طراحی چارچوب‌های فلزی با هوش مصنوعی

۲۵ اسفند ۱۴۰۱، ۱۳:۳۵
کد خبر: 85059179
طراحی چارچوب‌های فلزی با هوش مصنوعی

تهران- ایرنا- محققان از فناوری مشابه به آنچه که در گوشی‌های تلفن همراه برای نوشتن (تایپ کردن) کلمات استفاده می‌شود، برای پیش‌بینی ویژگی‌های چارچوب‌های آلی فلزی استفاده کردند.

به گزارش گروه علم و آموزش ایرنا از نانو ورک، فناوری مورد استفاده در هسته بسیاری از برنامه‌های هوش مصنوعی، ترانسفومر نامیده می‌شود. یک الگوریتم یادگیری عمیق که الگوهای موجود در مجموعه داده‌ها را تشخیص می‌دهد. فناوری مورد استفاده این محققان همانند کارکرد تلفن همراه در زمان تایپ کردن است که کلمه بعدی را که می‌خواهید در پیام‌های خود تایپ کنید، پیش‌بینی می‌کند.

محققان ترانسفورمری (Moftransformer) را برای ساخت چارچوب‌های آلی فلزی (MOF) ایجاد کرده‌اند. آنها در این فناوری با ترکیب پیوند ارگانیک کره‌های فلزی، میلیون‌ها ماده مختلف را با کاربردهای بالقوه در ذخیره‌سازی انرژی و جداسازی گاز سنتز کردند. این یافته‌ها در نشریه Nature Machine Intelligence منتشر شده است.

ترانسفورمر (Moftransformer) یک تغییردهنده بازی برای مطالعه چارچوب های آلی فلزی (MOF) است و نتایج سریع‌تری با داده‌های کمتر و درک جامع‌تر از مواد ارائه می‌دهد. محققان امیدوارند که ترانسفورمر راه را برای توسعه چارچوب های جدید با خواص بهبودیافته برای ذخیره هیدروژن و سایر برنامه‌ها هموار کنند.

طراحی چارچوب‌های فلزی با هوش مصنوعی

این ترانسفورمر به گونه‌ای طراحی شده است که محققانی را که روی تولید چارچوب های آلی فلزی کار می‌کنند، بسیار شگفت‌زده کرده است. این معماری مبتنی بر هوش مصنوعی به‌نام Google Brain است که می‌تواند زبان طبیعی را پردازش کند. ایده اصلی این مدل‌ها این است که آن‌ها برای متن‌های زیادی از قبل آموزش می‌بینند؛ بنابراین وقتی ما شروع به تایپ کردن روی گوشی می‌کنیم، کلمه بعدی را با دقت خوبی پیش‌بینی می‌کنند.

پروفسور برند سمیت سرپرست محققان در این طرح پژوهشی می‌گوید: ما می‌خواستیم این ایده را برای چارچوب های آلی فلزی پیاده‌سازی کنیم اما به جای ارائه یک کلمه می‌خواستیم این فناوری یک ویژگی‌ را پیشنهاد دهد. برای یادگیری ویژگی‌های اساسی، از قبل ترانسفومر را با یک میلیون چارچوب آلی فلزی فرضی آموزش دادیم.

این رویکرد نشان داد ترانسفورمر می‌تواند با استفاده از داده‌های بسیار کمتری در مقایسه با روش‌های یادگیری ماشین معمولی، نتایج مناسبی را ارائه دهد. به دلیل این پیش آموزش، حالا این ترانسفورمر بسیاری از خصوصیات کلی چارچوب ها را می‌شناسد. بنابراین ما به داده‌های کمتری برای آموزش نیاز داریم. علاوه بر این، از همان مدل می‌توان برای همه خواص استفاده کرد، در حالی که در یادگیری ماشین معمولی، باید یک مدل جداگانه برای هر برنامه تهیه شود.

نظر شما

شما در حال پاسخ به نظر «» هستید.
captcha