تصميم المواد ذات السمة المستهدفة مباشرة! أصبح نموذج MatterGen من Microsoft الآن مفتوح المصدر، مما يعيد تعريف النموذج الجديد للتصميم العكسي المادي باستخدام الذكاء الاصطناعي التوليدي
في ديسمبر 2023، نشرت شركة Google DeepMind نموذج التعلم العميق GNoME الخاص بها في مجال كيمياء المواد في مجلة "Nature"، مدعية اكتشاف 2.2 مليون بنية بلورية جديدة للمواد غير العضوية. بعد أقل من أسبوع من هذا الاختراق، أعلنت شركة مايكروسوفت أنها ستطلق MatterGen، وهو نموذج ذكاء اصطناعي توليدي لتصميم المواد العكسية، وأخبرت الجميع،وفي المستقبل، سيكون من الممكن تصميم بنية المواد الجديدة بشكل مباشر بناءً على الخصائص المطلوبة.
إذا كان نموذج GNoME الخاص بشركة Google يُظهر لنا أن الذكاء الاصطناعي لديه القدرة على اكتشاف مواد جديدة بسرعة في مساحة كيميائية واسعة، فإن نموذج MatterGen الخاص بشركة Microsoft يُظهر بشكل أكبر قدرة الذكاء الاصطناعي التوليدي على تلبية الاحتياجات المحددة بدقة من خلال التصميم العكسي. يوضح كلا المشروعين نقاط دخول مختلفة للذكاء الاصطناعي في مجال كيمياء المواد، كما يمثلان قفزة تكنولوجية جديدة من الاكتشاف واسع النطاق إلى "التصميم حسب الطلب". في 16 يناير، تم نشر نتائج MatterGen أخيرًا في مجلة Nature تحت عنوان "نموذج توليدي لتصميم المواد غير العضوية". والأمر الأكثر إثارة للاهتمام هو أن النموذج أصبح الآن مفتوح المصدر.أطلقت شركة HyperAI البرنامج التعليمي "نموذج تصميم المواد غير العضوية MatterGen Demo" على موقعها الرسمي. يمكن نشره وتشغيله بنقرة واحدة. الجميع مدعوون لاختبار أداء النموذج.
عنوان البرنامج التعليمي:https://go.hyper.ai/5mWaL
أشار البروفيسور وانج جينلان من جامعة الجنوب الشرقي ذات مرة في مقال بعنوان "التصميم العكسي مع النماذج التوليدية العميقة: الخطوة التالية في اكتشاف المواد" إلى أنه في أبحاث تصميم المواد بمساعدة التعلم الآلي التقليدية، يتنبأ معظمهم بخصائص المواد المرشحة في الفضاء الكيميائي بأكمله ويجرون فحصًا واسع النطاق للعثور على مواد محتملة ذات أداء مستهدف، ولكن التصميم العكسي يمكن أن يولد مركبات مؤهلة مباشرة على طول المسار الأمثل. إنها تعتقد أن النماذج التوليدية هي استراتيجية فعالة للتصميم العكسي للمواد، وهو ما يتوافق مع أبحاث مايكروسوفت.
يعتمد MatterGen على نموذج الانتشار ويمكنه إنشاء هياكل وفقًا لمجموعات الفضاء المستهدفة. على سبيل المثال، عند تصميم مواد مغناطيسية متعددة السمات، فإنها تقترح هياكل تتمتع بكثافة مغناطيسية عالية وتركيبة كيميائية منخفضة المخاطر في سلسلة التوريد. في الوقت نفسه، تم تجهيز النموذج بوحدات تكيف متعددة قابلة للتعديل، والتي يمكن ضبطها بدقة وفقًا للقيود مثل الخصائص الكيميائية والتناظر وخصائص المواد لتوليد مواد تلبي خصائص مغناطيسية أو إلكترونية أو ميكانيكية محددة والتحقق منها من خلال DFT. ومن هذا يمكن أن نرى أن "تخصيص" المواد الجديدة بناءً على سيناريو معين قد يصبح حقيقة واقعة في المستقبل القريب.
