(a) توزیع گشتاورهای مغناطیسی برای هالیدهای فلز واسطه. یک نمودار ستونی از مقادیر گشتاور مغناطیسی DFT (محور راست، آبی) به موازات یک نمودار ستونی از پیش بینی های یادگیری ماشین (محور چپ، نارنجی) نمایش داده شده است. (b) توزیع مقادیر گشتاور مغناطیسی برای مجموعه داده ای از تری کلکوژنایدهای فلز واسطه. نمودار ستونی برای گشتاورهای مغناطیسی DFT نمایش داده شده است. DOI: 10.1002/adts.202300019

گروهی از پژوهشگران، تحت هدایت تِرِوِر دیوید رُن Trevor David Rhone استادیار در دپارتمان فیزیک، فیزیک کاربردی و نجوم از موسسه پلی تکنیک رنسلیر، آهنرباهای واندروالسی جدیدی را با استفاده از ابزار بسیار پیشرفته در هوش مصنوعی (AI) ، شناسایی کرده اند. به طور خاص، گروه، مواد واندروالسی هالید فلز واسطه را با گشتاورهای مغناطیسی بزرگ شناسایی کرده اند که با استفاده از یادگیری نیمه نظارتی (semi-supervised learning) پیش بینی می شود که از نظر شیمیایی پایدار باشند. این آهن رباهای واندروالسی دوبعدی کاربردهای بالقوه ای در ذخیره سازی داده، اسپینترونیک و حتی محاسبات کوانتومی دارند.

رُن در بهره برداری کردن از انفورماتیک مواد به منظور کشف مواد جدید با ویژگیهای غیر منتظره که علم و فناوری را ارتقا می دهند، تخصص دارد. انفورماتیک مواد، زمینه مطالعاتی در حال توسعه در فصل مشترک هوش مصنوعی و علم مواد است. آخرین پژوهش گروه او اخیرا روی جلد مجله Advanced Theory and Simulations به نمایش گذاشته شده است.

مواد دوبعدی، که میتوانند به کوچکی یک اتم منفرد باشند، در سال 2004 کشف شدند و به دلیل ویژگیهای غیر منتظره خود، مایه کنجکاوی علمی بزرگی بوده اند. آهن رباهای دو بعدی از آنجا با اهمیت هستند که آرایش مغناطیسی دوربُرد آنها وقتی که به یک تا تعداد کمی لایه تقلیل می یابند، به قوت خود باقی می ماند. این امر به دلیل ناهمسانگردی مغناطیسی است.

برهمکنش با این ناهمسانگردی مغناطیسی و بُعد پایین توانسته به درجات آزادی اسپینی شگفت انگیزی از قبیل ساختارهای اسپینی که میتوانند در توسعه معماری محاسبات کوانتومی مورد استفاده قرار گیرند، منجر شود. آهنرباهای دوبعدی همچنین محدوده کاملی از ویژگی های الکترونیکی را در بر می گیرند و میتوانند در دستگاه های با عملکرد بالا و بهینه شده از نظر میزان مصرف انرژی به کار گرفته شوند.

رُن و همکارانش، محاسبات نظریه تابعی چگالی توان بالا را ترکیب کردند تا با هوش مصنوعی و اجرای شکلی از یادگیری ماشین تحت عنوان یادگیری نیمه نظارتی، ویژگی های مواد واندروالسی را تعیین کنند. یادگیری نیمه نظارتی یک ترکیب از داده های برچسب گذاری شده و غیر برچسب گذاری شده را به کار می گیرد تا الگوها را در داده ها شناسایی کرده و پیش بینی انجام دهد. یادگیری نیمه نظارتی چالش بزرگی را در یادگیری ماشین برطرف می کند: کمبود داده های برچسب گذاری شده.

رُن می گوید: "استفاده از هوش مصنوعی، در زمان و سرمایه صرفه جویی می کند،" "فرآیند کشف مواد نوعی، نیازمند شبیه سازی های پرهزینه ای روی یک ابرکامپیوتر است که میتواند ماهها به طول بیانجامد. آزمایشهای آزمایشگاهی میتوانند حتی طولانی تر و پرهزینه تر باشند. رویکرد هوش مصنوعی قابلیت سرعت بخشیدن به فرآیند کشف مواد را دارد."

با استفاده از زیرمجموعه اولیه ای از 700 محاسبه نظریه تابعی چگالی روی یک ابرکامپیوتر، یک مدل هوش مصنوعی آموزش داده شد که توانست روی لپ تاپ ویژگیهای هزاران کاندیدای مواد را در یک میلی ثانیه پیش بینی کند. گروه، سپس کاندیدای نویدبخشی را برای مواد واندروالسی با آهنرباهای مغناطیسی بزرگ و انرژی تشکیل پایین شناسایی کرد. انرژی تشکیل پایین یک شاخص پایداری شیمیایی است که الزام مهمی برای ساخت ماده در آزمایشگاه و کاربردهای صنعتی بعدی است.

رُن می گوید: " الگوی ما میتواند به آسانی به منظور جستجوی مواد با ویژگیهای بلوری مختلف نیز به کار گرفته شود." "نمونه های اولیه ساختار بلوری ترکیبی مانند یک مجموعه داده از هر دو هالیدهای فلز واسطه و تری کلکوژنایدهای فلز واسطه نیز میتواند با این الگو کشف شود."

کرت برنمان Curt Breneman رئیس دانشکده علوم رنسلیر می گوید: "استفاده دکتر رُن از هوش مصنوعی در زمینه علم مواد و تولید نتایج هیجان انگیز ادامه دارد. او نه تنها درک ما را از مواد دوبعدی که ویژگی های جدیدی دارند، تسریع بخشیده بلکه یافته ها و روشهای او احتمالا در فناوریهای محاسبات کوانتومی جدید سهیم خواهند بود."

منبع:

Researcher uses artificial intelligence to discover new materials for advanced computing