شبکه عصبی ، طراحی سفارشی را برای تطبیق خواص به مواد مهار می کند

21 آوریل 2022 – توسط آزمایشگاه ملی اوک ریج

محققان آزمایشگاه ملی اوک ریج از یک شبکه عصبی معکوس، نوعی هوش مصنوعی که مغز انسان را تقلید می‌کند، استفاده کردند تا مناسب‌ترین مواد را برای خواص مورد نظر، مانند انعطاف‌پذیری یا مقاومت در برابر حرارت، با دقت شیمیایی بالا انتخاب کنند. این مطالعه می تواند منجر به طراحی مواد قابل تنظیم بیشتر برای صنعت شود. اعتبار: Jiaxin Zhang/ORNL

مطالعه‌ای که توسط محققان آزمایشگاه ملی Oak Ridge در وزارت انرژی ایالات متحده انجام شد، می‌تواند به طراحی مواد به اندازه نقطه و کلیک قابل تنظیم باشد.

مطالعه منتشر شده در npj Computational Materials از یک شبکه عصبی معکوس، نوعی هوش مصنوعی که مغز انسان را تقلید می‌کند، برای انتخاب مناسب‌ترین مواد برای خواص مورد نظر، مانند انعطاف‌پذیری یا مقاومت در برابر حرارت، با دقت شیمیایی بالا استفاده کرد. یافته‌های این تیم طرحی بالقوه برای سفارشی‌سازی طراحی علمی و سرعت بخشیدن به فرایند از طراحی تا خط تولید ارائه می‌دهد.

ویکتور فانگ، یکی از همکاران یوجین ویگنر در مرکز علوم مواد نانوفاز ORNL و نویسنده اصلی این مطالعه می‌گوید: «این نتایج اولین گام بسیار خوبی برای گسترش قابلیت‌های طراحی مواد است. ما می‌خواستیم به جای گرفتن یک ماده و پیش‌بینی ویژگی‌های داده‌شده آن، خواص ایده‌آل را برای هدف خود انتخاب کنیم و برای طراحی سریع و کارآمد آن ویژگی‌ها با درجه بالایی از اطمینان به سمت عقب کار کنیم. این به عنوان طراحی معکوس شناخته می‌شود. اما تعداد بسیار کمی از نمایش های عینی طراحی معکوس به این نوع دقت بالا دست می یابند.”

شبکه‌های عصبی بر میلیون‌ها نورون دیجیتال و سیناپس‌های مشابه در مغز متکی هستند. نورون ها می توانند به طور مستقل عمل کنند و لزوماً محاسبات را به روش های سنتی انجام نمی دهند. نورون‌های یک شبکه عصبی معکوس در جفت‌های یک به یک مانند تیم‌های برچسب کار می‌کنند، فرآیندی که به عنوان تقریب تابع دوگانه شناخته می‌شود.

رویکرد طراحی معکوس مورد استفاده در این مطالعه، از پیشرفت‌ها در معماری عصبی معکوس برای فعال کردن نقشه‌برداری رو به جلو، یا اضافه کردن ورودی برای تولید نتیجه، و نگاشت به عقب، یا شروع با یک نتیجه و بازگشت به عقب برای استنتاج ورودی اولیه استفاده می‌کند.

جیاکسین ژانگ، دانشمند هوش مصنوعی در ORNL و یکی از نویسندگان این مطالعه گفت: «الگوریتم‌های سنتی می‌توانند محاسباتی بسیار فشرده داشته باشند و نمی‌توانند بهترین طراحی را تضمین کنند. ما طیف وسیعی از مواد ممکن را داریم که فضای جستجو بسیار زیاد است. اما می‌توانیم دسته کوچک‌تری از نمونه‌ها را از داده‌های موجود تولید کنیم و از آن برای نمایش کل فضای جستجو استفاده کنیم. می‌توانیم از آن نمونه‌ها برای آموزش شبکه عصبی استفاده کنیم. این یک نتیجه دلخواه خاص است، و اجازه دهید همه نامزدهای ممکن را بررسی کند.

این تیم شبکه عصبی را بر روی داده‌های حاصل از مجموع 11000 محاسبات شیمی کوانتومی انجام شده بر روی محیط محاسباتی و داده‌ای ORNL برای علم و مرکز ملی محاسبات علمی انرژی در آزمایشگاه ملی لارنس برکلی آموزش دادند. این تیم از شبکه عصبی برای تعیین فشار لازم روی دی سولفید مولیبدن، یک ماده دوبعدی، استفاده کردند تا منجر به ایجاد شکاف باند مشخص یا محدوده انرژی شود که از هدایت الکتریکی جلوگیری می کند. این مدل توانست تقریباً کرنش اعمال شده دقیق مورد نیاز برای تنظیم شکاف باند ماده را مشخص کند، که امکان بررسی بیشتر در مورد انتقال عایق فلزی آن – تغییر از رسانایی الکتریکی بالا به رسانایی الکتریکی پایین – را فراهم کرد.

 فانگ گفت: «ما به دقت شیمیایی نزدیک شدیم. “از نظر این برنامه خاص، قطعا برای اولین بار برای این نوع طراحی معکوس است. این یک رویکرد کلی با طیف گسترده ای از برنامه ها است که آموزش آن آسان است و به راحتی مقیاس پذیر است، و ما کاملا مطمئن هستیم که بهترین مدل برای این است.

این تیم کد شبکه عصبی را به صورت عمومی در دسترس قرار داده است و امیدوار است که مطالعات بیشتری را با استفاده از Summit، سیستم ابررایانه‌ای 200 پتافلاپ ORNL، یا Frontier، سیستم ابررایانه‌ای اگزا مقیاس آتی انجام دهد تا رویکرد را اصلاح کند. Summit و Frontier بخشی از Oak Ridge Leadership Computing Facility، یک مرکز کاربری دفتر علوم DOE هستند.

ژانگ گفت: «هرچه منابع محاسباتی بیشتر در دسترس باشد، می‌توانیم از نمونه‌های بیشتری برای آموزش مدل استفاده کنیم. “ما هیجان زده هستیم که از این تجربه برای کشف مواد و طرح های دیگر استفاده کنیم.”