هوش مصنوعی شبیهسازی نقصها را به میلیثانیه کاهش داد
دانشمندان موفق به توسعه یک سامانه هوش مصنوعی شدهاند که میتواند الگوهای پیچیده نقصهای توپولوژیک در کریستالهای مایع را با سرعتی بسیار بالا پیشبینی کند؛ بهگونهای که زمان شبیهسازی از چند ساعت به چند میلیثانیه کاهش مییابد. این دستاورد میتواند مسیر طراحی و آزمون مواد پیشرفته را بهطور چشمگیری متحول کند.
به گزارش sciencedaily، در بسیاری از سامانههای فیزیکی ساختارهای پیچیده زمانی شکل میگیرند که تقارن اولیه یک سیستم شکسته میشود. در این فرایند بینظمیهای کوچک اما پایداری بهوجود میآیند که به آنها نقصهای توپولوژیک گفته میشود. این نقصها در مقیاسهای بسیار متنوعی دیده میشوند؛ از ساختار کیهان گرفته تا مواد آشنای روزمره، و به همین دلیل ابزاری کلیدی برای مطالعه چگونگی شکلگیری نظم در سامانههای پیچیده به شمار میروند.
کریستالهای مایع؛ بستری ایدهآل برای مطالعه نقصها
پژوهشگران معمولا برای بررسی این نقصها از کریستالهای مایع نماتیک استفاده میکنند؛ موادی که در آنها مولکولها آزادانه میچرخند، اما همچنان در یک جهت کلی همراستا هستند. این ویژگی کریستالهای مایع را به یک سامانه قابلکنترل و مناسب برای مشاهده شکلگیری، جابهجایی و بازآرایی نقصها تبدیل کرده است. توصیف این پدیدهها اغلب بر پایه نظریه لاندائو–دو ژن انجام میشود که رفتار نظم مولکولی و فروپاشی آن در هسته نقصها را بهصورت ریاضی شرح میدهد.
پیشبینی سریع نقصها با یادگیری عمیق
اکنون تیمی پژوهشی به سرپرستی جونهی نا از دانشگاه ملی چونگنام کرهجنوبی روشی بسیار سریعتر برای پیشبینی الگوهای پایدار نقصها با استفاده از یادگیری عمیق ارائه کرده است. این پژوهش که نتایج آن در نشریه Small منتشر شده شبیهسازیهای عددی سنتی و زمانبر را با یک مدل هوش مصنوعی جایگزین میکند.
به گفته نا این رویکرد با تکمیل شبیهسازیهای کند از طریق پیشبینیهای سریع و قابلاعتماد، امکان بررسی نظاممند سامانههای سرشار از نقص را فراهم میکند.
این مدل بر پایه معماری ۳ D U-Net ساخته شده است؛ نوعی شبکه عصبی کانولوشنی که کاربرد گستردهای در تحلیل تصاویر علمی و پزشکی دارد. این ساختار به سامانه اجازه میدهد هم همراستایی مولکولی در مقیاس بزرگ و هم جزئیات ظریف نقصهای موضعی را بهطور همزمان ثبت کند. در این روش شرایط مرزی مشخص به شبکه داده میشود و مدل، پیکربندی تعادلی نهایی را پیشبینی میکند؛ از جمله محل شکلگیری نقصها و هندسه آنها.
برای آموزش شبکه دادههایی از شبیهسازیهای متداول با الگوهای متنوع همراستایی مولکولی استفاده شد. پس از آموزش مدل توانست پیکربندیهای کاملا جدیدی را که پیشتر ندیده بود با دقت بالا پیشبینی کند؛ بهطوریکه نتایج آن با شبیهسازیهای سنتی و مشاهدات تجربی تطابق نزدیکی داشت.
یادگیری فیزیک از دادهها
برخلاف روشهای کلاسیک که به معادلات صریح متکی هستند این مدل رفتار فیزیکی زیربنایی را مستقیما از دادهها میآموزد. همین ویژگی به آن امکان میدهد سناریوهای بسیار پیچیده، از جمله نقصهای توپولوژیک مرتبهبالا را مدیریت کند؛ مواردی که در آنها نقصها میتوانند به هم متصل شوند از هم جدا شوند یا آرایش خود را تغییر دهند. آزمایشها نشان دادهاند که شبکه عصبی این رفتارها را با دقت بازتولید میکند.
کاهش چشمگیر زمان شبیهسازی امکان بررسی سریع فضاهای طراحی گسترده را فراهم میکند و راه را برای طراحی موادی با ساختار نقصهای کاملا کنترلشده هموار میسازد. این قابلیت بهویژه برای توسعه ابزارهای نوری پیشرفته و متامتریالها اهمیت دارد.
به گفته پژوهشگران طراحی مبتنی بر هوش مصنوعی میتواند روند توسعه مواد را بهطور اساسی تسریع کند و به تولید مواد هوشمند برای کاربردهایی مانند نمایشگرهای هولوگرافیک، فناوریهای واقعیت مجازی و افزوده، سامانههای نوری تطبیقی و پنجرههای هوشمند پاسخگو به محیط منجر شود.
انتهای پیام/
