استنادًا إلى 944 من بيانات المواد، أصدرت جامعة توهوكو ومعهد ماساتشوستس للتكنولوجيا نموذج GNNOpt، الذي نجح في تحديد مئات الخلايا الشمسية والمواد المرشحة الكمومية.

تشكل الأجهزة البصرية الإلكترونية مثل مصابيح LED والخلايا الشمسية وأجهزة الكشف الضوئية والدوائر المتكاملة الفوتونية (PICs) جوهر الاتصالات الحديثة وتقنيات الإضاءة وتحويل الطاقة.يعتمد أداء وكفاءة هذه الأجهزة بشكل كبير على الخصائص البصرية للمواد، وبالتالي فإن الفهم العميق لهذه الخصائص أمر بالغ الأهمية لدفع التقدم التكنولوجي وتلبية المطالب العلمية والصناعية المتزايدة. ولمعالجة هذا التحدي، يبذل الباحثون في المجالات التجريبية والحسابية جهود فحص عالية الإنتاجية بشكل نشط لتحديد وتطوير مواد جديدة ذات خصائص بصرية مصممة خصيصًا.

ومع ذلك، فإن التقنيات التجريبية التقليدية للحصول على الخصائص البصرية للمواد، مثل القياس الإهليلجي، وقياس الطيف المرئي فوق البنفسجي، وقياس الطيف بالأشعة تحت الحمراء بتقنية تحويل فورييه (FTIR)، على الرغم من أنها يمكن أن توفر قياسات دقيقة، إلا أنها عادة ما تنطبق فقط على نطاقات محددة من الطول الموجي ولها متطلبات صارمة على ظروف العينة. وتحد هذه القيود من تطبيق هذه التقنيات في فحص المواد عالية الإنتاجية.

ولمعالجة هذه المشكلة، لجأ الباحثون إلى الحسابات الأولية القائمة على نظرية الكثافة الوظيفية (DFT).وبالمقارنة مع التقنيات التجريبية التقليدية، فإن حسابات DFT قادرة على تغطية نطاق الطول الموجي الكامل للطيف الضوئي، مما يوفر أداة تحليلية أكثر شمولاً. على الرغم من القدرات الحسابية القوية لـ DFT، لا تزال هناك تحديات معينة في التنبؤ بالخصائص البصرية للهياكل البلورية بسبب عدم وجود تضمين ذري فعال.

ردًا على ذلك، أطلق باحثون من جامعة توهوكو ومعهد ماساتشوستس للتكنولوجيا أداة جديدة للذكاء الاصطناعي، GNNOpt، والتي نجحت في تحديد 246 مادة ذات كفاءة تحويل الطاقة الشمسية تتجاوز 32%، و296 مادة كمية ذات أوزان كمية عالية.لقد ساهم بشكل كبير في تسريع اكتشاف الطاقة والمواد الكمومية وجلب نموذجًا بحثيًا جديدًا إلى مجال علم المواد.

نُشر البحث ذو الصلة في مجلة Advanced Materials تحت عنوان "شبكة عصبية عالمية لتضمين المجموعة للتنبؤ المباشر بالأطياف البصرية من الهياكل البلورية".

أبرز الأبحاث:

* يستخدم GNNOpt تقنية "التضمين المتكامل"، والتي لا يمكنها فقط تعلم المعلومات من مجموعات بيانات متعددة، بل يمكنها أيضًا التنبؤ بدقة بجميع الأطياف الضوئية الخطية مباشرة من البنية البلورية

* من خلال دمج الشبكات العصبية المتغيرة، يحقق GNNOpt تنبؤات عالية الجودة على مجموعة بيانات صغيرة مكونة من 944 مادة

* نجحت GNNOpt في فحص 246 مادة بكفاءة تحويل الطاقة الشمسية تتجاوز 32% من مواد غير معروفة، و296 مادة كمية ذات وزن كمي مرتفع، بما في ذلك SiOs

عنوان الورقة:
https://onlinelibrary.wiley.com/doi/epdf/10.1002/adma.202409175
اتبع الحساب الرسمي وأجب على "توقع الخصائص البصرية" للحصول على الورقة الكاملة بصيغة PDF

يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:

https://github.com/hyperai/awesome-ai4s

مجموعة البيانات: تعلم عينة صغيرة استنادًا إلى 944 مادة بلورية

استخدم الباحثون 944 مادة بلورية مشتقة من حسابات نظرية الكثافة الوظيفية (DFT) لإجراء تنبؤات طيفية لنموذج GNNOpt.يتم الحصول على قواعد البيانات هذه من مشروع المواد عبر واجهة برمجة التطبيقات (API). يتم الحصول على البيانات الطيفية في قاعدة البيانات من خلال تقريب الجسيمات المستقلة (IPA)، والذي يتضمن الدالة العازلة المعتمدة على التردد ومعامل الامتصاص المقابل لها.

تم تقسيم مجموعة البيانات بأكملها بشكل عشوائي إلى مجموعة تدريب (733 مادة)، ومجموعة تحقق (97 مادة)، ومجموعة اختبار (110 مواد) بنسبة 80%، و10%، و10%.

هندسة نموذج GNNOpt: ربط البنية البلورية بالخصائص البصرية المعتمدة على التردد بشكل مباشر

GNNOpt هو نموذج يعتمد على الشبكة العصبية الرسومية (GNN) والذي يستخدم تقنية "التضمين الجماعي" للتنبؤ بجميع الأطياف الضوئية الخطية مباشرة من الهياكل البلورية.ومن الجدير بالذكر أنه قبل تدريب نموذج GNNOpt،ومن خلال سلسلة من التجارب، أثبت الباحثون أن تطبيق علاقات كرامرز-كرونيج يمكن أن يساعد في التنبؤ بالأطياف البصرية بشكل أفضل.

كما هو موضح في الشكل أ أدناه،المدخل الوحيد لـ GNNOpt هو البنية البلورية، والمخرج هو الطيف.ويشمل ذلك على وجه التحديد دالة عازلة معقدة، ومعامل الامتصاص، ومؤشر الانكسار المعقد، والانعكاس.

في الشكل ب،يتم تمثيل ميزات الإدخال لكل نوع ذري (O، CI، TI) في البنية البلورية بواسطة ترميز ساخن واحد.نظرًا لأن جميع العناصر في الجدول الدوري لها كتل ذرية (يشار إليها بـ x₀ يُشار إليه بـ x) وقابلية الاستقطاب ثنائي القطب₁ نصف القطر التساهمي الفعال، x₂ (يمثل) هذه الميزات الثلاث، لذا اختار الباحثون هذه الميزات الثلاث للتضمين المتكامل.

ومن خلال تقديم طبقة تضمين متكاملة مع تحسين التضمين التلقائي، تمكن الباحثون من تحسين دقة التنبؤ بالنموذج دون تعديل بنية الشبكة العصبية. وتظهر العملية المحددة في الشكل ج أدناه.

أولاً، يتم تحسين جميع ميزات الإدخال الذرية تلقائيًا من خلال طبقة تضمين المجموعة. لتحقيق التكافؤ، تتكون المرشحات التلافيفية من وظائف شعاعية قابلة للتعلم وتوافقيات كروية. بعد ذلك، يتم تحويل الميزات المضمنة إلى معلمات إدخال من خلال سلسلة من التفافات الرسم البياني المتغيرة والطبقات غير الخطية المغلقة. بعد ذلك، يتم تمرير نتائج المعلمات إلى طبقات ما بعد المعالجة بما في ذلك عمليات التنشيط والتجميع لتوليد طيف الإخراج المتوقع. أخيرًا، يتم تدريب أوزان GNNOpt وتحسينها عن طريق تقليل دالة خسارة الخطأ التربيعي المتوسط (MSE) بين الطيف المتوقع والطيف الحقيقي.

ومن أجل الحصول على فهم أعمق للبنية البلورية، قام الباحثون بتحليل بنية الخلية الوحدوية لـ TlClO4، كما هو موضح في الشكل د.تمثل العقد الدائرية الذرات الموجودة في الخلية الوحدوية، وتمثل الخطوط اتجاه نقل المعلومات لطبقة التلافيفية للرسم البياني.

