جامعة تسينغهوا تقود إصدار نموذج Uni-MOF، الذي يحدد بفعالية 630 ألف تكوين مكاني ثلاثي الأبعاد ويتنبأ بقدرة الامتصاص لـ MOFs
في العالم الصناعي، تُستخدم الغازات عالية النقاء على نطاق واسع في العديد من المجالات مثل تصنيع أشباه الموصلات، وإنتاج الألياف الضوئية، والبحث العلمي، والصحة الطبية، وحماية البيئة، والطاقة، وما إلى ذلك. على سبيل المثال، في صناعة أشباه الموصلات، تُعد الغازات عالية النقاء مواد خام رئيسية لتصنيع الرقائق، وتؤثر بشكل مباشر على أداء وإنتاجية الدوائر المتكاملة.
التحدي الرئيسي في تحضير الغازات عالية النقاء هو فصل الغاز. تشمل طرق فصل الغاز الشائعة التبريد العميق (مبدأ التقطير)، والامتصاص (القطبية الجزيئية)، وطريقة الغشاء (الترشيح الغشائي)، وما إلى ذلك. ومن بينها، تُظهر الأطر العضوية المعدنية (MOFs) إمكانات تطبيقية كبيرة في امتصاص الغاز وتخزينه وفصله بسبب بنية المسام المنظمة للغاية وحجم المسام القابل للتعديل.ويتوقع البعض أن تكون أهمية الأطر العضوية المعدنية للقرن الحادي والعشرين مماثلة لأهمية البلاستيك للقرن العشرين.
ومع ذلك، فإن التنبؤ الدقيق بقدرة الامتصاص الخاصة بالأطر العضوية المعدنية لا يزال يواجه العديد من التحديات. ولمعالجة هذه المشكلة، نشر فريق البروفيسور لو ديانان من قسم الهندسة الكيميائية في جامعة تسينغهوا، بالتعاون مع البروفيسور وو جيان تشونغ من جامعة كاليفورنيا، ريفرسايد، والباحث جاو تشي فنغ من معهد بكين للتكنولوجيا العلمية والذكية، مؤخرًا ورقة بحثية جديدة بعنوان "نهج شامل قائم على المحول للتنبؤات عالية الدقة لامتصاص الغاز في الأطر المعدنية العضوية" في مجلة Nature Communications.
تقترح هذه الدراسة نموذج التعلم الآلي Uni-MOF للتنبؤ بسلوك الامتزاز لمواد MOF ثلاثية الأبعاد، والذي يستخدم للتنبؤ بأداء الامتزاز للمواد النانوية المسامية لمختلف الغازات في ظل ظروف عمل مختلفة.ويعد هذا إنجازًا كبيرًا في تطبيق تكنولوجيا التعلم الآلي في مجال علوم المواد.
أبرز الأبحاث:
* إطار عمل Uni-MOF هو حل متعدد الاستخدامات للتنبؤ بقدرة امتصاص الغاز لـ MOFs في ظل ظروف مختلفة
* لا يمكن لـ Uni-MOF التعرف على البنية ثلاثية الأبعاد للمواد النانوية واستعادتها من خلال التدريب المسبق فحسب، بل يأخذ أيضًا في الاعتبار ظروف التشغيل مثل درجة الحرارة والضغط وجزيئات الغاز المختلفة، مما يجعله مناسبًا للبحث العلمي والتطبيقات العملية.
* من خلال الاستفادة من بيانات الامتزاز للغازات الأخرى، يتنبأ Uni-MOF بدقة بأداء الامتزاز للغازات غير المعروفة
عنوان الورقة:
https://www.nature.com/articles/s41467-024-46276-x
قم بمتابعة الحساب الرسمي ورد بكلمة "adsorption" للحصول على ملف PDF كامل
مجموعة البيانات: قاعدة بيانات موجودة + بيانات تم إنشاؤها بواسطة البرنامج
في هذه الدراسة، تأتي هياكل MOF/COF المستخدمة للتدريب المسبق بشكل أساسي من جانبين - تم جمعها من قواعد البيانات المتاحة حاليًا أو تم إنشاؤها باستخدام البرامج المقابلة.
