مدل جدید هوش مصنوعی وعده کشف سریع مواد پیشرفته فتوولتائیک را می‌دهد

هوش مصنوعی می‌تواند در سال‌های آینده کشف مواد جدید برای فناوری‌های پیشرفته مانند سلول‌های خورشیدی و رایانه‌های کوانتومی را به یک فرآیند ساده تبدیل کند.

محققان از دانشگاه توهوکو و موسسه فناوری ماساچوست (MIT) مدل جدیدی از هوش مصنوعی به نام GNNOpt برای درک مواد و خواص آنها توسعه داده‌اند.

جالب است که این مدل می‌تواند خواص نوری مواد را با همان دقت شبیه‌سازی‌های کوانتومی پیش‌بینی کند، اما با سرعتی که یک میلیون برابر سریع‌تر است.

این یک پیشرفت مهم است که می‌تواند توسعه مواد فتوولتائیک و کوانتومی جدید را تسریع کند.

پیش‌بینی خواص نوری

رشد اخیر صنعت نیمه‌هادی با توسعه دستگاه‌های اپتو الکترونیکی تغذیه می‌شود که نیاز به درک گسترده‌ای از مواد و خواص نوری آنها دارند. این دستگاه‌ها شامل LEDها، سلول‌های خورشیدی، آشکارسازهای نوری و مدارهای یکپارچه فوتونیک هستند.

روش‌های استاندارد برای محاسبه خواص نوری مواد زمان‌بر و از نظر محاسباتی پیچیده هستند. با این حال، این مدل جدید هوش مصنوعی می‌تواند این خواص را در زمانی بسیار کمتر با دقتی زیاد پیش‌بینی کند.

نکته جالب توجه این است که مدل هوش مصنوعی از ساختار بلوری مواد به عنوان ورودی استفاده کرده و می‌تواند خواص نوری آنها را در طیفی وسیع از فرکانس‌های نوری پیش‌بینی کند.

نگوین توان هنگ، استادیار دانشگاه توهوکو در مؤسسه علم بین‌رشته‌ای گفت: «اپتیک یکی از جنبه‌های جالب فیزیک ماده چگال است که توسط رابطه علی و معلولی معروف به رابطه کرامرز-کرونیک (KK) کنترل می‌شود.»

نگوین افزود: «زمانی که یک خاصیت نوری مشخص شود، همه خواص نوری دیگر با استفاده از رابطه KK می‌توانند استخراج شوند. جالب است که ببینیم مدل‌های هوش مصنوعی چگونه مفاهیم فیزیکی را از طریق این رابطه می‌فهمند.

تکنیک مد

سایر روش‌های معمول برای به دست آوردن طیف‌های نوری — مانند آزمایشات با استفاده از لیزرها — محدود به طول موج‌های موجود هستند.

همچنین، شبیه‌سازی‌ها به‌صرفه نبوده و نیاز به معیارهای همگرایی سخت‌گیرانه‌ای دارند. این موضوع موجب جستجوی طولانی مدت برای روش‌های جایگزین و سریع برای پیش‌بینی طیف‌های نوری مواد مختلف شده است.

ریوتارو اوکابه، دانشجوی کارشناسی ارشد شیمی در MIT گفت: «مدل‌های یادگیری ماشین که برای پیش‌بینی نوری استفاده می‌شوند گراف شبکه‌های عصبی (GNNs) نامیده می‌شوند. GNNs با نمایش اتم‌ها به عنوان گره‌های گراف و پیوندهای بین‌اتمی به عنوان لبه‌های گراف، نمای طبیعی از مولکول‌ها و مواد ارائه می‌دهند.

اما یک مشکل وجود دارد: GNNs در به تصویر کشیدن پیچیدگی‌های ساختاری کریستال‌ها مشکل دارند، که این موضوع به طور کلی محدودیت در پیش‌بینی خواص مواد را ایجاد می‌کند.

کلید موفقیت این مدل جدید یک تکنیک به نام "تعبیه گروهی" است. این روش به هوش مصنوعی اجازه می‌دهد تا از نمایش‌های داده‌های مختلف یاد بگیرد، و این موضوع دقت و تنوع بیشتری به آن می‌بخشد.

ابجاتمدی چوتراتا ناپیتوک، دانشجوی کارشناسی ارشد مهندسی برق و علوم رایانه در MIT گفت: «این تعبیه گروهی فراتر از شهود انسانی است اما به طور گسترده برای بهبود دقت پیش‌بینی بدون تأثیر بر ساختار شبکه عصبی کاربرد دارد.

این روش به درستی خواص نوری را از ساختارهای کریستالی پیش‌بینی می‌کند، که در را به روی طیف گسترده‌ای از کاربردها باز می‌کند، به ویژه غربالگری مواد برای سلول‌های خورشیدی پیشرفته و مواد کوانتومی .

طبق اطلاعیه مطبوعاتی، محققان طرح‌هایی برای ایجاد بانک‌های اطلاعاتی جامع حاوی ویژگی‌های متنوع مواد، مانند خواص مکانیکی و مغناطیسی دارند. این کار به گسترش قابلیت‌های مدل هوش مصنوعی کمک خواهد کرد.

یافته‌ها در مجله مواد پیشرفته. منتشر شده است.