بالإضافة إلى نماذج الانتشار المذكورة أعلاه، تشمل نماذج التوليد السائدة اليوم أيضًا شبكات توليدية تنافسية (GANs)، ومشفرات تلقائية متغيرة (VAEs)، ونماذج الانحدار التلقائي، وما إلى ذلك. وتتمثل مبادئها الأساسية في إنشاء عينات جديدة من خلال تعلم توزيع البيانات.
في هذه المقالة، سوف تقدم HyperAI قيمة النماذج التوليدية في التصميم العكسي للمواد الجديدة، وتستكشف التقدم المحدد لهذه التكنولوجيا في مواد البطاريات، وسبائك الإنتروبيا العالية، والمواد الفائقة التوصيل، وما إلى ذلك.
أوجه التشابه بين تطوير المواد الجديدة وتصميم البروتين
في مشكلة تطوير المواد النموذجية، نريد العثور على مادة جديدة ذات خصائص محددة، وهو في الواقع مسألة العثور على بنية بلورية مناسبة تتوافق مع الخصائص المستهدفة.
في الماضي، كانت الطريقة التي نطور بها المواد الجديدة تعتمد بشكل أساسي على التجربة والخطأ. يتميز هذا "التصميم المتقدم" بالاستكشاف من البنية إلى الخصائص. إذا أخذنا طريقة الاستبدال الأكثر شيوعًا كمثال، فإن الموصل الفائق La-Ba-Cu-O هو أقدم موصل فائق قائم على النحاس، ولكنه موصل فائق فقط عند 35 كلفن، وهو أقل من منطقة درجة حرارة النيتروجين السائل. وانطلاقاً من البنية، استبدل الباحثون عنصر La بعنصر Y ووجدوا أن درجة حرارة التوصيل الفائق للموصل الفائق Y-Ba-Cu-O أعلى من منطقة درجة حرارة النيتروجين السائل. ومع ذلك، فإن دورة البحث والتطوير لهذه الطريقة طويلة جدًا وعرضية إلى حد كبير.
مع تقدم تكنولوجيا الكمبيوتر ونظرية ميكانيكا الكم، نضجت تدريجيًا طرق التنبؤ بالمواد القائمة على نظرية الكثافة الوظيفية (DFT). وباستخدام خوارزميات البحث الهيكلي والحوسبة عالية الإنتاجية، يمكن فحص المواد المحتملة بكفاءة على قواعد بيانات معينة وفقًا لقيود معينة، ثم إرسالها إلى المختبر للتوليف والاختبار. ومع ذلك، فإن المساحة الكيميائية للمواد غير المعروفة كبيرة للغاية، والتركيبات المحتملة للعناصر المختلفة قد تصل إلى الملايين، مما يجعل التكلفة الحسابية للفحص على نطاق واسع باهظة للغاية.
يوفر التصميم العكسي المدعوم بالذكاء الاصطناعي طريقة جديدة للتفكير. إنه يبتعد عن التفكير القصوري في فحص الفضاء المادي ويولد بشكل مباشر هياكل مادية تلبي الأداء المستهدف، وبالتالي تحقيق التصميم الفعال وتحسين المواد.
في الواقع، حقق التصميم العكسي المدعوم بالذكاء الاصطناعي تقدماً هائلاً في المجال الطبي الحيوي. في أكتوبر 2024، شملت جائزة نوبل في الكيمياء مجال الذكاء الاصطناعي لأول مرة، وتم منح نصف الجائزة لديفيد بيكر من جامعة واشنطن تقديراً لمساهماته البارزة في تصميم البروتين. وفي العديد من دراساته، يمكننا أن نلاحظ أمثلة على استخدامه العكسي للتعلم العميق لتوليد تسلسلات الأحماض الأمينية لتصميم بروتينات جديدة وظيفية.