يوجد حاليًا عدد كبير من قواعد بيانات MOF/COF، بما في ذلك قاعدة بيانات hMOFs50 المصنعة حسابيًا، وبرنامج بناء البلورات القائم على الطوبولوجيا (ToBaCCo) MOFs، وCoRE (التجارب الجاهزة للحوسبة) MOFs51 وCoRE COFs52 وCCDC (مركز بيانات البلورات في كامبريدج).
بالإضافة إلى ذلك، يتوفر أكثر من 168000 هيكل MOF/COF في قاعدة البيانات المتكاملة عبر الإنترنت MOFXDB. بالإضافة إلى استكشاف المواد النانوية المسامية في مكتبة المواد، استخدم الباحثون برنامج ToBaCCo.3.0 لتوليد أكثر من 306,773 بنية MOF.
بالنسبة للمهمة التالية، أي امتصاص الغاز بواسطة MOFs، جمع الباحثون البيانات من مصادر عبر الإنترنت مثل MOFXDB، مما أدى إلى تشكيل مجموعة بيانات تضم أكثر من 2.4 مليون hMOF لخمسة غازات (CO2 وCO3).2 ، ن2. CH4 ، Kr، Xe) عند 273/298 كلفن و0.01–10 باسكال، وبيانات الامتزاز لأكثر من 460,000 من MOFs CoRE لغازين (Ar، N2) مجموعة بيانات الامتزاز عند 77/87 كلفن و1-105 باسكال.
بالإضافة إلى ذلك، أجرى الباحثون عمليات محاكاة Grand Canonical Monte Carlo (GCMC) 53 باستخدام برنامج RASPA54، مما أدى إلى توليد 99000 مجموعة بيانات إضافية لامتصاص الغاز، بما في ذلك 50000 دورة تهيئة و50000 دورة إضافية لعينات سعة الامتصاص. تم جمع بيانات الامتزاز في نطاق 150-300 كلفن و1 باسكال-3 بار، مع الأخذ في الاعتبار سبع جزيئات غاز (CH4 ، CO2 、 Ar، Kr، Xe، O2 ، هو).
إطار النموذج: التدريب المسبق + الضبط الدقيق للتنبؤ متعدد المهام
يتضمن إطار عمل Uni-MOF التدريب المسبق على بلورات نانوية ثلاثية الأبعاد والضبط الدقيق للتنبؤ بمهام متعددة في التطبيقات اللاحقة.
في مرحلة ما قبل التدريب للنموذج،قام الباحثون بتنفيذ نوعين من المهام لتحسين أداء النموذج.
النوع الأول من المهام هو التنبؤ بنوع الذرات المقنعة، أي تحديد وتوقع أنواع الذرات في الجزء المقنع من البنية الجزيئية. أما النوع الثاني من المهام فهو تنفيذ مهام استعادة الإحداثيات ثلاثية الأبعاد تحت الضوضاء. تتمثل العملية المحددة في إدخال ضوضاء موحدة في نطاق [-1Å، +1Å] على الإحداثيات الذرية لـ 15%، ثم حساب ترميز الموضع المكاني بناءً على هذه الإحداثيات التالفة.
تم تصميم هذين النوعين من المهام لتعزيز قدرة النموذج على مقاومة تداخل البيانات، وبالتالي توفير أداء أكثر دقة عند مواجهة مهام التنبؤ اللاحقة.
خلال مرحلة الضبط الدقيق،استخدم الباحثون ما يقرب من 3 ملايين نقطة بيانات مُسمّاة تغطي الأطر العضوية المعدنية والأطر العضوية المعدنية تحت مجموعة واسعة من ظروف الامتصاص لتحقيق تنبؤات دقيقة لسعة الامتصاص.
من خلال قاعدة بيانات متنوعة من بيانات الأهداف عبر الأنظمة، يتمكن Uni-MOF الدقيق من التنبؤ بأداء الامتصاص متعدد الأنظمة لـ MOFs في ظل ظروف تعسفية، بما في ذلك الغازات المختلفة ودرجات الحرارة والضغوط. لذلك، يعد Uni-MOF إطار عمل موحد وسهل الاستخدام للتنبؤ بخصائص الامتصاص لممتزات MOF.
نتائج البحث: إطار Uni-MOF له تطبيقات واسعة في علم المواد
أولاً، قام الباحثون بالتحقق من القوة التنبؤية لـ Uni-MOF.
