اکنون می‌توانیم یک ساختار نردبانی ایجاد کنیم که هیچ‌کس قبلاً رویای آن را نداشته است، شگفت‌انگیز است. در واقع، خودآرایی سنتی فقط قادر است ساختارهای نسبتاً ساده‌ای مانند استوانه‌ها، ورق‌ها و کره‌ها را ایجاد کند؛ اما با کشفیات جدیدی که انجام شده متوجه شدیم که ساختارهای کاملاً جدیدی امکان ایجاد دارند.»
ترکیب مواد خودمونتاژشده با هم، دانشمندان CFN را قادر می‌سازد، تا ساختارهای منحصربه‌فردی را کشف کنند که البته این کشف، چالش‌های جدیدی را ایجاد کرده است؛ یعنی با اینکه پارامترهای بیشتری برای کنترل در فرایند خودآرایی وجود دارد، اما یافتن ترکیب مناسبی از این پارامترها برای ایجاد ساختارهای جدید و مفید، مشکل است. این دانشمندان برای تسریع در تحقیقات خود، از یک قابلیت هوش مصنوعی جدیدی با عنوان «آزمایش‌های خودمختار» استفاده کردند. آن‌ها در حال توسعه یک چارچوب هوش مصنوعی هستند که می‌تواند به طور مستقل تمام مراحل یک آزمایش را تعریف و انجام دهد. الگوریتم gpCAM CAMERA تصمیم‌گیری مستقل چارچوب را هدایت می‌کند که حاکی از توانایی الگوریتم در کشف مواد جدید است.
یاگر در این باره می‌گوید: «با کمک همکارانمان در آزمایشگاه برکلی، ما این نرم‌افزار و روش را آماده کردیم و اکنون با موفقیت از آن برای کشف مواد جدید استفاده کرده‌ایم. ما اکنون به اندازه کافی در مورد علم خودمختار یاد گرفته‌ایم که می‌توانیم یک مسئله مواد را انتخاب کنیم و آن را به‌آسانی به یک مسئله مستقل تبدیل کنیم.»
نکته جالب این است که این تیم برای تسریع در کشف مواد با استفاده از الگوریتم جدید خود، ابتدا یک نمونه پیچیده با طیفی از خواص را برای تجزیه و تحلیل توسعه دادند. محققان نمونه را با استفاده از تسهیلات نانوساخت CFN ساختند و خود مونتاژ را در مرکز سنتز مواد CFN انجام دادند.
یاگر در این باره ادامه می‌دهد: «یک روش قدیمی برای انجام علم مواد این است که یک نمونه را ترکیب کنیم، آن را اندازه‌گیری کنیم، از آن یاد بگیریم و سپس به عقب برگردیم و نمونه‌ای متفاوت بسازیم و دوباره به تکرار آن فرایند ادامه دهیم.» در عوض، ما نمونه‌ای ساختیم که دارای یک گرادیان از هر پارامتری است که به آن علاقه داریم.»
پس از آن، این تیم نمونه را به آزمایشگاه ملی بروکهیون (NSLS-II) آورد که اشعه ایکس فوق‌العاده برای مطالعه ساختار مواد تولید می‌کند. در واقع، CFN سه ایستگاه آزمایشی را با مشارکت NSLS-II اداره می‌کند.
ماسا فوکوتو، دانشمند NSLS-II در این باره می‌گوید: «یکی از نقاط قوت خط پرتو SMI توانایی آن در تمرکز پرتو اشعه ایکس بر روی نمونه تا میکرون است. با تجزیه و تحلیل چگونگی پراکنده شدن این پرتوهای ایکس میکروبی توسط مواد، ما یاد می‌گیریم که چگونه ساختار موضعی ماده در نقطه روشن انجام می‌گیرد. اندازه‌گیری‌ها در بسیاری از نقاط مختلف می‌توانند نشان دهند که چگونه ساختار محلی در سراسر نمونه گرادیان تغییر می‌کند. در این کار، الگوریتم هوش مصنوعی اجازه دارد که در لحظه انتخاب کند که کدام نقطه را باید اندازه‌گیری کند، تا ارزش هر اندازه‌گیری به حداکثر برسد.»
همان‌طور که نمونه در خط پرتو SMI اندازه‌گیری شد، الگوریتم، بدون دخالت انسان، مدلی از مجموعه ساختارهای متعدد و متنوع مواد را ایجاد کرد! این مدل با هر اندازه‌گیری بعدی اشعه ایکس خود را به‌روز می‌کند و هر اندازه‌گیری را دقیق‌تر از پیش انجام می‌دهد.
