کشف ۲ میلیون ماده جدید با استفاده از هوش مصنوعی

به گزارش گروه علم و آموزش ایرنا از ft.com، بر اساس مقاله‌ای که در روز چهارشنبه در Nature منتشر شد، مجموعه ای از مواد که از نظر تجربی تاکنون در طبیعت وجود نداشته اند، حالا با استفاده از ابزار هوش مصنوعی به نام GNoME کشف شده اند که تعدادشان بیش از ۴۵ برابر تعداد مواد کشف‌شده در تاریخ علم است.

محققان گوگل دیپ مایند (Google DeepMind) ۲.۲ میلیون ساختار کریستالی جدید را کشف کرده‌اند که پیشرفت‌های زیادی را در زمینه‌های مختلف به وجود می‌آورد و قدرت هوش مصنوعی در کشف مواد جدید را نشان می‌دهد. درواقع محققان از هوش مصنوعی برای پیش‌بینی ساختار بیش از ۲ میلیون ماده جدید استفاده کرده‌اند که می‌تواند مزایای گسترده‌ای در بخش‌هایی مانند انرژی‌های تجدیدپذیر داشته باشد.

محققان قصد دارند ۳۸۱ هزار مورد از امیدوارکننده‌ترین سازه‌ها را در دسترس دانشمندان دیگر قرار دهند تا قابلیت حیات آنها را در زمینه‌هایی از سلول‌های خورشیدی گرفته تا ابررساناها بسازند و آزمایش کنند. این سرمایه‌گذاری تاکید می‌کند که چگونه بهره‌گیری از هوش مصنوعی می‌تواند سال‌ها پیوند تجربی را میانبر کند و به طور بالقوه محصولات و فرآیندهای بهبودیافته را ارائه دهد.

به گفته محققان، علم مواد اساساً جایی است که تفکر انتزاعی با جهان فیزیکی برخورد می‌کند. محققان تصمیم گرفته‌اند تا کریستال‌های جدیدی را کشف و به ۴۸ هزار عددی که قبلاً شناسایی شده بود، اضافه کنند.

بیلگه یلدیز (Bilge Yildiz)، استاد انستیتوی فناوری ماساچوست که در هیچ یک از این پژوهش‌ها شرکت نداشت، گفته است: این کشفیات، به مواد جدید امکان می‌دهد «با سرعت‌های لازم برای مقابله با چالش‌های بزرگ جهان» شناسایی شوند. او افزود که این تلاش‌ها نشان‌دهنده یک «پیشرفت بسیار هیجان انگیز» برای «دستیابی به مواد با سرعتی بسیار بیشتر از رویکردهای تجربی و سنتی موجود» است.

محققان گوگل دیپ مایند (Google DeepMind) می‌گویند این پیشرفت، تعداد مواد پایدار شناخته شده را ۱۰ برابر افزایش می‌دهد و برخی از آن‌ها می‌توانند برای همه چیز از باتری‌ها گرفته تا ابررساناها مفید باشند، به شرطی که از آزمایشگاه خارج شده و به تولید انبوه برسند.

به گفته کارشناسان، این نویدبخش آن است که شاهد اتوماسیون برای انواع جدیدی از سنتز مواد در جهان باشیم. درواقع، مدل‌های یادگیری ماشین (Machine learning)، زمانی که روی داده‌های زیادی آموزش ببینند، واقعاً جنبه‌های جالب مکانیک کوانتومی را یاد می‌گیرند و می‌توانند مواردی را تعمیم دهند و پیش‌بینی کنند که هرگز روی آن‌ها آموزش ندیده‌اند.