نقش یادگیری عمیق در کشف آلیاژهای جدید آنتروپی بالا

شبیه‌سازی‌های ابرکامپیوتری به دانشمندان کمک می‌کند، تا آلیاژهای جدید آنتروپی بالا کشف کنند. ابرکامپیوتر مرکز محاسبات پیشرفته تگزاس (TACC) به نام Stampede2، از طریق انجمن XSEDE، در اختیار پژوهشگران قرار گرفت، تا محاسبات لازم برای نظریه‌ تابع چگالی را انجام داده و بزرگ‌ترین دیتابیس موجود از خواص آلیاژهای آنتروپی‌بالا را ایجاد کنند. شبکه Deep Sets این ابرکامپیوتر توانست مدل‌های لازم برای پیش‌بینی خواص آلیاژهای جدید آنتروپی‌بالا را تولید کند. هدف متخصصان از مطالعه‌ و کشف آلیاژهای جدید آنتروپی‌بالا، ساخت مواد جدید برای تحقق آینده‌ای پایدارتر است.

آلیاژها ترکیبی هستند که انرژی و بازدهی نهایی‌شان، از جمع بازدهی تک‌تک اجزا بیشتر است. برای نمونه، قدرت استیل (آلیاژ آهن و کربن) از تک‌تک اجزایش بیشتر است و توانسته صنایع را متحول سازد.

شبیه‌سازی‌های کامپیوتری در کشف آلیاژهای جدید به نام آلیاژهای آنتروپی‌بالا به متخصصان کمک می‌کنند. پژوهشگران با کمک XSEDE (محیط کشفیات مهندسی و علمی شدید) توانستند از ابرکامپیوتر گروه TACC به نام Stampede2 بهره‌مند شوند.

این پژوهش که در ژورنال Npj Computational Materials منتشر شده است، رویکردی برای کشف مواد جدید پیشنهاد می‌کند؛ این مواد جدید را می‌توان به عنوان جایگزین مواد گران‌قیمت همچون پلاتین یا کبالت، برای ساخت باتری، کاتالیست و غیره استفاده کرد.

وی چن، استاد علوم مواد دانشگاه فناوری ایلینوی و نویسنده ارشد مقاله، توضیح می‌دهد: «آلیاژهای جدید آنتروپی بالا نشان‌دهنده یک مفهوم طراحی کاملاً متفاوت هستند. در این پروژه سعی کردیم چندین عنصر اصلی را با هم ترکیب کنیم.»

اصطلاح «آلیاژ آنتروپی‌بالا» به کاهش انرژی حاصل از ترکیب تصادفی چندین عنصر با ساختار‌های اتمی مشابه اشاره دارد که می‌تواند به ایجاد و تثبیت مواد جدید بینجامد.

در پژوهش حاضر، چن و همکارانش 14 عنصر و ترکیبات آن‌ها را که به ساخت آلیاژهای جدید آنتروپی بالا انجامیدند، مورد بررسی قرار دادند. در این راستا، با انجام محاسبات مکانیک کوآنتومی توان‌بالا، خواص ثبات و الاستیک بیش از 7,000 آلیاژ جدید آنتروپی‌بالا را مطالعه کردند. به گفته‌ چن، این دیتابیس، بزرگ‌ترین دیتابیس موجود از خواص الاستیک آلیاژهای جدید آنتروپی‌بالا است.

در گام‌ بعدی، پژوهشگران معماری Deep Sets را روی دیتاست اجرا کردند؛ این معماری یک روش یادگیری ماشینی قاعده‌محور است که برای کشف روابط جدید و جالب میان متغیرها به کار می‌رود. در این پروژه، Deep Sets وظیفه داشت تأثیر انفرادی و جمعی مواد را روی خواص آلیاژهای جدید آنتروپی‌بالا بررسی کند.

چن در ادامه می‌گوید: «موفق شدیم چند قانون طراحی برای ساخت آلیاژهای جدید آنتروپی‌بالا استخراج کنیم. به علاوه، چندین ترکیب پیشنهادی هم ارائه داده‌ایم که تجربه‌گرایان می‌توانند امتحان کنند.»

آلیاژهای جدید آنتروپی‌بالا عضو جدید اما ضروری علوم مواد هستند. با این حال، نتایج تجربی کمی در مورد آن‌ها وجود دارد. کمبود داده، توانایی دانشمندان در طراحی آلیاژهای جدید را محدود کرده است.