تظهر نتائج التنبؤ أنه عند تطبيقه على قواعد البيانات ذات البيانات الكافية وحالات التشغيل المركزة نسبيًا، مثل hMOF_MOFX_DB وCoRE_MOFX_DB، يُظهر Uni-MOF متانة عالية جدًا مع قيم R² تبلغ 0.98 و0.92 على التوالي. في مجموعة البيانات الموزعة على نطاق واسع CoRE_MAP، حقق Uni-MOF دقة تنبؤ تبلغ 0.83، والتي لا تزال قادرة على تحقيق دقة تنبؤ ممتازة، مما يدل على قدرتها الجيدة على التعميم.
ثانيًا، قام الباحثون بمقارنة نتائج Uni-MOF المتوقعة مع النتائج التي تم جمعها تجريبيًا.
توصل الباحثون إلى أن إطار Uni-MOF كان قادرًا على فحص المواد الماصة عالية الأداء بدقة استنادًا فقط إلى قدرات الامتصاص المتوقعة في ظل ظروف الضغط المنخفض. ومن الجدير بالذكر أن العديد من قيمها المتوقعة في ظل ظروف الضغط المنخفض تنحرف بشكل كبير عن القيم التجريبية، وخاصة في حالة Mg-dobdc و MOF-5. ولكن على الرغم من ذلك، لا يزال إطار عمل Uni-MOF من بين الأفضل من حيث الدقة التنبؤية بين العديد من المواد، مما يجعله مناسبًا لحل التحديات الهندسية.
يمثل كل منحنى ملاءمة لانجموير
ثالثًا، أثبت الباحثون صحة القوة التنبؤية لـ Uni-MOF في خصائص الأنظمة المتقاطعة.
تظهر النتائج التجريبية أن Uni-MOF قوي في التنبؤ بقدرة الامتصاص للغازات غير المعروفة، حيث حقق دقة تنبؤ عالية (R²) تبلغ 0.85 للكريبتون ودقة تنبؤ أعلى من 0.35 لجميع الغازات غير المعروفة. وبالمقارنة مع مهام النظام الفردي، يظهر إطار عمل Uni-MOF أداءً متفوقًا على مجموعات البيانات عبر الأنظمة ويمكنه التنبؤ بدقة بخصائص الامتصاص للغازات غير المعروفة، مما يدل على قوته التنبؤية القوية وعالميته.
وبالإضافة إلى ذلك، لتقييم قدرة النموذج على التعرف البنيوي، استخدم الباحثون hMOF-5004238 كمثال لتحليل التفاعلات بين الذرات داخل بنية المادة.إثبات فعالية Uni-MOF في تحديد أكثر من 630،000 تكوين مكاني ثلاثي الأبعاد وارتباطاتها الذرية.ويسلط هذا الضوء على تنوع النموذج وآفاق تطبيقه الواسعة.
باختصار، يعد إطار عمل Uni-MOF منصة تنبؤية متعددة الاستخدامات لمواد MOF. باعتباره متنبئًا لامتصاص الغاز للـ MOFs، فإنه يظهر دقة عالية في التنبؤ بامتصاص الغاز في ظل ظروف تشغيل مختلفة وله تطبيقات واسعة في علم المواد. والأهم من ذلك، أن Uni-MOF حققت تقدمًا كبيرًا في تطبيق تقنيات التعلم الآلي في مجال علوم المواد.
الاكتشاف - التصميم - التحسين، الذكاء الاصطناعي يُسرّع علم المواد
علم المواد هو أحد التخصصات المهمة المتعلقة باكتشاف وتصميم وتصنيع مواد جديدة، ويلعب دورًا مهمًا للغاية في مختلف المجالات. من الرعاية الصحية إلى تخزين الطاقة، ومن حماية البيئة إلى تكنولوجيا المعلومات، فإن التقدم في علم المواد أمر بالغ الأهمية لحل التحديات المتنوعة التي تواجه المجتمع اليوم.
مع التقدم المستمر للتكنولوجيا، نحن في عصر ثورة العلوم المادية. إن ظهور مواد جديدة يوفر للبشرية طرقًا وأدوات جديدة لحل المشكلات. ومع اكتسابنا فهمًا أفضل لخصائص المواد وبنيتها، نأمل أن نتمكن من إنشاء مواد أخف وزنًا وأقوى وأكثر كفاءة في استخدام الطاقة.
