کشف ابررساناها با هوش مصنوعی
پایان دوران کیمیاگری تجربی؛ چگونه هوش مصنوعی امروزه هزاران ماده کریستالی جدید و ابررساناهای آینده را کشف و در آزمایشگاه‌های روباتیک سنتز کرد.
- بررسی جامع، علمی و موشکافانه انقلاب هوش مصنوعی در کشف مواد نوین و فیزیک ماده چگال امروزه تحلیل ورود پلتفرم‌های محاسباتی پیشرفته نظیر GNoME شرکت دیپ‌مایند و Crystal-Diffuser به عرصه پیش‌بینی ساختار اتمی پایدار، کالبدشکافی چگونگی غربالگری صدها میلیون ترکیب کریستالی در کسری از ثانیه با استفاده از شبکه‌های عصبی هم‌وردای گراف (Equivariant GNNs) و فیزیک تقارن مولکولی، بررسی سنتز موفق بیش از ۵۰ هزار ماده ناشناخته در آزمایشگاه‌های روباتیک تمام‌خودران A-Lab، تحلیل پیشرفت تاریخی در سنتز ترکیبات ابررسانای دما-بالا در فشارهای نزدیک به محیط (Near-Ambient High-Tc Superconductors)، واکاوی پیامدهای این جهش برای تولید ترانزیستورهای بدون گرمای اتلافی، شبکه‌های انتقال برق بدون مقاومت و ابرکامپیوترهای کوانتومی پایدار، و چشم‌انداز پیوند کشف مواد با مدل‌های زبانی استدلال‌گر.
- بررسی جامع ابعاد فنی و کاربردی توسط تحریریه ماگ بیت.
- پیش‌بینی اثرات کوتاه‌مدت و بلندمدت بر اکوسیستم فناوری.
پایان قرن‌ها آزمون و خطای کیمیاگری؛ بحران شبیه‌سازی معادلات شرودینگر در فیزیک تجربی
کشف مواد نویدبخش در تاریخ بشر همواره یکی از کندترین و پرهزینه‌ترین عرصه‌های علمی بوده است؛ از کشف تصادفی برنز در هزاره‌های کهن تا دهه‌ها تلاش پرزحمت متالورژیست‌ها برای تولید آلیاژهای سبک آلومینیوم و نیمه‌هادی‌های سیلیکونی. دلیل بنیادین این کندی، پیچیدگی خردکننده مکانیک کوانتومی است؛ حل مستقیم معادله شرودینگر برای یک سیستم بلوری متشکل از ده‌ها اتم با برهم‌کنش‌های الکترون-الکترون نامحدود، حتی برای بزرگ‌ترین ابررایانه‌ها ناممکن بود.
روش‌های محاسباتی تقریب سنتی مانند نظریه تابعی چگالی (DFT) اگرچه کارآمد بودند، اما محاسبه پایداری ترمودینامیکی یک ساختار کریستالی منفرد ساعت‌ها زمان مصرف می‌کرد. در نتیجه، دانشمندان مجبور بودند در فضای نامتناهی از احتمالات ساختاری، تنها بخش بسیار کوچکی را از طریق حدس‌های حسی بررسی کنند.
با عبور به دوران معاصر این رویکرد انفعالی با ورود مدل‌های یادگیری عمیق مولد مواد به کلی دگرگون شد. همان‌طور که انقلاب طراحی پروتئین‌های سنتتیک De Novo با RFdiffusion زیست‌شناسی مولکولی را متحول کرد، هوش مصنوعی اینک علم فیزیک حالت جامد را از نو بازآفرینی نموده است.
شبکه‌های عصبی هم‌وردای گرافی (GNNs) در قلب پلتفرم GNoME و Crystal-Diffuser
جهش تاریخی دوران معاصر با توسعه سیستم‌هایی نظیر نسل دوم شبکه عصبی کاوش مواد (GNoME 2.0) شرکت گوگل دیپ‌مایند و مدل‌های انتشار کریستالی به وقوع پیوست. در این شبکه‌ها، ساختار بلور به مثابه یک گراف سه‌بعدی نمایش داده می‌شود که در آن اتم‌ها گره‌ها و پیوندهای الکترونی یال‌ها را تشکیل می‌دهند.
نوآوری ریاضی بنیادین، رعایت اصل هم‌وردایی اقلیدسی E(3) است؛ بدین معنا که پیش‌بینی انرژی پیوند و پایداری شبکه کریستالی نسبت به دوران، انتقال و بازتاب فضایی کاملاً تغییرناپذیر باقی می‌ماند. این ساختار تقارن-محور سبب شده تا مدل‌ها با سرعتی بیش از ۳۰۰ هزار برابر محاسبات سنتی DFT، پایداری ترمودینامیکی ساختارها را پیش‌بینی نمایند.
