دانشمندان و موسسات هر ساله منابع بیشتری را به کشف مواد جدید برای تغذیه جهان اختصاص می دهند. با کاهش منابع طبیعی و افزایش تقاضا برای محصولات با ارزش بالاتر و بهره وری پیشرفته، محققان به طور فزاینده ای به سمت نانومواد روی می آورند.
نانوذرات قبلاً راه خود را در کاربردهای مختلف از ذخیره انرژی و تبدیل تا محاسبات کوانتومی و درمان پیدا کرده اند. اما با توجه به قابلیت کنترل ترکیبی و ساختاری عظیمی که نانوشیمی اجازه می دهد، رویکردهای تجربی سریالی برای شناسایی مواد جدید محدودیت های غیر قابل حلی را بر این کشف تحمیل می کند.
محققان دانشگاه نورث وسترن و موسسه تحقیقاتی تویوتا (TRI) اکنون با موفقیت یادگیری ماشینی را برای هدایت سنتز نانومواد جدید پیاده‌سازی می‌کنند و موانع کشف مواد را از بین می‌برند. این الگوریتم بسیار آموزش دیده مجموعه ای از داده ها را اسکن کرد تا دقیقاً ساختارهای جدیدی را پیش بینی کند که می تواند به فرآیندهای انرژی پاک، صنایع شیمیایی و خودروسازی کمک کند.
چاد میرکین، کارشناس فناوری نانو شمال غرب و نویسنده مقاله، گفت: «ما از مدل خواستیم تا به ما بگوید که چه مخلوطی از حداکثر هفت عنصر می‌تواند کاری را انجام دهد که قبلاً انجام نشده است». این دستگاه 19 احتمال را پیش‌بینی کرد و پس از آزمایش آزمایشی هر کدام، متوجه شدیم که 18 مورد از پیش‌بینی‌ها درست بوده است.»
مطالعه "طراحی یادگیری ماشینی شتابده و سنتز هتروساختارهای چند عنصری" در 22 دسامبر در مجله منتشر خواهد شد. دستاوردهای علمی.
میرکین پروفسور شیمی جورج بی. رتمن در کالج هنر و علوم واینبرگ است. استاد مهندسی شیمی و بیولوژیکی، مهندسی زیست پزشکی و علوم و مهندسی مواد در دانشکده مهندسی مک کورمیک؛ و استاد پزشکی در دانشکده پزشکی در Feinberg. او همچنین مؤسس مؤسسه بین المللی نانوتکنولوژی است.
نقشه برداری از ژنوم مواد
به گفته میرکین، آنچه این موضوع را بسیار مهم می‌کند، دسترسی به مجموعه داده‌های بی‌سابقه بزرگ و با کیفیت است، زیرا مدل‌های یادگیری ماشین و الگوریتم‌های هوش مصنوعی می‌توانند به خوبی داده‌های مورد استفاده برای آموزش آنها باشند.
ابزار تولید داده به نام «مگالیبراری» توسط میرکین اختراع شد و به طور چشمگیری میدان دید محقق را گسترش داد. هر مگاکتابخانه حاوی میلیون‌ها یا حتی میلیاردها نانوساختار است که هر کدام دارای شکل، ساختار و ترکیب کمی متفاوت هستند که همگی بر روی یک تراشه دو در دو سانتی‌متر مربع کدگذاری شده‌اند. تا به امروز، هر تراشه حاوی مواد معدنی جدیدی است که تاکنون توسط دانشمندان جمع‌آوری و طبقه‌بندی شده است.
تیم میرکین کتابخانه‌های مگا را با استفاده از تکنیکی به نام لیتوگرافی با قلم پلیمری (که توسط میرکین نیز ابداع شد) توسعه دادند، یک ابزار نانولیتوگرافی موازی عظیم که اجازه می‌دهد تا صدها هزار توابع را در هر ثانیه رسوب‌گذاری کنند.
