یادگیری عمیق برای کشف مواد

آمازون در گزارش خود اعلام کرد: «همکاری بین AWS و Orbital به ارزیابی مقیاس‌پذیری و عملکرد این فناوری‌های جدید در زمینه حذف کربن و افزایش بهره‌وری خواهد پرداخت.»

Orbital مانند بسیاری از آزمایشگاه‌های علم مواد که از هوش مصنوعی استفاده می‌کنند، اعلام کرده که توسعه مواد جدید در آزمایشگاه‌ها معمولاً فرآیندی کند و مبتنی بر آزمایش و خطا بوده است. البته هوش مصنوعی مولد توانسته زمان کشف این مواد را به طور چشمگیری کاهش دهد.

این استارتاپ گفت: «Orbital با استفاده از پلتفرم هوش مصنوعی خود، موفق شده عملکرد مواد خود را ۱۰ برابر بهبود دهد که این سرعت پیشرفت، به‌مراتب بیشتر از روش‌های سنتی است و بهبود قابل‌توجهی در اثر بخشی حذف کربن به وجود آورده است». همچنین این شرکت قصد دارد فناوری‌های حذف کربن را تا پایان سال ۲۰۲۵ پیاده‌سازی و آزمایش کند.

ادعاهای Orbital مبنی بر «بهبود چشمگیر» در سرعت کشف مواد، توسط نتایج تحقیقاتی از دانشگاه فناوری ماساچوست (MIT) نیز پشتیبانی می‌شود که نشان می‌دهند ما در عصر طلایی کشف مواد زندگی می‌کنیم.

عصر طلایی علم مواد؟

تحقیقات اخیر از MIT پتانسیل فناوری‌های هوش مصنوعی و نقش آن‌ها در کمک به دانشمندان، به‌ویژه آن‌هایی که در زمینه علم مواد فعالیت می‌کنند، را مورد بررسی قرار داده است. نویسنده این تحقیق پس از ارائه «فناوری کشف مواد جدید» به ۱۰۱۸ دانشمند در یک «آزمایشگاه تحقیق و توسعه یک شرکت بزرگ آمریکایی»، نتایج جالبی را منتشر کرد.

این داده‌ها نشان داد که کشف مواد جدید ۴۴٪ افزایش‌یافته، ثبت پتنت‌ها ۳۹٪ بیشتر شده و تعداد پروتوتایپ‌های محصولات که از این مواد جدید استفاده کرده‌اند، ۱۷٪ افزایش داشته است.

«ایدن تونر-راجرز» گفت: «این مدل که بر اساس ترکیب و ویژگی‌های مواد موجود آموزش‌دیده است، دستورالعمل‌هایی برای ترکیبات جدید تولید می‌کند که پیش‌بینی می‌شود خواص مشخصی داشته باشند.»

جالب اینکه، تحقیق همچنین نشان داد که ۸۲٪ از دانشمندان اعلام کردند که سطح رضایت آن‌ها از کارشان کاهش‌یافته است، زیرا متوجه شدند که استفاده از هوش مصنوعی باعث کاهش خلاقیت و بهره‌برداری کمتر از مهارت‌هایشان شده است.

تحول هوش مصنوعی در علم مواد از سال گذشته آغاز شد، زمانی که Google DeepMind تحقیقی تحت عنوان «گسترش یادگیری عمیق برای کشف مواد» منتشر کرد. در این تحقیق، آن‌ها ۲.۲ میلیون بلور جدید کشف کردند که معادل ۸۰۰ سال کار علمی است. از این تعداد، ۳۸۰,۰۰۰ ماده پایدار بودند.

DeepMind در اعلامیه خود گفت: «برای مثال، ۵۲,۰۰۰ ترکیب لایه‌ای جدید مشابه گرافن، پتانسیل این را دارند که با توسعه ابررساناها، الکترونیک را متحول کنند.»

همچنین Google DeepMind فراتر از کشف مواد رفت و تحقیقی دیگری منتشر کرد که در آن اعلام شد ۴۱ ماده از ۵۸ ماده منتخب تنها در ۱۷ روز با موفقیت سنتز شدند.

Meta نیز با انتشار مجموعه‌داده عظیمی به نام Open Materials 2024 یا OMat24، وارد عرصه علم مواد شد. این مجموعه‌داده شامل بیش از ۱۱۸ میلیون نمونه از شبیه‌سازی‌ها و ساختارهای مواد است که تمرکز آن بر روی انواع مختلف مواد بی‌ارگانیک حجیم است تا کشف مواد با استفاده از هوش مصنوعی را بهبود ببخشد.

مواد جدید، واقعاً؟

یادگیری عمیق برای چند سال است که تحقیق و کشف مواد را تقویت کرده است. با این حال، اگر بخواهیم بگوییم که هوش مصنوعی چگونه می‌تواند به بشریت کمک کند، تنها بررسی کشف مواد جدید کافی نیست، بلکه یافتن روش‌هایی برای سنتز و تولید تجاری آن‌ها نیز از اهمیت بالایی برخوردار است.

زمانی که Google DeepMind سال گذشته این اعلامیه را منتشر کرد، مدت زیادی طول نکشید تا نتایج متناقض وارد عرصه شوند. یکی از محققان گفت که بسیاری از مواد کشف‌شده در واقع نوآورانه نبوده و تنها تغییرات جزئی از ترکیب‌های شناخته‌شده بودند. همچنین اظهار شد که Google DeepMind عمدتاً روی پایداری مواد تمرکز کرده بود و کارکردهایی که برای کاربردهای عملی ضروری هستند را نادیده گرفته بود.