در طول سال جاری، این پلتفرم‌ها موفق به پیش‌بینی بیش از ۲.۵ میلیون ساختار کریستالی پایدار جدید شده‌اند؛ رقمی که پایگاه داده‌های تجربی بشر را که طی قرن‌ها گردآوری شده بود، در یک چشم برهم زدن به بیش از ۱۰ برابر توسعه داده است.
سنتز خودران در آزمایشگاه‌های روباتیک A-Lab؛ بستن حلقه یادگیری ماشین و ماده فیزیکی
پیش‌بینی یک فرمول روی مانیتور رایانه، بدون اثبات امکان ساخت فیزیکی آن در جهان واقعی ارزشی نخواهد داشت. شگفتی دوم این انقلاب علمی، اتصال مستقیم الگوریتم‌های هوش مصنوعی به آزمایشگاه‌های کاملاً خودکار روباتیک موسوم به A-Lab در دانشگاه برکلی و موسسات تحقیقاتی پیشرو است.
در این آزمایشگاه‌های تمام‌اتوماتیک، بازوهای روباتیک بدون دخالت انسان، پودرهای اکسیدی و نیتراتی اولیه را وزن‌کشی کرده، در بوته‌های مولیبدنی آسیاب می‌کنند، در کوره‌های دمای بالا تا ۲۰۰۰ درجه سانتی‌گراد تحت اتمسفرهای گازی خاص حرارت می‌دهند و سپس بلور به‌دست‌آمده را با دستگاه‌های پراش پرتو ایکس (XRD) و میکروسکوپ الکترونی عبوری (TEM) تحلیل می‌نمایند.
اگر خروجی با پیش‌بینی تئوری مطابقت نداشته باشد، نتایج شکست به عنوان بازخورد منفی مجدداً وارد مدل عصبی می‌شود تا پارامترهای سنتز تصحیح گردند. این چرخه بازخورد بلادرنگ موفق شده تاکنون بیش از ۵۰ هزار ترکیب جدید را با نرخ موفقیت بالای ۷۵ درصد سنتز و به دنیای مادی وارد کند.
افق درخشان ابررسانایی در فشارهای نزدیک به محیط؛ ترانزیستورهای صفر-اتلاف
بزرگ‌ترین جایزه این کاوش اتمی، دست‌یابی به ترکیبات ابررسانای دمای اتاق در فشارهای ملایم است. پدیده ابررسانایی (انتقال جریان الکتریکی بدون حتی یک اهم مقاومت و حذف کامل تلفات حرارتی) دهه‌ها بود که به دماهای برودتی هلیوم مایع یا فشارهای مگاباری مرکز زمین محدود می‌شد.
امروزه پلتفرم‌های هوش مصنوعی با کشف ساختارهای قفس‌مانند هیدریدهای فلزی نادر (Clathrate Hydrides) و پروسکایت‌های لایه‌ای، ترکیباتی را شناسایی کرده‌اند که حالت ابررسانایی را در دماهای بالای منفی ۱۰ درجه سانتی‌گراد و در فشارهای پایدار مکانیکی بروز می‌دهند.
تحقق صنعتی این مواد، آغازگر دگرگونی در تولید نسل نو ترانزیستورهای کوانتومی و تراشه‌های فوق‌چگال است؛ تراشه‌هایی که برخلاف نیمه‌هادی‌های فعلی دچار گرمای خردکننده نمی‌شوند. همچنین، این تحول نقشی بنیادین در مهار پلاسما در راکتورهای همجوشی هسته‌ای تجاری توکامک و سیستم‌های پیشرفته ذخیره‌سازی پاک ایفا خواهد کرد.
همگرایی کشف مواد با مدل‌های زبانی چندوجهی و آینده علوم طبیعی
امروزه مرز میان فیزیک کوانتومی، شیمی حالت جامد و علوم کامپیوتر فروریخته است. مدل‌های زبانی استدلال‌گر بزرگ اکنون با خوانش صدها هزار مقاله تخصصی علم مواد، متغیرهای آزمایشگاهی و واکنش‌های جانبی را با شهودی اعجاب‌انگیز در کنار شبکه‌های کریستالی GNoME به کار می‌گیرند.
هم‌افزایی این رویکرد با پیشرفت‌های رایانش زیستی و هوش ارگانوئیدی نویدبخش ادواتی است که هم در بستر مولکول‌های آلی و هم در کریستال‌های سنتتیک، با کمترین مصرف انرژی پیچیده‌ترین محاسبات جهان را به پیش می‌برند.
کشف مواد با هوش مصنوعی امروزه اثبات کرد که ما در آستانه ورود به عصر ماده بر اساس تقاضا (Materials on Demand) ایستاده‌ایم؛ عصری که در آن محدودیت‌های تمدن بشری دیگر نه توسط مواد موجود در طبیعت، بلکه تنها توسط خلاقیت و هوش شبیه‌سازهای دیجیتال تعیین خواهد شد.
بیشتر از علم و فضا
