کشف هوشمند مواد و آزمایشگاه‌های خودران

مقدمه و بررسی اولیه

پایان قرن‌ها آزمون و خطای کور؛ چرا علم مواد به هوش مصنوعی نیاز داشت؟

در سراسر تاریخ تمدن بشری، از عصر برنز و آهن تا انقلاب نیمه‌هادی‌های سیلیکونی، کشف مواد جدید همواره فرآیندی تصادفی، کند و طاقت‌فرسا بود. دانشمندان برای سنتز یک آلیاژ مقاوم به حرارت یا یک عایق دی‌الکتریک نوآورانه، سال‌ها در آزمایشگاه‌ها به ترکیب عناصر جدول تناوبی پرداخته و با روش آزمون و خطا، هزاران نمونه شکست‌خورده تولید می‌کردند. ساخت هر ترکیب نو به طور میانگین نیازمند ۸ الی ۱۵ سال پژوهش طاقت‌فرسا بود.

با این حال، چالش‌های ژئوپلیتیک و اقلیمی قرن بیست و یکم تاب این انتظار طولانی را ندارند. برای تحقق رویاهایی چون همجوشی هسته‌ای فشرده با مگنت‌های ابررسانای REBCO یا توسعه پنل‌های سبک‌وزن در مأموریت‌های نیروگاه خورشیدی فضاپایه (SBSP) و انتقال مایکروویو به زمین، ما به آلیاژهایی با استحکام مافوق‌تصور و مواد ترموالکتریک بی‌سابقه نیاز داریم.

دوران کنونی نقطه عطف پیوند تاریخی علم فیزیک حالت جامد با هوش مصنوعی مولد است. پروژه‌های مقیاس بزرگی نظیر شبکه‌های عصبی گراف اتمی GNoME و مدل‌های پایه ساختار بلوری، بیش از ۴ میلیون ترکیب معدنی پایدار را در فضای مجازی محاسبه و پیش‌بینی کرده‌اند؛ دانشی که وسعت آن معادل کل اکتشافات تاریخ مکتوب بشریت در حوزه کریستالوگرافی است.

کالبدشکافی آزمایشگاه‌های خودران (Self-Driving A-Labs) با حلقه بسته یادگیری

شگفتی واقعی دوران کنونی صرفاً پیش‌بینی تئوریک ساختارها روی کامپیوتر نیست، بلکه تبدیل این فرضیات به پودرها و کریستال‌های ملموس در جهان فیزیکی است. این معجزه توسط آزمایشگاه‌های خودران (Self-Driving Laboratories یا A-Labs) رقم خورده است؛ کارخانه‌های مینیاتوری که بدون حضور حتی یک تکنسین انسانی، ۲۴ ساعته و هفت روز هفته مشغول فعالیت هستند.

در این مراکز، یک ایجنت هوش مصنوعی هدایتگر ابتدا پایگاه‌داده ساختارهای بلوری را غربال کرده و ترکیب اتمی بهینه برای یک ویژگی خاص (مثلاً رسانایی یونی بالا) را برمی‌گزیند. سپس، فرامین به بازوهای رباتیک مخابره می‌شود. این بازوها پودرهای پیش‌ساز را با ترازوی فوق‌دقیق میلی‌گرمی برداشته، مخلوط کرده و درون کوره‌های سرامیکی با دمای ۱۲۰۰ درجه سانتی‌گراد پخت می‌کنند.

نمونه حاصل بلافاصله توسط ربات دیگری به دستگاه پراش پرتو ایکس (XRD) و میکروسکوپ الکترونی منتقل می‌شود تا خلوص ساختار ارزیابی گردد. اگر بلور تشکیل‌شده دارای ناخالصی باشد، سیستم با استفاده از یادگیری تقویتی در حلقه بسته (Closed-Loop Active Learning)، نسبت عناصر یا دمای کوره را اصلاح کرده و آزمایش را تکرار می‌کند. این زنجیره هوشمند، پروسه‌ای را که پیش از این ۶ ماه زمان می‌برد، در کمتر از ۵ ساعت به سرانجام می‌رساند.

هم‌افزایی با مهندسی زیستی، نانوربات‌ها و پزشکی کوانتومی

اصول طراحی مواد با هوش مصنوعی تنها به فلزات و باتری‌ها محدود نمانده، بلکه مرزهای زیست‌شناسی مولکولی را نیز درنوردیده است. به عنوان مثال، در شاخه پزشکی، الگوریتم‌های چیدمان سه‌بعدی اتم‌ها مکمل بی‌نظیر تحقیقات انقلاب نانوروبات‌های دی‌ان‌ای اوریگامی در درمان هدفمند سرطان شده‌اند؛ جایی که نانوذرات کربنی و پلیمرهای رسانا برای ساخت بازوهای مکانیکی مولکولی به کار گرفته می‌شوند.

همچنین شبیه‌سازی رفتار مکانیک کوانتومی الکترون‌ها با مدل‌های تقریب تابع چگالی مبتنی بر یادگیری عمیق (Deep Learning DFT)، امکان طراحی کاتالیزورهای فوق‌العاده ارزان برای تجزیه آب و تولید هیدروژن سبز را میسر ساخته است؛ دستاوردی که هزینه تمام‌شده سوخت پاک را تا ۶۰ درصد کاهش خواهد داد.

در بخش ذخیره‌سازی داده نیز، نانوساختارهای فازمتغیر نوینی کشف شده‌اند که امکان ثبت اطلاعات با چگالی پتابایت بر سانتی‌متر مکعب را با پایداری صدساله فراهم می‌سازند.

عصر سنتز پرشتاب و انقلاب مادی قرن بیست و یکم

دوران کنونی سرآغاز عصری است که در آن علم مواد دیگر گلوگاهی برای پیشرفت سایر رشته‌های فناوری به شمار نمی‌رود. اگر مهندسی نیازمند ماده‌ای با ضریب انبساط حرارتی صفر، هدایت گرمایی الماس و انعطاف‌پذیری لاستیک باشد، دیگر نیازی به دهه‌ها سرگردانی نیست؛ هوش مصنوعی آن ماده را فرمول‌بندی کرده و آزمایشگاه رباتیک آن را در مقیاس گرم تحویل می‌دهد.

این رنسانس متالورژی و نانوفناوری، شتاب‌دهنده اصلی بشر برای ساخت شهرهای آینده، فضاپیماهای میان‌سیاره‌ای و زیرساخت‌های پایدار اقلیمی در سده پیش‌رو خواهد بود.