پژوهشگران با استفاده از هوش مصنوعی و یادگیری ماشین موفق به شناسایی دو ماده ابررسانای ناشناخته شده‌اند؛ دستاوردی که می‌تواند روش دانشمندان برای کشف مواد پیشرفته و ابررساناهای آینده را تغییر دهد. این پروژه در چارچوب طرح بین‌المللی SuperC انجام شده و نشان می‌دهد الگوریتم‌های هوش مصنوعی می‌توانند پیش از ساخت یک ماده در آزمایشگاه، احتمال برخورداری آن از ویژگی‌های خاص کوانتومی را پیش‌بینی کنند.

محققان دانشگاه آلتو در فنلاند یک مدل یادگیری ماشین را برای جست‌وجو در میان ساختارهای شیمیایی آزمایش‌نشده آموزش دادند. این الگوریتم در میان ترکیبات مختلف، دو ماده جدید با فرمول‌های YRu₃B₂ و LuRu₃B₂ را به‌عنوان گزینه‌های امیدوارکننده شناسایی کرد. سپس فیزیک‌دانان دانشگاه رایس در آمریکا این ترکیبات را در آزمایشگاه تولید کردند و با بررسی نمونه‌های واقعی، ویژگی‌های ابررسانایی پیش‌بینی‌شده توسط مدل را تأیید کردند.

ابررساناها موادی هستند که در شرایط مناسب می‌توانند جریان الکتریکی را بدون مقاومت الکتریکی عبور دهند. در سیم‌های معمولی مانند مس، بخشی از انرژی الکتریکی به دلیل مقاومت به گرما تبدیل و تلف می‌شود. اما در حالت ابررسانایی، جریان می‌تواند بدون این اتلاف انرژی حرکت کند. به همین دلیل، توسعه ابررساناهای کاربردی می‌تواند پیامدهای مهمی برای انتقال برق، موتورهای صنعتی، تجهیزات الکترونیکی و مراکز داده داشته باشد.

با این حال، یکی از بزرگ‌ترین موانع استفاده گسترده از ابررساناها، نیاز بسیاری از آن‌ها به دمای بسیار پایین است. برخی از این مواد برای رسیدن به حالت ابررسانایی به دماهایی نزدیک به صفر مطلق نیاز دارند و همین مسئله هزینه و پیچیدگی سیستم‌های خنک‌کننده را افزایش می‌دهد. دو ترکیب جدید کشف‌شده ساختاری موسوم به شبکه کاگو‌مه (Kagome) دارند. این ساختار که نام خود را از یک الگوی سنتی سبدبافی ژاپنی گرفته است، از آرایش مثلثی اتم‌ها تشکیل می‌شود. چنین هندسه‌ای می‌تواند حرکت الکترون‌ها را به شکل خاصی محدود کرده و شرایطی ایجاد کند که در آن برهم‌کنش‌های کوانتومی اهمیت بیشتری پیدا کنند.

یکی از ویژگی‌های مهم این ساختار، ایجاد نوارهای انرژی تخت است. در این حالت، حرکت الکترون‌ها نسبت به برخی ساختارهای معمول محدودتر می‌شود و برهم‌کنش میان آن‌ها افزایش می‌یابد. این برهم‌کنش‌ها می‌توانند در شکل‌گیری جفت‌های الکترونی موردنیاز برای ایجاد حالت ابررسانایی نقش داشته باشند. اهمیت اصلی این پژوهش تنها در کشف دو ماده جدید خلاصه نمی‌شود؛ بلکه در روش کشف آن‌ها است. دانشمندان تاکنون هزاران ماده ابررسانا را شناسایی کرده‌اند، اما بسیاری از این کشفیات حاصل آزمون‌وخطا یا مشاهده‌های آزمایشگاهی بوده‌اند. بررسی محاسبات کوانتومی تعداد بسیار زیادی از ترکیبات نیز به زمان و قدرت محاسباتی زیادی نیاز دارد. مدل یادگیری ماشین SuperC این روند را سریع‌تر می‌کند. الگوریتم ابتدا تعداد زیادی ترکیب شیمیایی را غربال کرده و گزینه‌های کم‌امید را حذف می‌کند. سپس محاسبات دقیق‌تر فیزیک کوانتومی فقط روی نامزدهای برتر انجام می‌شود و در نهایت مواد منتخب برای آزمایش در اختیار پژوهشگران قرار می‌گیرند.

با وجود این موفقیت، YRu₃B₂ و LuRu₃B₂ هنوز نمی‌توانند راه‌حل فوری برای شبکه‌های برق باشند؛ زیرا برای ابررسانا شدن همچنان به دماهای بسیار پایین نیاز دارند. ارزش واقعی این پژوهش در اثبات توانایی هوش مصنوعی در پیش‌بینی و کشف مواد جدید است. پژوهشگران می‌توانند در آینده از همین رویکرد برای جست‌وجوی ابررساناهای دمای بالاتر، باتری‌های با چگالی انرژی بیشتر و کاتالیست‌های شیمیایی جدید استفاده کنند. به این ترتیب، هوش مصنوعی می‌تواند از یک ابزار تحلیل داده به یکی از ابزارهای مهم برای کشف مواد و فناوری‌های نسل آینده تبدیل شود.

منبع خبر: futura-sciences