يوضح الشكل (هـ) تفاصيل طبقة تضمين المجموعة العامة، وهو العامل الرئيسي في تحسين الأداء حتى بدون أي تغييرات في نموذج الشبكة العصبية.بالنسبة لكل ذرة، يتم تضمين كل ميزة بشكل مستقل في طبقاتها الخطية وطبقاتها التنشيطية. ثم يتم خلط جميع الميزات المضمنة بواسطة احتمالية خليط قابلة للتعلم p_أنا قم بإجراء المتوسط المرجح، حيث p_أنا بواسطة ∑_أناص_أنا = 1 للتطبيع.

أداء النموذج: GNNOpt يحدد مئات من الخلايا الشمسية والمواد الكمومية المرشحة

لاختبار أداء نموذج GNNOpt، استخدم الباحثون GNNOpt لتحديد مواد الخلايا الشمسية والمواد الكمية، وتمكنوا بنجاح من تحديد 246 مادة للخلايا الشمسية و296 مادة كمية ذات أوزان كمية عالية.
تفاصيل المواد المذكورة أعلاه موجودة في المعلومات الإضافية:
https://go.hyper.ai/rVSS8
اتبع الحساب الرسمي ورد على "معلومات المواد المتوقعة" للحصول على ملف PDF كامل

يمكن لـ GNNOpt فحص 246 مادة من الخلايا الشمسية من مواد غير معروفة

في تحديد مواد الخلايا الشمسية المحتملة ذات وظائف تحويل الطاقة عالية الأداء، استخدم الباحثون طريقة الكفاءة القصوى المحدودة الطيفية (SLME) لإجراء فحص أولي وتقييم لكفاءة التحويل الضوئي للخلايا الشمسية.

ثم استخدم الباحثون نموذج GNNOpt للتنبؤ بكفاءة تحويل الطاقة (قيمة η) لـ 5281 بنية بلورية غير معروفة في مشروع المواد. تجدر الإشارة إلى أن هذه الهياكل البلورية لا تحتوي على بيانات طيفية حقيقية. كما هو موضح في الشكل أ أدناه، قارن الباحثون الكفاءة المتوقعة لمجموعة الاختبار بالكفاءة الحقيقية، وأظهرت النتيجة أن R² = 0.81، مما يشير إلى أن تتمتع GNNOpt بدقة تنبؤ عالية لكفاءة التحويل الضوئي للخلايا الشمسية.

في الشكل ب، رسم الباحثون فجوة نطاق الطاقة (E) بين الكفاءة η التي تنبأت بها GNNOpt والكفاءة الفعلية η التي تم الحصول عليها بواسطة DFT في مجموعة الاختبار._ج ) هو مخطط العلاقة الوظيفية. عندما هـ_ج عند حوالي 1.3 إلكترون فولت، تكون القيمة القصوى لـ η حوالي 32%، وهو ما يتوافق مع حد SQ. ومع ذلك، فإن SLME هي معلمة أكثر صرامة من حد SQ لاختيار مواد الخلايا الشمسية لأنه بالنسبة للمواد ذات فجوات النطاق المتشابهة، يظهر SLME مجموعة واسعة من الاختلافات في قيم η، مما يشير إلى أن معامل الامتصاص α (E) له مساهمة كبيرة في η.

بالإضافة إلى ذلك، فإن فهم العناصر الموجودة في الجدول الدوري والتي تساهم بشكل أكبر في مواد الخلايا الشمسية الفعالة يمكن أن يوفر إرشادات أولية لتصميم المواد. كما هو موضح في الشكل ج،يتنبأ نموذج GNNOpt بأن المعادن الانتقالية (مثل Tc وRh وPd وPt وCu وAg وAu وHg) والكالكوجينيدات (مثل S وSe وTe) هي المكونات الرئيسية لمواد الخلايا الشمسية.وتتوافق هذه النتيجة مع مواد الخلايا الشمسية المعروفة مثل الكالكوبيريت الغني بالنحاس، أو البيروفسكايت القائم على الرصاص، أو CdTe.