يمكن لتكنولوجيا الذكاء الاصطناعي تسريع اكتشاف مواد جديدة وتحسين أداء المواد وخفض تكاليف البحث والتطوير. وقد أظهرت في السنوات الأخيرة إمكانات تطبيقية كبيرة في مجال علوم المواد.
* اكتشاف المواد وتصميمها:
يمكن لتكنولوجيا الذكاء الاصطناعي تسريع عملية اكتشاف وتصميم مواد جديدة من خلال استخراج البيانات بكفاءة والتعرف على الأنماط. على سبيل المثال، يمكن استخدام خوارزميات التعلم الآلي لتحليل بنية وخصائص عدد كبير من المواد المعروفة، وبالتالي التنبؤ بمواد جديدة ذات خصائص محددة. يمكن أن تؤدي هذه الطريقة إلى تقصير وقت فحص المواد بشكل كبير وتقليل تكلفة الاختبار.
في نهاية نوفمبر 2023، نشرت شركة Google DeepMind ورقة بحثية في مجلة Nature تفيد بأنها طورت نموذج التعلم المعزز للذكاء الاصطناعي Graph Networks for Materials Exploration (GNoME) لعلم المواد، ومن خلال هذا النموذج وحسابات المبادئ الأولية عالية الإنتاجية، وجدت أكثر من 380 ألف مادة بلورية مستقرة ترموديناميكيًا، وهو ما يعادل "ما يقرب من 800 عام من تراكم المعرفة من قبل العلماء البشريين"، مما أدى إلى تسريع كبير في سرعة البحث لاكتشاف مواد جديدة.
* التنبؤ بأداء المواد:
يمكن لتكنولوجيا الذكاء الاصطناعي بناء نماذج تنبؤية فعالة للتنبؤ بأداء وسلوك المواد. يمكن تدريب هذه النماذج بناءً على كميات كبيرة من البيانات التجريبية أو نتائج المحاكاة لتوفير تنبؤات دقيقة لخصائص المواد. على سبيل المثال، يمكن استخدام خوارزميات التعلم الآلي للتنبؤ بالخصائص الميكانيكية والخصائص الحرارية والبنية الإلكترونية للمواد، مما يوفر مرجعًا مهمًا لتصميم المواد وتطبيقها.
* تحسين المواد والتصميم:
يمكن لتكنولوجيا الذكاء الاصطناعي تحسين أداء واستقرار المواد من خلال تحسين بنية المواد وخصائصها بذكاء. على سبيل المثال، يمكن استخدام خوارزميات التعلم المعزز لتحقيق التحسين التلقائي في عملية تحضير المواد، وبالتالي تعظيم أداء المواد.
* مراقبة عملية المواد ومراقبتها:
يمكن استخدام تقنية الذكاء الاصطناعي لتحسين عملية تحضير المواد وتحقيق المراقبة والتحكم الذكي في عملية إنتاج المواد. على سبيل المثال، يمكن استخدام خوارزميات التعلم الآلي لتحليل المعلمات والظروف المختلفة في عملية تحضير المواد، وتحسين سير العملية، وتحسين كفاءة الإنتاج وجودة المواد. وفي الوقت نفسه، يمكن لتقنية الذكاء الاصطناعي أيضًا تحقيق المراقبة في الوقت الفعلي والإنذار المبكر لعملية إنتاج المواد، مما يساعد على اكتشاف المشكلات المحتملة وحلها مسبقًا وتقليل مخاطر الإنتاج.
لقد حقق تطبيق تكنولوجيا الذكاء الاصطناعي في مجال علوم المواد سلسلة من التقدم المهم، حيث قدم أفكارًا وأساليب جديدة لاكتشاف المواد وتصميمها وتحسينها وإعدادها. في المستقبل، يمكن للعلماء استخدام تكنولوجيا الذكاء الاصطناعي للتنبؤ بشكل أفضل بأداء المواد، ومحاكاة الهياكل الجزيئية، وتحسين تصميم المواد، واستكشاف خصائص المواد، وما إلى ذلك ... وبالتالي تعزيز التقدم والابتكار بشكل مستمر في مجال علوم المواد.
مراجع:
1.https://www.nature.com/articles/s41467-024-46276-x#Sec11
2.https://www.sohu.com/a/753459278_661314
3.https://www.tsinghua.edu.cn/info/1175/110086.htm