علاوه بر این، ادعای گوگل مبنی بر سنتز مواد جدید کشف‌شده با استفاده از یک آزمایشگاه خودکار، تحت بررسی و نقد قرار گرفته است. در واقع این نقد با استناد به یک مطالعه از دانشگاه پرینستون مطرح شد. محققان این مطالعه به طور کامل ادعای گوگل دیپ‌مایند را رد کرده و بیان کردند که هیچ‌کدام از موادی که توسط آزمایشگاه خودکار تولید شده‌اند، جدید نبوده‌اند و اکثر آن‌ها به اشتباه طبقه‌بندی شده‌اند.

نویسندگان همچنین اشاره کرده‌اند که بیشتر محصولات سنتز شده به اشتباه توصیف شده‌اند. این سیستم قادر به تمایز بین مواد با چینش‌های اتمی تصادفی و سازمان‌یافته نبوده است. به طور خلاصه، نویسندگان می‌گویند که هوش مصنوعی می‌تواند پیش‌بینی‌هایی تولید کند، اما در تفسیر نتایج تجربی به طور دقیق دچار مشکل می‌شود.

زمان استفاده از آن

فرض کنیم این چالش‌ها در کشف و سنتز مواد جدید برطرف شوند، حال سؤال اینجاست که چه زمانی می‌توانیم این مواد جدید را در دست بگیریم؟

این قطعاً یک سفر بسیار طولانی است. «بنیامین رینهاردت»، مدیرعامل Speculative Technologies این موضوع را به بهترین شکل در اثر خود با عنوان «خارج‌کردن مواد از آزمایشگاه» بیان کرده است. رینهاردت می‌گوید: «می‌توانید مواد آزمایشگاهی را همچون خاص‌ترین محصولات دست‌ساز در جهان تصور کنید که با دقت و وسواس توسط افرادی با تحصیلات عالی ساخته می‌شوند. مانند هر محصول دست‌ساز دیگری، مواد آزمایشگاهی نیز گران‌قیمت هستند.»

«تلاش برای تولید انبوه این مواد فقط با افزایش تعداد هودهای آزمایشگاهی، لوله‌های آزمایش و افراد با پیپت در دست، می‌تواند هزینه‌ای میلیاردی به ازای هر کیلوگرم ایجاد کند.»

«تولید انبوه یا گسترش این مواد کشف‌شده همچنان یک چالش بزرگ است. از تحلیل نحوه شکست مواد در شرایط کنترل‌شده گرفته تا راه‌اندازی کارخانه‌ای در مقیاس صنعتی، رعایت مقررات و توجیه انتخاب‌ها برای سرمایه‌گذاران و مشتریان، همگی می‌توانند به تلاش‌های بی‌پایان و بی‌نتیجه تبدیل شوند.»

دانشمندانی که بیشتر در دانشگاه‌ها فعالیت می‌کنند، انگیزه‌های زیادی برای تمرکز بر نوآوری و آزمایش‌های تک نمونه دارند، زیرا انجام این کارها می‌تواند منجر به انتشار مقالات و جلب‌توجه مثبت رسانه‌ها شود.

رینهاردت گفت: «استارتاپ‌هایی که در حال تجاری‌سازی یک ماده جدید هستند، با چالش‌های زیادی از جمله روابط اغلب اجتناب‌ناپذیر با شرکت‌های بزرگ، تعادل میان سرعت و حاشیه سود و محدودیت‌های سرمایه روبه‌رو هستند.»

مواد جدید کشف‌شده باید مراحل آزمایش زیادی را پشت سر بگذارند. در واقع تاریخ نشان داده که هنگام استفاده عملی از این مواد، فاجعه‌هایی در دنیای واقعی رخ‌داده است. برای مثال، فیبر کربن و مواد مرکب این روزها خیلی پرطرف‌دار شده‌اند، اما اگر به گذشته نگاه کنیم، در فاجعه اخیر انفجار زیردریایی OceanGate، زیردریایی تایتان از «پوسته مرکب فیبر کربن آزمایشی» استفاده کرده بود. در واقع این اولین بار بود که از این ماده در یک زیردریایی استفاده می‌کردند.

یک تحقیق نشان داد که پوسته زیردریایی ممکن است تحت‌فشارهای شدید در اعماق دریا، دچار ترک‌های میکروسکوپی و جداشدن لایه‌ها شود. حتی نقص‌های ریز در فرآیند تولید مواد فیبر کربن می‌توانند این مشکلات را تشدید کنند.

در سال ۲۰۱۷، آتش‌سوزی برج گرنفل در لندن منجر به کشته‌شدن ۷۲ نفر شد. علت اصلی آتش‌سوزی، نمای خارجی ساختمان بود که از پنل‌های کامپوزیت آلومینیوم با هسته پلی‌اتیلن و عایق‌های قابل‌اشتعال ساخته شده بود. ترکیب این مواد باعث گسترش سریع آتش شد و تحقیقات نشان داد که تولیدکنندگان از خلاء‌های موجود در قوانین سوءاستفاده کرده‌اند.

بنابراین، پیش از آنکه این مواد به مرحله کاربردی برسند، باید با احتیاط بیشتری با آن‌ها برخورد کرد. رینهاردت در این مقاله مجموعه داده‌ای را ارائه کرده که روند زمانی از کشف مواد تا تجاری‌سازی کامل آن‌ها را به طور واضح نشان می‌دهد.

اعداد به‌خوبی گویای واقعیت هستند. در آینده، هرگاه کشف مواد جدید توسط هوش مصنوعی هیجان‌انگیز به‌نظر رسید، باید واقع‌بینانه‌تر به آن نگاه کنیم. بدون شک، هوش مصنوعی پتانسیل بالایی برای سرعت بخشیدن به فرآیند تولید دارد، اما هنوز باید دید که این پتانسیل چگونه به واقعیت تبدیل خواهد شد.