مواد مانند انسان‌ها، تحت تأثیر شرایط مختلف، رفتارهای مختلفی از خود نشان می‌دهند. این تغییرات پویا بوده و برای دانشمندان چالش‌برانگیز است، زیرا تحلیل رفتار پیچیده مواد به تنهایی بسیار دشوار است. روشهای سنتی برای درک تحولات مولکولی مواد تاکنون با چالش‌هایی روبرو بوده‌اند و باعث شکاف‌هایی در دانش ما از رفتار مواد تحت شرایط مختلف شده‌اند.
برای پاسخ به این چالش، محققان در آزمایشگاه ملی آرگون در ایالات متحده، یک رویکرد نوآورانه توسعه داده‌اند. این رویکرد جدید از طیف‌سنجی همبستگی فوتون اشعه ایکس (XPCS)، هوش مصنوعی و یادگیری ماشینی برای ایجاد «اثر انگشت» از مواد مختلف استفاده می‌کند. سپس این اثر انگشت‌ها توسط یک شبکه عصبی تجزیه و تحلیل می‌شوند و اطلاعات جدیدی در مورد رفتار مواد بدست می‌دهند که قبلاً در دسترس نبوده است.
فناوری پشت نوآوری
این تکنیک پیشرفته بر اساس اصلی طیف‌سنجی همبستگی فوتون اشعه ایکس یا XPCS است. XPCS یک روش پیشرفته برای تصویربرداری است که از اشعه ایکس قوی استفاده می‌کند تا ساختار و حرکت مواد در مقیاس نانو را بررسی کند. به عبارت دیگر، با استفاده از داده‌های پراکندگی اشعه ایکس، می‌توانیم بفهمیم چگونه مواد در زمان حرکت می‌کنند و تغییر می‌کنند، همانطور که جیمز (جی) هوروات، محقق پسادکتری در آرگون توضیح می‌دهد.
این داده‌های پراکنده، اطلاعات مفیدی درباره ساختار و رفتار مواد ارائه می‌دهند، اما الگوهای به دست آمده بسیار پیچیده هستند. برای درک داده‌های بزرگ تولید شده توسط XPCS، محققان به هوش مصنوعی روی آورده‌اند تا الگوها را شناسایی کرده و اطلاعات معنی‌داری از مجموعه داده‌های پیچیده بدست آورند. هوش مصنوعی و الگوریتم‌های یادگیری ماشین در اینجا به کار گرفته می‌شوند تا الگوهای پراکندگی اشعه ایکس را تجزیه و تحلیل کنند و موتیف‌ها و روندهای تکراری را شناسایی کنند که ممکن است برای انسان‌ها سخت قابل تشخیص باشند.
الگوریتم یادگیری ماشین بدون نظارت
این رویکرد جدید از الگوریتم‌های یادگیری ماشین بدون نظارت به یکی از اجزای اساسی آن تبدیل شده است. در مقابل یادگیری نظارت شده که به داده‌هایی با برچسب انسانی نیاز دارد، الگوریتم‌های بدون نظارت می‌توانند الگوها و ساختارها را در داده‌ها بدون راهنمایی قبلی کشف کنند. این خصوصیت آنها را برای کاوش داده‌های علمی پیچیده، که الگوهای اساسی آنها ممکن است پیش‌تر شناخته نشده باشند، مناسب می‌سازد.
هوروات بر اهمیت این رویکرد تأکید می‌کند و می‌گوید: "هدف از هوش مصنوعی این است که الگوهای پراکندگی را مثل تصاویر معمولی در نظر بگیرد و آنها را تجزیه کند تا بفهمد که الگوهای تکراری چیستند. هوش مصنوعی یک تخصص در تشخیص الگوها است." این قابلیت برای شناسایی و دسته‌بندی الگوها بدون نیاز به دخالت انسان، امکان تجزیه و تحلیل جامع و بی‌طرفانه‌تری از رفتارهای مواد را فراهم می‌کند.
پروژه AI-NERD
این رویکرد نوآورانه در پروژه‌ای به نام هوش مصنوعی برای پویایی آرامش غیرتعادلی یا AI-NERD حاوی اصل اصلی است. مرکز AI-NERD یک تکنیک است که به عنوان رمزگذار خودکار شناخته می‌شود. این تکنیک، یک نوع شبکه عصبی است که به‌طور خاص برای فشرده‌سازی کارآمد داده‌ها و استخراج ویژگی‌ها طراحی شده است.