در نقشه برداری از ژنوم انسان، دانشمندان وظیفه شناسایی ترکیبی از چهار پایه را بر عهده دارند. با این حال، "ژنوم مواد" مترادف ضعیف شامل ترکیبی از نانوذرات هر یک از 118 عنصر مورد استفاده در جدول تناوبی، و همچنین پارامترهای شکل، اندازه، مورفولوژی فاز، ساختار بلوری و موارد دیگر است. ساختن زیرگروه‌های کوچک‌تر از نانوذرات به شکل مگالیبرخانه، محققان را به تکمیل نقشه ژنوم کامل مواد نزدیک‌تر می‌کند.
میرکین گفت که حتی با چیزی شبیه به "ژنوم" مواد، شناسایی نحوه استفاده یا برچسب زدن آنها به ابزارهای متفاوتی نیاز دارد.
میرکین گفت: «حتی اگر بتوانیم مواد را سریع‌تر از هر کسی روی زمین بسازیم، باز هم قطره‌ای در اقیانوس فرصت است. ما می‌خواهیم ژنوم مواد را تعریف و کشف کنیم و روشی که انجام می‌دهیم از طریق هوش مصنوعی است.
برنامه های کاربردی یادگیری ماشین برای مقابله با پیچیدگی تعریف و استخراج ژنوم مواد به طور ایده آل مناسب هستند، اما با توانایی ایجاد مجموعه داده ها برای یادگیری الگوریتم ها در فضا بسته می شوند. میرکین گفت که ترکیبی از کلان کتابخانه‌های یادگیری ماشینی می‌تواند در نهایت این مشکل را ریشه کن کند و به درک این که چه پارامترهایی بر خواص مواد خاص حاکم است منجر شود.
"موادی که هیچ شیمیدانی نمی تواند پیش بینی کند"
اگر مگالیبرری یک نقشه ارائه کند، یادگیری ماشینی افسانه را ارائه می دهد.
به گفته میرکین، استفاده از مگالیبرری ها به عنوان منبع داده های با کیفیت بالا و مقیاس بزرگ در مورد مواد آموزشی هوش مصنوعی (AI) به محققان این امکان را می دهد که از "شهود شیمیایی تیز" و آزمایش های سریالی که معمولاً با فرآیند کشف مواد همراه است فاصله بگیرند.
میرکین گفت: «نورث وسترن قابلیت سنتز و ویژگی‌های پیشرفته را برای تعیین ساختار موادی که تولید می‌کنیم داشت. ما با تیم TRI روی هوش مصنوعی کار کردیم تا ورودی الگوریتم‌های هوش مصنوعی ایجاد کنیم، که در نهایت این پیش‌بینی‌ها را برای موادی انجام دادیم که هیچ شیمیدانی نمی‌تواند پیش‌بینی کند.
در این مطالعه، تیم داده‌های ساختاری قبلی را از کتابخانه مگا، متشکل از نانوذرات با ترکیبات، ساختار، اندازه و مورفولوژی پیچیده جمع‌آوری کرد. آنها از این داده‌ها برای آموزش مدل استفاده کردند و از او خواستند ترکیب‌هایی از چهار، پنج و شش عنصر را پیش‌بینی کند که منجر به ویژگی ساختاری خاصی می‌شود. در 19 پیش‌بینی، مدل یادگیری ماشین مواد جدید را به درستی 18 بار پیش‌بینی کرد - تقریباً با دقت 95 درصد.
با دانش اندکی از شیمی یا فیزیک، و تنها با استفاده از داده های آموزشی، این مدل قادر به پیش بینی ساختارهای پیچیده ای بود که هرگز روی زمین وجود نداشتند.
جوزف مونتویا، محقق ارشد TRI گفت: «همانطور که این داده‌ها نشان می‌دهند، استفاده از یادگیری ماشین همراه با فناوری مگالیبرری ممکن است راهی برای تعریف نهایی ژنوم مواد باشد.
نانوذرات فلزی برای کاتالیز کردن واکنش‌های حیاتی صنعتی مانند تکامل هیدروژن، دی اکسید کربن (CO) امیدوارکننده هستند.2) کاهش و کاهش اکسیژن و تکامل. این مدل بر روی یک مجموعه داده بزرگ ساخته شده توسط Northwestern برای جستجوی نانوذرات چند فلزی با پارامترهای تنظیم شده پیرامون فاز، اندازه، اندازه و سایر ویژگی‌های ساختاری که خواص و عملکرد نانوذرات را تغییر می‌دهد، آموزش داده شده است.
