نظام ذكاء اصطناعي متعدد الوسائط يُسرّع اكتشاف المواد الجديدة
مقدمة
يُسارع استخدام نماذج التعلم الآلي عملية اكتشاف المواد الجديدة من خلال التنبؤ واقتراح التجارب. إلا أن معظم النماذج الحالية تعتمد على أنواع محدودة من البيانات أو المتغيرات. على النقيض، يعمل العلماء البشريون في بيئة تعاونية، ويأخذون بعين الاعتبار نتائج التجارب، والأدبيات العلمية الأوسع، والتحليل التصويري والهيكلي، والخبرة الشخصية أو الحدس، ومدخلات الزملاء ومراجعي الأقران. وقد طور باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) منهجية لتحسين وصفات المواد وتخطيط التجارب، وذلك من خلال دمج المعلومات من مصادر متنوعة، مثل الأفكار المستقاة من الأدبيات، والتركيبات الكيميائية، والصور المجهرية، وغيرها. يُشكل هذا النهج جزءًا من منصة جديدة تُسمى “مساعد للعلماء التجريبيين في العالم الحقيقي” (CRESt)، والتي تستخدم أيضًا معدات روبوتية لاختبار المواد عالية الإنتاجية، حيث تُغذى نتائجها مرة أخرى إلى نماذج متعددة الوسائط كبيرة لتحسين وصفات المواد بشكل أكبر.
منهجية CRESt
يتفاعل الباحثون البشريون مع النظام بلغة طبيعية، دون الحاجة إلى البرمجة، ويقوم النظام بإجراء ملاحظاته وفرضياته الخاصة على طول الطريق. كما تسمح الكاميرات ونماذج اللغة المرئية للنظام بمراقبة التجارب، والكشف عن المشاكل، واقتراح التصحيحات. كما أوضح البروفيسور جو لي، أستاذ الهندسة في معهد ماساتشوستس للتكنولوجيا: “في مجال الذكاء الاصطناعي من أجل العلم، يكمن المفتاح في تصميم تجارب جديدة. نستخدم التغذية الراجعة متعددة الوسائط – على سبيل المثال، المعلومات من الأدبيات السابقة حول كيفية تصرف البالاديوم في خلايا الوقود عند هذه درجة الحرارة، والتغذية الراجعة البشرية – لتكملة البيانات التجريبية وتصميم تجارب جديدة. نستخدم أيضًا الروبوتات لتوليف ووصف خصائص هيكل المادة واختبار الأداء.”
النتائج والتطبيقات
وصفت دراسة نُشرت في مجلة Nature هذا النظام. استخدم الباحثون CRESt لاستكشاف أكثر من ٩٠٠ تركيبة كيميائية وإجراء ٣٥٠٠ اختبار كهروكيميائي، مما أدى إلى اكتشاف مادة محفزة حققت كثافة طاقة قياسية في خلية وقود تعمل على ملح الفورمات لإنتاج الكهرباء.
يُعتبر إجراء تجارب علوم المواد عملية تستغرق وقتًا طويلاً ومكلفة، وتتطلب من الباحثين تصميم سير العمل بعناية، وصنع مواد جديدة، وإجراء سلسلة من الاختبارات والتحليلات لفهم ما حدث. ثم تُستخدم هذه النتائج لتحديد كيفية تحسين المادة.
ولتحسين هذه العملية، لجأ بعض الباحثين إلى استراتيجية تعلم آلي تُعرف باسم “التعلم النشط” للاستخدام الفعال لنقاط البيانات التجريبية السابقة، واستكشاف تلك البيانات أو استغلالها. عندما يقترن هذا مع تقنية إحصائية تُعرف باسم “التحسين البايزي” (BO)، ساعد التعلم النشط الباحثين على تحديد مواد جديدة لأشياء مثل البطاريات وأشباه الموصلات المتقدمة.