هناك العديد من أوجه التشابه بين البحث والتطوير للمواد الجديدة وتصميم البروتين. على سبيل المثال، يتم تحديد الخصائص العيانية للمادة من خلال بنيتها المجهرية، وينطبق الشيء نفسه على البروتينات. في مجال البروتينات، يرشد تسلسل الأحماض الأمينية عملية طي البروتينات إلى هياكل ثانوية وثالثية وحتى رباعية محددة، والتي بدورها تحدد وظائفها البيولوجية. وبالمثل، يعتمد علم المواد على اختيار وترتيب الذرات والروابط الكيميائية والمجموعات الوظيفية لبناء الجزيئات أو الهياكل المادية الأكثر تعقيدًا، والتي بدورها تحدد خصائصها.
يسمح هذا التشابه لطرق الذكاء الاصطناعي الشائعة في تصميم البروتين بتوفير رؤى حول أبحاث علوم المواد، مثل تحسين خصائص المواد من خلال التصميم العكسي، أو استكشاف هياكل جديدة، أو تطوير مواد جديدة تمامًا.
وفي الوقت نفسه، فإن النماذج التوليدية الأخرى، والنماذج البصرية، ونماذج اللغة وغيرها من التقنيات المتقدمة التي ظهرت في المجال الطبي الحيوي، مثل التعلم التعزيزي، وآلية الانتباه، ونموذج الانتشار، والنموذج المدرب مسبقًا، والتكنولوجيا المتعددة الوسائط، وآلية محاذاة النموذج، وما إلى ذلك، لديها أيضًا إمكانات تطبيق واسعة في علم المواد.
ومن الجدير بالذكر أنه بما أن المواد الجديدة لا تحتاج إلى المرور بدورة التجارب السريرية الطويلة في الطب الحيوي وتستبعد تأثير عوامل مثل السلامة الأخلاقية، فإن إمكانية التنفيذ الفعلي قد تكون أكبر.
باستخدام Microsoft MatterGen كمثال، نستكشف النموذج الجديد للتصميم العكسي للذكاء الاصطناعي التوليدي للمواد
يعتمد نموذج MatterGen الخاص بشركة Microsoft بشكل أساسي على بنية الانتشار. أولاً، يقوم تدريجياً بتدمير النوع الذري، والموضع الذري، والشبكة الدورية في بنية عشوائية، ثم يقوم بتدريب نموذج لإكمال هذه العملية في الاتجاه المعاكس، مما يسمح للنموذج بتعلم كيفية استعادة البنية المادية الأصلية تدريجياً من الضوضاء العشوائية. ويعتقد شيه تيان، المؤلف المراسل للورقة البحثية، أن هذا مشابه جدًا للفكرة الأساسية لتوليد الفيديو.
وباستخدام نموذج الفيديو فينسنت سورا الذي طورته شركة OpenAI كمثال، استخدم الباحثون تقنية "شبكة ضغط الفيديو" القائمة على المشفر التلقائي لضغط الصور أو مقاطع الفيديو المدخلة إلى بيانات ذات أبعاد أقل، وتحليل هذه مقاطع الفيديو المضغوطة إلى "رقع مكانية زمانية"، والتي يتم تحويلها بعد ذلك إلى تسلسلات بيانات أحادية البعد لمعالجة المحول. بعد ذلك، يكمل المحول إزالة الضوضاء لكل رقعة مكانية زمنية، ثم يقوم جهاز فك التشفير باستعادة بيانات الموتر المعالجة إلى مقطع فيديو.
من ناحية أخرى، وبناءً على بنية الانتشار، سمح الباحثون للنموذج بتعلم بنية بيانات المواد المستقرة المعروفة. بمجرد تدريب النموذج، يمكنه أخذ عينات غير مشروطة من التوزيع العشوائي والمرور بالعملية العكسية للسماح للنموذج بإنشاء هياكل مادية جديدة تلبي الشروط بناءً على فهمه لقوانين المواد. علاوة على ذلك، أضاف الباحثون شروطًا لكل طبقة من الشبكة لضبط النموذج الأساسي. يمكن أن تكون هذه الظروف عبارة عن خصائص كيميائية محددة، أو تناسق، أو أي خاصية مستهدفة (المغناطيسية، الكثافة، إلخ). بعد الضبط الدقيق،يمكن للنموذج إنشاء هياكل مادية مباشرة وفقًا لظروف محددة والتحقق من استقرارها من خلال طرق الحساب.