للتحقق من قيمة التنبؤ بـ SLME لنموذج GNNOpt للمواد غير المعروفة، اختار الباحثون ثلاثة أمثلة من قائمة أعلى مواد SLME: LiZnP وSbSeI وBiTeI. تجدر الإشارة إلى أن هذه المواد غير موجودة في قاعدة بيانات DFT. لذلك، أجرى الباحثون حسابات DFT على هذه المواد لتحديد معاملات الامتصاص α(E) لهذه المواد.
وتظهر النتائج في الشكل د أدناه. إن نتائج حسابات DFT (الممثلة بالخط المنقط) متوافقة إلى حد كبير مع قيمة α التي تنبأ بها GNNOpt (الممثلة بالخط المتصل).ويشير هذا إلى أن GNNOpt يمكن أن يصبح أداة فعالة لفحص المواد بتكلفة حسابية منخفضة بشكل كبير. ومن الجدير بالذكر أنه بالنسبة لقواعد البيانات الكبيرة، يمكن دمج GNNOpt مع الخوارزمية الجينية (GA) لتسريع عملية البحث عن المواد المرشحة.

نجح GNNOpt في اكتشاف 296 مادة كمية بما في ذلك SiOs

بالإضافة إلى تحديد مواد الخلايا الشمسية غير المعروفة ذات إمكانات تحويل الطاقة عالية الأداءتطبيق آخر لـ GNNOpt هو اكتشاف الهندسة الكمومية والطوبولوجيا في المواد الكمومية.في السابق، أظهر بعض العلماء أن مفهوم الوزن الكمي المعمم يمكن اشتقاقه من الطيف وهو مؤشر مباشر على هندسة الكم في الحالة الأساسية والبنية الطوبولوجية. الوزن الكمي K_xx إنه تعديل لقاعدة مجموع f المرجح بالتردد العكسي.

* الوزن الكمي K_xx إنها كمية فيزيائية مهمة في الأنظمة الكمومية تتعلق بالخصائص البصرية والإلكترونية للمواد، وتستخدم بشكل خاص لقياس خصائصها الهندسية والطوبولوجية الكمومية. يصف العلاقة بين الهندسة الكمومية للمادة وخصائصها البصرية أو الكهربائية.

في الشكل (أ)، قام الباحثون بمقارنة قيمة K المتوقعة بوحدة h/e² في مجموعة الاختبار._xx و ك الحقيقي_xx قيمة . في ك_xx < 25، R² = 0.73، مما يشير إلى أن نتائج التنبؤ GNNOpt قريبة من النتائج الفعلية لحسابات DFT.

لذلك، تم استخدام GNNOpt للتنبؤ بقيم K لـ 5281 مادة عازلة غير معروفة._xx تظهر القيمة في الشكل ب. لتبسيط التحليل،قام الباحثون بتحويل العازل الطوبولوجي الشهير Bi₂تي₃ الوزن الكمي K_xx = 28.87 كحد أدنى لتصنيف المواد الكمومية، حيث K_xx المواد > 28.87 تعتبر عالية البوتاسيوم_xx مادة.

وفي نهاية المطاف، تمكن الباحثون من تحديد 297 مادة ذات قيمة Kxx عالية. بعض هذه المواد، مثل ZrTe₅ (ك_xx = 33.90) ، TaAs₂ (ك_xx = 37.66) FeSi (K_xx = 48.74) و NbP (K_xx = 35.58)، وما إلى ذلك، وقد تم تأكيدها كمواد كمية ذات تأثير هول شاذ، ومقاومة مغناطيسية كبيرة، وأقواس فيرمي الطوبولوجية، والتذبذبات الكمية.

نظرًا لأن SiOs له وزن كمي مرتفع جدًا (K_xx = 46.52) ولم تتم دراستها بعمق من قبل، لذلك أجرى الباحثون حسابات DFT إضافية على SiOs وقاموا بتحليل بنية النطاق الإلكتروني الخاص بها. كما هو موضح في الشكل ج،يحتوي SiOs على فرميونات ثلاثية الأضلاع وفيرميونات ويل مزدوجة عند نقطة Γ ونقطة R على التوالي.

يوضح الشكل د أن الباحثين استخدموا وظائف وانيير الموضعية القصوى وطرق وظائف جرين لحساب بنية النطاق لسطح SiOs (001)، مما يشير إلى الخصائص الكمومية الفائقة لـ SiOs.