فناوری مگالیبرری همچنین می‌تواند منجر به اکتشافات در بسیاری از زمینه‌هایی شود که برای آینده حیاتی هستند، از جمله بازیافت پلاستیک، سلول‌های خورشیدی، ابررساناها و کیوبیت‌ها.
ابزاری که با گذشت زمان بهتر عمل می کند
قبل از ظهور کتابخانه‌های بزرگ، ابزارهای یادگیری ماشینی بر روی مجموعه داده‌های ناقصی که توسط افراد مختلف در زمان‌های مختلف جمع‌آوری شده بود، آموزش داده می‌شدند و قابلیت پیش‌بینی و تجمیع آنها را محدود می‌کردند. کتابخانه‌های بزرگ به ابزارهای یادگیری ماشینی اجازه می‌دهند کاری را که به بهترین شکل انجام می‌دهند - یاد بگیرند و با گذشت زمان هوشمندتر شوند. میرکین گفت که مدل آنها در پیش بینی مواد مناسب بهتر خواهد بود زیرا داده های باکیفیت بیشتری را که تحت شرایط کنترل شده جمع آوری می شود دریافت می کند.
مونتویا گفت: «ایجاد این قابلیت هوش مصنوعی مستلزم پیش‌بینی مواد مورد نیاز برای هر برنامه است. هر چه داده های بیشتری داشته باشیم، توانایی های قابل پیش بینی بیشتری داریم. وقتی شروع به یادگیری هوش مصنوعی می‌کنید، آن را در مجموعه‌ای از داده‌ها قرار می‌دهید، و همانطور که یاد می‌گیرید، داده‌های بیشتر و بیشتری را اضافه می‌کنید - مثل این است که یک کودک را ببرید و از مهدکودک به دکترش بروید. ترکیب تجربه و دانش در نهایت به آنها دیکته می کند که تا کجا می توانند پیش بروند."
این تیم اکنون از این رویکرد برای یافتن کاتالیزورهایی استفاده می کند که برای تامین انرژی فرآیندهای انرژی پاک، خودروسازی و صنایع شیمیایی حیاتی هستند. شناسایی کاتالیزورهای سبز جدید امکان تبدیل ضایعات و مواد خام فراوان به مواد مفید، تولید هیدروژن، استفاده از دی اکسید کربن و توسعه سلول های سوختی را فراهم می کند. تولید کاتالیزور همچنین می تواند برای جایگزینی مواد گران قیمت و کمیاب مانند ایریدیوم، فلز مورد استفاده برای تولید هیدروژن سبز و CO استفاده شود.2 محصولات کاهش
نقل قول: یادگیری ماشینی برای پیش‌بینی سنتز مواد جدید پیچیده (2021، 22 دسامبر)، بازیابی شده در 22 دسامبر 2021 از https://phys.org/news/2021-12-machine-synthesis-complex- Materials.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به جز هرگونه معامله منصفانه به منظور تحقیق یا مطالعه خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوا فقط برای مقاصد اطلاعاتی ارائه شده است.
[ad_2]
مقالات مشابه
- پدرو مارتینز: 'کثیف جانبی بیس بال نمی تواند این مشکل در حال حاضر
- وال استریت ژورنال: Fracking پیشگام چساپیک انرژی برای ورشکستگی فایل
- "حلقه آتش": نادر خورشید گرفتگی قابل مشاهده خواهد بود در آفریقا و آسیا است. دیدن این تصاویر دراماتیک.
- روش های کاربردی یادگیری واژگان زبان انگلیسی
- رپورتاژ آگهی چگونه به سایت کمک می کند ؟
- فا مرکز: پول مشاوره برای مردان این روز پدر: کپی چگونه زنان در زندگی خود سرمایه گذاری
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی
- NFL انتظار coronavirus موارد به موسیقی پاپ به عنوان بازگشایی آغاز می شود
- استراتژی های موثر برای اسباب بازی که می توانید از امروز استفاده کنید
- سابرینا Ionescu را 33-نقطه سنگ به اندازه کافی برای حمل آزادی