هوش مصنوعی میتواند چالشهای تشکیل انرژی پاک را حل کند_خبررسان
به گزارش خبررسان
تغیرات تازه در حوزه هوش مصنوعی نویدبخش تحولی شگرف در فرآیند کشف و گسترش مواد نوین به اختصاصی در حوزههای فوتوولتائیک و محاسبات کوانتومی است. محققان دانشگاه توهوکو و موسسه فناوری ماساچوست (MIT) با گسترش مدل هوش مصنوعی گسترش یافتهای به نام GNNOpt گامی بلند در این مسیر برداشتهاند.
به گزارش سرویس اخبار فناوری رسانه تکنولوژی تکنا، این مدل نوآورانه با منفعتگیری از الگوریتمهای پیچیده، قادر است خواص نوری مواد را با دقتی شبیه همانندسازیهای کوانتومی، اما با سرعتی به مراتب زیاد تر (تا یک میلیون برابر) پیشبینی نماید. این چنین پیشرفتی، پتانسیل تسریع دیدنی در گسترش نسل جدیدی از مواد با کارایی بالاتر را برای کاربرد در سلولهای خورشیدی و کامپیوترهای کوانتومی فراهم میآورد.
رشد روزافزون صنعت نیمهرساناها که عمدتاً مدیون گسترش دستگاههای اپتوالکترونیکی است، بر اهمیت فهمیدن دقیق خواص نوری مواد پافشاری دارد. دستگاههایی همچون دیودهای ساطعکننده نور (LED)، سلولهای خورشیدی، فوتودیودها و مدارهای مجتمع فوتونیکی، همه انها به خواص نوری مواد وابسته می باشند.
راه حلهای سنتی محاسبه خواص نوری مواد، فرآیندهایی زمانبر و محاسباتی سنگین می باشند. در روبه رو، مدل هوش مصنوعی GNNOpt با منفعتگیری از ساختار کریستالی ماده به گفتن داده ورودی، قادر است طیف گستردهای از خواص نوری را در فرکانسهای گوناگون نور با دقت زیاد بالایی پیشبینی کند.
به حرف های Nguyen Tuan Hung، استادیار موسسه مرزی برای علوم بینرشتهای دانشگاه توهوکو، «اپتیک به گفتن شاخهای از فیزیک ماده چگال، به شدت تحت تأثیر روابط علیتی حاکم بر آن است. یکی از این روابط مهم، رابطه کرامرز-کرونینگ (KK) است. این مدل هوش مصنوعی به شکلی شگفتانگیز قادر به فهمیدن و منفعتبرداری از این روابط فیزیکی است. راه حلهای سنتی پیشبینی خواص نوری، همانند آزمایشهای مبتنی بر لیزر و همانندسازیهای پیچیده، مدام با محدودیتهایی همراه بودهاند. به همین علت، محققان به جستوجو راه حلهای جانشین و سریعتری برای پیشبینی خواص نوری مواد گوناگون بودند.
شبکههای عصبی گراف (GNNs) به گفتن یکی از ابزارهای قوی یادگیری ماشین، در حوزه پیشبینی خواص مواد کاربرد وسیعی یافتهاند. با این حال، این شبکهها در فهمیدن پیچیدگیهای ساختاری کریستالها با محدودیتهایی روبه رو می باشند. محققان با معارفه تکنیک «جاسازی آنسامبل» بر این محدودیت فائق آمدهاند. این تکنیک به مدل هوش مصنوعی اجازه میدهد تا از چندین نمایش دادهای گوناگون بیاموزد و در نتیجه دقت و قابلیت تعمیمپذیری آن را به طور قابل توجهی افزایش دهد.
Abhijatmedhi Chotrattanapituk، یکی از محققان این پروژه، معتقد است که «جاسازی آنسامبل فراتر از شهود انسانی است و میتواند به طور گستردهای برای بهبود دقت پیشبینیهای مدلهای هوش مصنوعی به کار رود. مدل GNNOpt با توانایی پیشبینی دقیق خواص نوری مواد از روی ساختار کریستالی آنها، کاربردهای زیاد گستردهای در حوزههای گوناگون خواهد داشت. به اختصاصی، این مدل میتواند در غربالگری مواد برای یافتن مواد تازه با کارایی بالاتر برای سلولهای خورشیدی و کامپیوترهای کوانتومی زیاد سودمند باشد.
محققان در آینده تصمیم دارند با تشکیل پایگاههای داده جامع از خواص گوناگون مواد، قابلیتهای مدل GNNOpt را گسترش دهند و آن را به ابزاری قوی برای طراحی و گسترش مواد تازه تبدیل کنند. گسترش مدل هوش مصنوعی GNNOpt نشاندهنده پیشرفتی قابل دقت در حوزه موادشناسی و محاسبات است. این مدل با اراعه روشی سریع و دقیق برای پیشبینی خواص نوری مواد، میتواند به تسریع روال نوآوری در حوزههای گوناگون فناوری پشتیبانی کند. در آینده نزدیک، میتوان انتظار داشت که ناظر کاربردهای گستردهتر این مدل در صنایع گوناگون باشیم.
دسته بندی مطالب
اقتصاد