رمزگذار خودکار با تبدیل داده‌های اصلی تصویر پراکنده اشعه ایکس به یک نمایش فشرده کار می‌کند که محققان به آن به عنوان "نمایش نهفته" یا "اثر انگشت" اشاره می‌کنند. این فرآیند ویژگی‌های اساسی ساختار و رفتار مواد را به شکل قابل کنترل تری تقطیر می‌کند. نکته مهم این است که رمزگذار خودکار شامل یک الگوریتم رمزگشا نیز می‌شود که می‌تواند تصویر کامل را از این نمایش فشرده بازسازی کند و اطمینان حاصل کند که هیچ اطلاعات اساسی در این فرآیند از بین نمی‌رود.
ایجاد اثرانگشت
این اثر انگشت مواد مثل یک کد ژنتیکی برای ماده‌ای است که در حال مطالعه است. به طور ساده می‌توان آن را به عنوان ژنوم یا کل اطلاعات مورد نیاز برای بازسازی تصویر در نظر گرفت. با فشرده کردن داده‌های پراکنده و پیچیده اشعه ایکس در این اثر انگشت، پژوهشگران می‌توانند به راحتی مواد مختلف را تحت شرایط مختلف مقایسه و تجزیه و تحلیل کنند، همانطور که هوروات توضیح می‌دهد.
نقشه برداری و تجزیه و تحلیل محله های اثر انگشت
در گام آخر از فرآیند AI-NERD، یک نقشه از اثر انگشت مواد ایجاد می‌شود. اثر انگشت‌های مشابه در نزدیکی هم جمع می‌شوند و به پژوهشگان این امکان را می‌دهند که الگوها و ارتباطات در مواد یا وضعیت‌های مختلف را تصور کنند. از طریق بررسی ویژگی‌های این نقشه‌های اثرانگشت، دانشمندان می‌توانند بینش‌های جدیدی درباره ساختار مواد و چگونگی تکامل آنها در طول زمان با تجربه استرس و آرامش به دست آورند.
این رویکرد نقشه‌برداری، یک دیدگاه جامع از رفتار ماده را ارائه می‌دهد و به پژوهشگان این امکان را می‌دهد که الگوها و روندهایی را که ممکن است هنگام مشاهده نقاط داده‌ای مشخص نباشند، شناسایی کنند. این ابزار قدرتمند برای درک پیچیدگی‌های مواد در سطح مولکولی است که راه‌های جدیدی را برای تحقیقات در حوزه علم مواد و کاربردهای بالقوه در زمینه‌های مختلف باز می‌کند.
کاربردها و مفاهیم
درک ساختار مواد و تکامل
در روش AI-NERD، یک نگاه نوین به رفتار مواد در شرایط مختلف ارائه می‌شود. این روش امکان تحلیل دقیق تغییرات دقیق در ساختار مواد در طول زمان را فراهم می‌کند، به ویژه زمانی که مواد تحت فشار یا استراحت قرار می‌گیرند. این درک عمیق از تکامل مواد می‌تواند منجر به توسعه موادی با عمر طولانی‌تر و واکنش‌پذیری بهتر برای مصارف مختلف، از ساخت و ساز تا الکترونیک، شود
مزایا نسبت به روشهای تحلیل سنتی
در روشهای سنتی برای تجزیه و تحلیل رفتار مواد، اغلب بر تفسیر انسانی از داده‌های پیچیده وابسته است که ممکن است زمان‌بر و دچار سوگیری شود. اما رویکرد مبتنی بر هوش مصنوعی با پردازش سریع داده‌های بزرگ و شناسایی الگوهایی که ممکن است برای چشم انسان غیرقابل رویت باشد، این محدودیت‌ها را پشت سر می‌گذارد. همانطور که هوروات اشاره می‌کند، "الگوهای موجود در پرتوهای اشعه ایکس به قدری متنوع و پیچیده هستند که حتی برای متخصصان سخت است که معنای هر یک را درک کنند." از طریق بهره‌گیری از هوش مصنوعی، پژوهشگران می‌توانند بینش‌هایی را کشف کنند که با روشهای سنتی تقریباً غیرممکن است تشخیص داده شوند.
پتانسیل اکتشافات جدید در علم مواد
قابلیت "خواندن" و تفسیر اثر انگشت مواد، فرصت‌های جذابی را برای کشف‌های جدید در حوزه علم مواد فراهم می‌کند. این امکان به محققان اجازه می‌دهد تا واکنش مواد مختلف به محرک‌های مختلف را در سطح مولکولی بررسی کنند که ممکن است منجر به تولید مواد جدید با ویژگی‌های مناسب شود. این می‌تواند تأثیرات گسترده‌ای بر زمینه‌هایی نظیر ذخیره‌سازی انرژی، فناوری نیمه‌هادی، و زیست‌پزشکی داشته باشد، جایی که درک و کنترل رفتار مواد در مقیاس نانو بسیار اهمیت دارد.