كما هو موضح أدناه، في حالة توليد مواد جديدة للنظام الكيميائي للسترونشيوم والفاناديوم والأكسجين، تبدو هياكل المواد التي يولدها MatterGen معقولة جدًا (fi)، وقد أثبتت الحسابات أن هذه المواد مستقرة.
بالإضافة إلى التحقق الحسابي، تعاون الفريق أيضًا مع معهد شنتشن للتكنولوجيا المتقدمة التابع للأكاديمية الصينية للعلوم لتصنيع مادة جديدة TaGr بنجاح باستخدام MatterGen.2ا6تبلغ معامل المرونة المقاس تجريبياً 169 جيجا باسكال، وهو ما يمثل خطأً نسبياً أقل من قيمة التصميم البالغة 200 جيجا باسكال لـ 20%. وفي الوقت نفسه، يأمل الفريق أيضًا في الحصول على تعليقات من العلماء ومواصلة تكرار النموذج وتحسينه من أجل تحسين قيمته التطبيقية العملية.
ومن الجدير بالذكر أنه نظرًا لأن معظم مشاكل تصميم المواد تتضمن العثور على مواد ذات خصائص متطرفة، مثل الموصلات الفائقة في درجة حرارة الغرفة والموصلات الفائقة الأيونية للبطاريات، فإن طرق البحث التقليدية يصعب تنفيذها، ولكن النماذج التوليدية تسترشد بخصائص الهدف ويمكن أن توفر فرصًا لاكتشاف هذه المواد الرائدة.وتستخدم مايكروسوفت هذا النموذج لاستكشاف مجموعة متنوعة من المواد، بما في ذلك تصميم البطاريات وتصميم الخلايا الشمسية واحتجاز الكربون.
تطبيقات أخرى: أخذ تطوير السبائك عالية الإنتروبيا والمواد الفائقة التوصيل كمثال
نحن نعلم جميعًا أن المواد الجديدة ليست فقط حجر الزاوية في دفع عجلة تطوير المجالات التكنولوجية المتقدمة مثل الفضاء والطاقة الجديدة والمعلومات الإلكترونية والطب الحيوي، بل هي أيضًا العمود الفقري لدعم التقنيات الجديدة والمعدات الجديدة والمشاريع الجديدة. ومع ذلك، لا تزال صناعة المواد الحالية في بلدي تهيمن عليها المواد التقليدية، كما أن إمدادات المواد الجديدة، وخاصة المواد الجديدة عالية الجودة، محدودة. وفي الوقت نفسه، وبسبب النقص في التقنيات الرئيسية، لدينا اعتماد معين على المواد المستوردة، ولا تزال مشكلة القيود الناجمة عن نقص الناس بارزة.
في الوقت الحاضر، ومع تطور الذكاء الاصطناعي التوليدي، بدأ علم المواد يدخل في تغيير جديد في نموذج البحث. إذا تمكنا من دخول هذا المجال الناشئ في أقرب وقت ممكن، فقد يوفر ذلك إمكانية التغلب على أوجه القصور وتحقيق "التجاوز في المنحنيات". وبعد ذلك، سوف أستخدم حالات محددة من الذكاء الاصطناعي التوليدي في تطوير السبائك عالية الإنتروبيا والمواد الفائقة التوصيل وغيرها من التطبيقات كمثال لاستكشاف كيف يمكن لهذه التكنولوجيا أن تساعد المواد الجديدة على تحقيق قفزات تطويرية.
سبيكة عالية الإنتروبيا
في التطبيقات الهندسية مثل توربينات الغاز والمفاعلات النووية وأنظمة الدفع الجوي، هناك طلب قوي على السبائك المعدنية ذات الخصائص الميكانيكية الممتازة في درجات الحرارة العالية. يمكن للسبائك الحرارية العالية الانتروبيا (RHEAs) الحفاظ على قوة عالية عند درجات حرارة 1000 درجة مئوية وما فوق عن طريق إضافة عناصر حرارية مختلفة ذات نقطة انصهار عالية، مما يُظهر قوة في درجات الحرارة العالية مماثلة لتلك الموجودة في السبائك الحرارية العالية، الأمر الذي جذب انتباهًا واسع النطاق من الباحثين.
