مدل‌های هوش مصنوعی مولد (Generative AI) در سال‌های اخیر توانسته‌اند میلیون‌ها ماده‌ی نظری با خواص بالقوه‌ شگفت‌انگیز تولید کنند؛ موادی که می‌توانند در حل چالش‌هایی مانند ذخیره انرژی، کاتالیز، جذب گازها و تبادل یونی نقش کلیدی داشته باشند. اما یک مشکل اساسی همچنان پابرجاست: دانشمندان اغلب نمی‌دانند این مواد را چگونه در دنیای واقعی بسازند. در بسیاری از موارد، سنتز مواد شبیه پختن یک کیک ساده نیست. عواملی مانند دمای واکنش، زمان فرآیند، نسبت مواد اولیه و شرایط محیطی می‌توانند به‌طور چشمگیری خواص نهایی ماده را تغییر دهند. همین پیچیدگی باعث شده آزمایش عملی میلیون‌ها ماده پیشنهادیِ تولیدشده توسط مدل‌های هوش مصنوعی، تقریباً غیرممکن باشد.

اکنون پژوهشگران مؤسسه فناوری ماساچوست (MIT) از توسعه‌ی یک مدل هوش مصنوعی جدید خبر داده‌اند که می‌تواند این گلوگاه بزرگ را از میان بردارد. این مدل که DiffSyn نام دارد، به دانشمندان کمک می‌کند تا مسیرهای بهینه‌ی سنتز مواد را شناسایی کنند. نتایج این پژوهش در مجله معتبر Nature Computational Science منتشر شده است.

DiffSyn به‌طور خاص برای پیش‌بینی مسیرهای سنتز مواد پیچیده‌ای به نام زئولیت‌ها (Zeolites) طراحی شده است؛ موادی که کاربرد گسترده‌ای در کاتالیز، جذب مولکولی و تبادل یونی دارند. پژوهشگران MIT نشان دادند که این مدل با دقتی در سطح پیشرفته (state-of-the-art) می‌تواند بهترین مسیرهای ساخت این مواد را پیشنهاد دهد. حتی فراتر از پیش‌بینی، تیم تحقیقاتی با پیروی از پیشنهادهای DiffSyn موفق شد یک زئولیت جدید با پایداری حرارتی بالاتر تولید کند.

الـتون پن، نویسنده اصلی مقاله، سنتز مواد را به پختن کیک تشبیه می‌کند: «ما می‌دانیم چه کیکی می‌خواهیم، اما نمی‌دانیم چطور آن را بپزیم.» به گفته او، فرآیند سنتز مواد تا امروز عمدتاً بر تجربه‌ی انسانی و آزمون‌وخطا متکی بوده است؛ روشی کند، پرهزینه و محدود. برخلاف انسان‌ها که معمولاً تنها یک یا دو پارامتر را هم‌زمان تغییر می‌دهند، هوش مصنوعی قادر است در یک فضای بسیار پیچیده و چندبعدی به‌طور هم‌زمان استدلال کند. DiffSyn با آموزش روی بیش از ۲۳ هزار دستور سنتز مواد که در طول ۵۰ سال پژوهش علمی منتشر شده‌اند، این توانایی را به دست آورده است.

این مدل از رویکرد مدل‌های انتشار (Diffusion Models) استفاده می‌کند؛ همان خانواده‌ای از مدل‌ها که در تولید تصاویر توسط ابزارهایی مانند DALL·E کاربرد دارند. در این روش، مدل از نویز تصادفی شروع کرده و به‌تدریج به یک ساختار معنادار می‌رسد؛ در اینجا، این ساختار همان مسیر سنتز ماده است. کاربر با وارد کردن ساختار ماده‌ی موردنظر، مجموعه‌ای از مسیرهای پیشنهادی شامل دما، زمان واکنش، نسبت مواد اولیه و سایر پارامترها را دریافت می‌کند. به گفته پژوهشگران، DiffSyn می‌تواند در کمتر از یک دقیقه هزاران مسیر سنتز را بررسی کند؛ کاری که به‌صورت دستی ممکن است هفته‌ها یا ماه‌ها زمان ببرد.

یکی از مزیت‌های کلیدی DiffSyn این است که به‌جای ارائه‌ی یک دستور واحد، چندین مسیر مختلف برای ساخت یک ماده پیشنهاد می‌دهد؛ رویکردی که با واقعیت آزمایشگاهی کاملاً هم‌خوان است. پژوهشگران معتقدند این فناوری می‌تواند در آینده برای مواد دیگری مانند چارچوب‌های فلزی-آلی (MOFs) و جامدات غیرآلی نیز به کار رود. در نهایت، هدف بلندمدت این تیم، اتصال چنین مدل‌های هوشمندی به آزمایشگاه‌های خودکار و سیستم‌های تصمیم‌گیر مبتنی بر بازخورد تجربی است؛ گامی که می‌تواند فرآیند طراحی و کشف مواد را به‌طور بنیادین متحول کند و نقش هوش مصنوعی را در علم مواد به سطحی کاملاً جدید برساند.

منبع خبر: news.mit