التحديات والابتكارات
معظم نهج التعلم النشط تعتمد أيضًا على تيارات بيانات مفردة لا تُغطي كل ما يحدث في التجربة. ولتمكين الأنظمة الحاسوبية من امتلاك معرفة أشبه بالمعرفة البشرية، مع الاستفادة من سرعة الأنظمة الآلية، قام لي وزملاؤه ببناء CRESt.
تتضمن المعدات الروبوتية لـ CRESt روبوتًا للتعامل مع السوائل، ونظام صدمة كربوني حراري لتوليف المواد بسرعة، ومحطة عمل كهروكيميائية آلية للاختبار، ومعدات توصيف بما في ذلك المجهر الإلكتروني الآلي والمجهر الضوئي، بالإضافة إلى أجهزة مساعدة مثل المضخات والصمامات الغازية، والتي يمكن التحكم فيها عن بُعد أيضًا. يمكن أيضًا ضبط العديد من معلمات المعالجة.
باستخدام واجهة المستخدم، يمكن للباحثين الدردشة مع CRESt وإخباره باستخدام التعلم النشط للعثور على وصفات مواد واعدة لمشاريع مختلفة. يمكن لـ CRESt تضمين ما يصل إلى ٢٠ جزيء سلائف وركائز في وصفته. لتوجيه تصميمات المواد، تبحث نماذج CRESt في الأوراق العلمية عن أوصاف للعناصر أو جزيئات السلائف التي قد تكون مفيدة. عندما يطلب الباحثون البشريون من CRESt متابعة وصفات جديدة، فإنه يُطلق سيمفونية روبوتية من إعداد العينات، والوصف، والاختبار. يمكن للباحث أيضًا أن يطلب من CRESt إجراء تحليل للصور من تصوير المجهر الإلكتروني الماسح، وحيود الأشعة السينية، ومصادر أخرى.
تُستخدم المعلومات من هذه العمليات لتدريب نماذج التعلم النشط، والتي تستخدم كل من معرفة الأدبيات والنتائج التجريبية الحالية لا اقتراح المزيد من التجارب وتسريع اكتشاف المواد.
التغلب على تحديات التكرار
يمكن أن تواجه تجارب علوم المواد أيضًا تحديات تتعلق بالتكرار. للتعامل مع هذه المشكلة، يراقب CRESt تجاربه بالكاميرات، بحثًا عن مشاكل محتملة واقتراح حلول عبر النصوص والصوت للباحثين البشريين.
استخدم الباحثون CRESt لتطوير مادة قطب كهربائي لنوع متقدم من خلايا الوقود عالية الكثافة المعروفة باسم خلية وقود الفورمات المباشر. بعد استكشاف أكثر من ٩٠٠ تركيبة كيميائية على مدار ثلاثة أشهر، اكتشف CRESt مادة محفزة مصنوعة من ثمانية عناصر حققت تحسنًا بنسبة ٩.٣ أضعاف في كثافة الطاقة لكل دولار مقارنة بالبلاديوم النقي، وهو معدن ثمين باهظ الثمن. في اختبارات أخرى، استُخدمت مادة CREST لتوفير كثافة طاقة قياسية لخلية وقود فرمات مباشرة عاملة على الرغم من أن الخلية تحتوي على ربع المعادن الثمينة فقط للأجهزة السابقة.
الخاتمة
تُظهر النتائج إمكانات CRESt في إيجاد حلول للمشاكل العالمية في مجال الطاقة التي تُعاني منها مجتمع علوم المواد والهندسة منذ عقود. يُعد CRESt مساعدًا، وليس بديلاً، للباحثين البشريين، حيث لا يزال الباحثون البشريون لا غنى عنهم. في الواقع، يستخدم النظام لغة طبيعية حتى يتمكن من شرح ما يفعله وعرض الملاحظات والفرضيات. لكن هذا يُمثل خطوة نحو مختبرات أكثر مرونة ذاتية القيادة.
اترك تعليقاً