چن معتقد است که او و همکارانش به همین دلیل محاسبات توان‌بالا اجرا کرده‌اند: تا بتوانند تعداد زیادی آلیاژ آنتروپی‌بالا را بررسی کرده و خواص ثبات و الاستیک آن‌ها را دریابند.

وی به انجام بیش از 160,000 محاسبات اصل-اولیه در پروژه اشاره می‌کند: «این تعداد محاسبات را نمی‌توان روی خوشه‌ای از کامپیوترهای معمولی انجام داد. به همین دلیل است که به تسهیلات محاسباتی پیشرفته همچون تجهیزات TACC نیاز داریم.»

ائتلاف مجازی XSEDE، با پشتیبانی بنیاد ملی علوم (NSF)، امکان دسترسی به ابرکامپیوتر TACC به نام Stampede2 را در اختیار چن و همکارانش قرار داده است. XSESE دسترسی رایگان و شخصی‌سازی شده به منابع دیجیتالی پیشرفته، مشاوره، آموزش و نظارت را فراهم می‌آورد.

کد EMTO-CPA که چن برای محاسبات نظریه تابع چگالی به کار برده بود، با ماهیت موازی محاسبات پیشرفته همخوانی نداشت؛ چون به توان بالایی نیاز داشته و محاسبات را به قطعات کوچک‌تری تبدیل می‌کنند، تا به صورت همزمان اجرا شوند.

چن توضیح می‌دهد: «TACC کد بسیار مفیدی به نام Launcher در اختیارمان قرار دادند که کمک کرد مسائل کوچک را به صورت یک یا دو مسئله‌ بزرگ درآوریم و با تکیه بر گره‌های محاسباتی پیشرفته Stampede2 به هدفمان برسیم.»

چن توانست با تکیه بر کد Launcher، حدود 60 مسئله‌ کوچک را ادغام کرده و سپس به صورت همزمان، روی یک گره‌ پیشرفته اجرا نماید. بدین ترتیب، بازدهی و سرعت محاسبات افزایش یافت.

به گفته‌ چن، این قابلیت ابرکامپیوترها در عین نوآورانه و منحصربه‌فرد بودن، برای بسیاری از مسائل مدلسازی در حوزه‌ علوم مواد رایج است.

در این پروژه، چن و همکارانش از یک معماری به نام Deep Sets برای مدلسازی خواص آلیاژهای جدید آنتروپی بالا استفاده کردند. معماری Deep Sets می‌تواند با استفاده از خواص عنصری آلیاژهای جدید آنتروپی‌بالا، مدل‌هایی بسازد که قادر به پیش‌بینی خواص سیستم‌های آلیاژی جدید هستند.

چن می‌گوید: «از آنجایی که این چارچوب بسیار پربازده است، قسمت عمده آموزش روی کامپیوتر شخصی یکی از دانشجویان انجام شد. اما برای پیش‌بینی از Stampede2 استفاده کردیم.»

چن به عنوان مثال به آلیاژ Cantor اشاره می‌کند؛ این آلیاژ ترکیب تقریباً برابری از آهن، منگزیم، کوبالت، کرومیوم و نیکل است. آنچه این آلیاژ را جالب‌توجه می‌سازد، مقاومت آن در برابر شکنندگی در دماهای بسیار پایین است.

چن یکی از دلایل این امر را پدیده‌ای به نام اثر مرکّب می‌داند. به موجب این اثر، عناصر تشکیل‌دهنده با یکدیگر ترکیب شده و یک آلیاژ آنتروپی‌بالا را تشکیل می‌دهند.

دلیل دیگر این است که وقتی عناصر با هم ترکیب می‌شوند، فضایی نسبتاً بی‌نهایت ایجاد می‌کنند که در آن می‌توان ساختارهای مرکب جدید را کشف کرد.

چن در انتها اضافه می‌کند: «امیدواریم پژوهشگران با تکیه بر ابزارهای محاسباتی، به شناخت بهتری از ساختارهای مدنظرشان برسند. در ساخت آلیاژهای جدید آنتروپی‌بالا می‌توان عناصر رایج را جایگزین عناصر ارزشمندی همچون پلاتین و کبالت کرد که تأمین‌شان دشوار است. این مواد برای تحقق آینده‌ای پایدار ضروری هستند.»

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