الذكاء الاصطناعي في اكتشاف المواد
يتنبأ الذكاء الاصطناعي بالمواد الجديدة التي قد تكون موجودة، وتكون مستقرة، ولها خصائص مفيدة، مما يقلل بشكل كبير من البحث عبر مساحة شبه لا نهائية من المركبات المحتملة.
نظرة عامة
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
الغوص العميق
تقليديًا، كان اكتشاف مادة جديدة يعني تخليقًا بطيئًا للتجربة والخطأ أو عمليات محاكاة ميكانيكية كمومية باهظة الثمن. يعمل الذكاء الاصطناعي على تسريع كلا الطرفين. تمثل الشبكات العصبية الرسومية بلورة على شكل ذرات (عقد) وروابط (حواف) وتتعلم التنبؤ بخصائص مثل طاقة التكوين أو فجوة النطاق أو الموصلية بالمللي ثانية بدلاً من ساعات نظرية الكثافة الوظيفية. تقترح النماذج التوليدية هياكل مرشحة جديدة تمامًا، ويقوم الذكاء الاصطناعي بفحص الملايين منها لتحديد القليل منها الذي يستحق الصنع في المختبر. في عام 2023، أبلغ نظام GNoME التابع لشركة DeepMind عن مئات الآلاف من البلورات المستقرة المتوقعة، وأظهر MatterGen التابع لشركة Microsoft هياكل توليد مشروطة بالخصائص المرغوبة. تعمل هذه النماذج على نحو متزايد على تغذية المختبرات ذاتية القيادة، حيث تقوم الروبوتات بتجميع واختبار أفضل المرشحين تلقائيًا.
البصيرة الفنية
تحترم نماذج الخصائص البلورية، مثل شبكات الرسم البياني، تناظرات الفيزياء: فهي لا تتغير عند ترجمة الذرات أو تدويرها أو إعادة تصنيفها، مما يجعل التنبؤات متسقة ماديًا وفعالة من حيث البيانات. يستخدم خط الأنابيب النموذجي بديلاً عصبيًا سريعًا لتصنيف ملايين المرشحين، ثم التحقق من صحة الأفضل باستخدام نظرية الكثافة الوظيفية، وأخيراً تجميع حفنة منهم. يقوم هذا المسار بتحويل البحث المستعصي إلى قائمة مختصرة قابلة للتتبع مع الحفاظ على فحوصات فيزيائية صارمة في النهاية.
التأثير الاستراتيجي
خيارات البناء
يحدد التصميم على مستوى التطبيق ما إذا كان الذكاء الاصطناعي سيحسن النتائج الحقيقية.
الفريق وسير العمل
يؤدي التكامل الجيد لسير العمل إلى تحقيق مكاسب إنتاجية يمكن للمستخدمين الوثوق بها.
المخاطر والسلامة
تعمل حالات الاستخدام ذات النطاق الجيد على تقليل إجهاد التغيير ومخاطر التنفيذ.
مستقبل الذكاء الاصطناعي في اكتشاف المواد
إن الحدود تغلق الحلقة: التصميم التوليدي يقترح المواد المستهدفة، والذكاء الاصطناعي الذي يخطط لمسار التوليف، والمختبرات الآلية المستقلة التي تصنعها وتقيسها مع نتائج تتغذى على النماذج. نتوقع معالجة أفضل لقابلية التوليف، وليس فقط الاستقرار الديناميكي الحراري، بالإضافة إلى النمو في الإمكانات الذرية المستفادة آليًا والتي تدير عمليات محاكاة جزيئية بدقة قريبة من الكم ولكن بسرعة أكبر بكثير، مما يفتح تجارب أطول وأكبر.
التنفيذ في العالم الحقيقي
يتنبأ GNoME الخاص بـ DeepMind بمئات الآلاف من الهياكل البلورية المستقرة الجديدة ويوسع قواعد بيانات المواد المعروفة
تعمل الإمكانات بين الذرية المستفادة آليًا على تشغيل ديناميكيات جزيئية سريعة وقريبة من دقة DFT للسبائك والإلكتروليتات
تقترح النماذج التوليدية مثل MatterGen بلورات تستهدف فجوة النطاق المرغوبة أو الخاصية المغناطيسية
مختبرات ذاتية القيادة (مثل A-Lab) حيث يختار الذكاء الاصطناعي المرشحين وتقوم الروبوتات بتركيبهم وتمييزهم بشكل مستقل
المخاطر والدرابزين
يمكن أن تؤدي أتمتة عملية معطلة إلى تضخيم المشاكل الموجودة.
قد تقوم الفرق بالإفراط في أتمتة وإزالة الحكم البشري المطلوب.
يمكن أن تنحرف الجودة إذا لم يتم تقييم المخرجات بشكل مستمر.
خارطة طريق التنفيذ
قم بتخطيط سير العمل الحالي وحدد خطوة الاحتكاك الأعلى.
تحديد نقاط التفتيش البشرية قبل الأتمتة الكاملة.
تدريب المستخدمين على المطالبات ومسارات التصعيد ومعايير الجودة.
تتبع النتائج على مستوى المهمة لتأكيد القيمة المستدامة.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Materials Discovery quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
اكتشاف المخدرات في المختبرات المتماثلة
الأسئلة المتداولة
What is AI in Materials Discovery?
يتنبأ الذكاء الاصطناعي بالمواد الجديدة التي قد تكون موجودة، وتكون مستقرة، ولها خصائص مفيدة، مما يقلل بشكل كبير من البحث عبر مساحة شبه لا نهائية من المركبات المحتملة. من المهم بالنسبة للبطاريات والخلايا الشمسية والموصلات الفائقة والمحفزات حيث يمكن أن يستغرق العثور على المادة المناسبة عقودًا.
كيف تمثل الشبكة العصبية الرسومية عادةً بلورة؟
البلورات عبارة عن رسوم بيانية بشكل طبيعي: الذرات عبارة عن عقد، والروابط بين الذرات عبارة عن حواف، مما يسمح لشبكات GNN بتعلم العلاقات بين البنية والملكية.
ما هي الحسابات الفيزيائية البطيئة التي غالبًا ما تحل محلها بدائل الذكاء الاصطناعي للفحص السريع؟
DFT دقيق ولكنه مكلف؛ تقوم البدائل العصبية بتقريب تنبؤاتها الخاصة بالمللي ثانية لفحص العديد من المرشحين.
ما الذي ساهم به DeepMind's GNoME في عام 2023؟
تنبأ جنوم بعدد كبير من البلورات المستقرة الجديدة، مما أدى إلى توسيع قواعد بيانات المواد المرشحة بشكل كبير.
ما أهمية الثبات الدوراني والانتقالي في نماذج المواد؟
يجب ألا تتغير الخصائص الفيزيائية إذا قمت بتدوير الذرات أو نقلها أو إعادة تسميتها؛ يؤدي البناء في هذه التماثلات إلى تحسين الدقة وكفاءة البيانات.
ما هو "المختبر الذاتي القيادة" في اكتشاف المواد؟
تغلق المختبرات المستقلة الحلقة: يقترح الذكاء الاصطناعي المواد والأنظمة الآلية التي تصنعها وتميزها، وترسل النتائج إلى النماذج.