چشم انداز آینده
این رویکرد مبتنی بر هوش مصنوعی قصد دارد تا با ارتقای منبع فوتون پیشرفته (APS) در آرگون، امکانات را گسترش دهد. این مرکز نوری بهبود یافته، پرتوهای اشعه ایکسی را که 500 برابر روشن‌تر از APS اصلی هستند تولید می‌کند و حجم بسیار زیادی از داده‌ها تولید می‌کند که برای تحلیل پیشرفته نیازمند تکنیک‌های خاصی است. هوروات بیان کرده که "برای مدیریت این داده‌ها، نیاز به قدرت هوش مصنوعی وجود دارد." بنابراین پروژه AI-NERD به عنوان یک ابزار حیاتی برای بهره‌گیری کامل از قابلیت‌های این مرکز تحقیقاتی نسل بعدی معرفی می‌شود.
توسعه AI-NERD همچنین باعث تقویت همکاری بین گروه‌های مختلف تحقیقاتی در آزمایشگاه ملی آرگون شده است. برای مثال، گروه تئوری در مرکز مواد در مقیاس نانو (CNM) همکاری با گروه محاسباتی در بخش علوم اشعه ایکس آرگون راه‌اندازی کرده‌اند تا به شبیه‌سازی مولکولی دینامیک پلیمر بپردازند. این شبیه‌سازی‌ها نه تنها به تکمیل داده‌های تجربی از XPCS کمک می‌کنند بلکه داده‌های مصنوعی را برای آموزش الگوهای کاری هوش مصنوعی ارائه می‌دهند.
با اینکه تمرکز فعلی بر روی علم مواد است، این رویکرد مبتنی بر هوش مصنوعی که از طریق AI-NERD پیشرفت می‌کند، قابلیت اثرگذاری بر رشته‌های گوناگونی از علوم را دارد. هر رشته‌ای که با سیستم‌های پیچیده و در حال تکامل سر و کار دارد، می‌تواند از این تکنیک بهره‌برداری کند. به عنوان مثال، از آن برای مطالعه فرآیندهای بیولوژیکی، سیستم‌های محیطی یا حتی پدیده‌های اخترفیزیکی استفاده کرد. توانایی استخراج الگوهای معنادار از حجم زیاد داده‌ها، یک نیاز اساسی در علم مدرن است و این رویکرد به طور بالقوه می‌تواند در رشته‌های متعدر آرگون، اهمیت روش هوش مصنوعی برای ارتقای منبع فوتون پیشرفته (APS) آشکار است. این مرکز پرتوهای اشعه ایکس را با نور بیشتری تولید می‌کند و حجم زیادی از داده‌ها را ایجاد می‌کند که نیازمند روشهای تحلیل پیشرفته هستند. هوروات اظهار کرده است که برای مدیریت این داده‌ها به هوش مصنوعی نیاز است. به همین دلیل، پروژه AI-NERD به عنوان یک ابزار حیاتی برای بهره‌برداری از قدرت این مرکز تحقیقاتی نسل بعدی معرفی شده است.
توسعه AI-NERD همچنین باعث تقویت همکاری بین گروه‌های مختلف در آزمایشگاه ملی آرگون شده است. به عنوان مثال، گروه تئوری در مرکز مواد در مقیاس نانو با گروه محاسباتی در بخش علوم اشعه ایکس آرگون برای شبیه‌سازی مولکولی دینامیک پلیمر همکاری می‌کنند. این شبیه‌سازی‌ها به تکمیل داده‌های تجربی کمک می‌کنند و داده‌های مصنوعی برای آموزش الگوهای کاری هوش مصنوعی ارائه می‌شوند.
رویکرد مبتنی بر هوش مصنوعی که از طریق AI-NERD توسعه می‌یابد، اثرگذاری گسترده‌ای در زمینه‌های مختلف علمی دارد. از این تکنیک می‌توان در رشته‌هایی که با سیستم‌های پیچیده و در حال تکامل سر و کار دارند، استفاده کرد. به عنوان مثال، می‌توان از آن برای مطالعه فرآیندهای بیولوژیکی، سیستم‌های محیطی یا حتی پدیده‌های اخترفیزیکی استفاده نمود. استخراج الگوهای معنادار از حجم زیاد داده‌ها، یک نیاز اساسی در علم مدرن است و این رویکرد به طور بالقوه می‌تواند در رشته‌های متعدد مورد استفاده قرار گیرد.