سوف يعمل الذكاء الاصطناعي على إعادة تشكيل عملية البحث والتطوير للمواد، وسيتم توليد المواد بطريقة عكسية

في التطور السريع لعلم المواد، تقود تقنية الذكاء الاصطناعي ثورة. وفي وقت سابق، صرح غان يونغ، الأكاديمي في الأكاديمية الصينية للهندسة، علناً بأن "الذكاء الاصطناعي سيعيد تشكيل عملية البحث والتطوير المادي، وسيتم توليد المواد بطريقة عكسية".

أولاً، يعد تطبيق الذكاء الاصطناعي في اكتشاف المواد ذا أهمية خاصة. في نهاية نوفمبر 2023، أصدرت شركة DeepMind التابعة لشركة Google برنامج GNoME، وهو نموذج التعلم التعزيزي للذكاء الاصطناعي في مجال علم المواد.ومن خلال هذا النموذج وحسابات المبادئ الأولى عالية الإنتاجية (DFT)، تم العثور على أكثر من 380 ألف مادة بلورية مستقرة ترموديناميكيًا، مما أدى إلى تسريع كبير في سرعة البحث لاكتشاف مواد جديدة.
انقر هنا لمشاهدة التقرير المفصل: هل نحن متقدمون على البشرية بـ800 عام؟ DeepMind تطلق GNoME، باستخدام التعلم العميق للتنبؤ بـ 2.2 مليون بلورة جديدة
عنوان الورقة:
https://www.nature.com/articles/s41586-023-06735-9

ولكي لا تتخلف عن الركب، قامت مايكروسوفت بإصدار MatterGen، وهو نموذج تم إنشاؤه بواسطة الذكاء الاصطناعي لعلم المواد، وذلك بعد أيام قليلة من نشر نموذج GNoME.يمكن التنبؤ بالهياكل المادية الجديدة حسب الطلب استنادًا إلى خصائص المواد المطلوبة.
عنوان الورقة:
https://arxiv.org/abs/2312.03687

في يناير 2024، تعاونت مايكروسوفت مع مختبر شمال غرب المحيط الهادئ الوطني (PNNL) التابع لوزارة الطاقة الأمريكية لاستخدام الذكاء الاصطناعي والحوسبة عالية الأداء لفحص مادة إلكتروليتية صلبة بالكامل من بين 32 مليون مادة غير عضوية.لقد استكملت هذه التقنية حلقة مغلقة من التنبؤ إلى التجربة ويمكن أن تساعد في تطوير مواد بطاريات الليثيوم أيون من الجيل التالي.
عنوان الورقة:
https://arxiv.org/abs/2401.04070

بالإضافة إلى ذلك، تلعب الذكاء الاصطناعي أيضًا دورًا مهمًا في التنبؤ بخصائص المواد. من خلال نماذج التعلم الآلي، يمكن التنبؤ بالهيكل الإلكتروني والخصائص الميكانيكية وما إلى ذلك للمواد، وبالتالي تحسين تصميم المواد. على سبيل المثال،ABACUS، وهو برنامج محلي مفتوح المصدر لنظرية الكثافة الوظيفية تم تطويره بواسطة تشين موهان، الباحث في كلية الهندسة بجامعة بكين،باستخدام طريقة DeePKS الوظيفية للترابط التبادلي بمساعدة الذكاء الاصطناعي، يتم التغلب على المعضلة بين دقة وكفاءة حسابات DFT، ويتم تحقيق حسابات دقة وظيفية هجينة عالية الكفاءة.
عنوان الورقة:
https://pubs.acs.org/doi/10.1021/acs.jpca.2c05000

ويتجاوز تطبيق الذكاء الاصطناعي في مجال علم المواد هذا بكثير. وعلى مستوى التنفيذ، هناك أيضًا شركات مثل Green Dynamics، وCuspAl، وDeepVerse ملتزمة بتطبيق الذكاء الاصطناعي في مجال المواد الجديدة.مع التطور المستمر للتكنولوجيا، قد تطلق الذكاء الاصطناعي قوة غير محدودة في مجال علم المواد!

مراجع:
1.https://mp.weixin.qq.com/s/HBhRoahOVme0eOUNtyvygg
2.https://mp.weixin.qq.com/s/tlwBjmHAPkKKehqMHzDoBw