ومع ذلك، بالمقارنة مع السبائك الأخرى ذات درجات الحرارة العالية، فإن أداء RHEAs في جوانب معينة (مثل ليونة درجة حرارة الغرفة) لا يزال يشكل تحديًا. في الماضي، كان تصميم تقييمات الأثر البيئي يعتمد في الغالب على خبرة الباحثين وحدسهم، وهو ما كان غير مؤكد إلى حد كبير. وفي الوقت نفسه، فإن مساحة التركيب المحتملة لـ RHEAs كبيرة، وتحتوي على مليارات المكونات المرشحة، مما يحد بشدة من اكتشافنا السريع للسبائك المحتملة.
وفي هذا الصدد، نشر ويسلي راينهارت، الأستاذ المساعد في قسم علوم وهندسة المواد ومعهد علوم الحاسوب والبيانات في جامعة ولاية بنسلفانيا، ورقة بحثية بعنوان "التعلم العميق التوليدي كأداة للتصميم العكسي للسبائك الحرارية عالية الإنتروبيا" في مجلة معلومات المواد، وتوصل إلى استنتاج أولي مفاده أن النماذج التوليدية هي طريقة جديدة واعدة لتصميم المواد، وخاصة في تصميم السبائك الحرارية عالية الإنتروبيا. تم تصنيف هذه النتيجة كأفضل ورقة بحثية لهذا العام من قبل JMI.
عنوان الورقة:
https://www.oaepublish.com/articles/jmi.2021.05
في هذه الورقة، ذكر الباحثون أنه في السنوات العشر الماضية، نضجت الأساليب الحسابية مثل نظرية الكثافة الوظيفية (DFT) بشكل أساسي وتراكمت كمية كبيرة من البيانات، مما وفر أساسًا لتطبيق التعلم العميق وعزز تطوير "النماذج الأمامية". ولسوء الحظ، لا تزال مساحة التصميم الضخمة تشكل تحديًا رئيسيًا. يقدم "التصميم العكسي" للنمذجة التوليدية حلاً لهذه المشكلة.
لذلك، استخدم الباحثون شبكات توليدية مشروطة تنافسية (CGANs) لتزويد المولد بمتجهات شرطية إضافية للتحكم في مخرجاته. بعبارة أخرى، يمكن أن يوفر المتجه الشرطي معلومات تتعلق بالسمة المستهدفة (مثل تركيبة السبائك أو مؤشر الأداء)، وإنشاء تعيين بين المساحة الكامنة والمؤشر المطلوب، ويقوم المولد بإنشاء عينات تلبي الشروط من خلال تعلم توزيع الاحتمالات لبيانات أداء السبائك بناءً على تركيبة السبائك. ومن الجدير بالذكر أن هذا النموذج تم تصميمه بنجاح لسبائك الألومنيوم وتم التحقق منه بالطرق الحسابية.
ومن الجدير بالذكر أن الباحثين ذكروا أيضًا أنه بالإضافة إلى استخدام CGAN، يمكن أيضًا استخدام مشفر التباين الشرطي التلقائي (CVAE) لتصميم مواد جديدة، ولكن بسبب حقن الضوضاء المتأصلة في عملية التدريب ومتطلبات القياس المحددة مسبقًا لخطأ إعادة البناء، فإن VAE ليست فعالة مثل GAN.
المواد الفائقة التوصيل
تشير المواد الفائقة التوصيل إلى الموصلات التي تكون مقاومتها صفرًا عند درجة حرارة معينة. تتمتع هذه التكنولوجيا بمجموعة واسعة من التطبيقات، وتغطي نقل الطاقة، والمحركات، والنقل، والفضاء، والإلكترونيات الدقيقة، والحواسيب الإلكترونية، والاتصالات، والفيزياء النووية، والطاقة الجديدة، والهندسة الحيوية، والرعاية الطبية، والمعدات العسكرية. منذ اكتشاف ظاهرة الموصلية الفائقة، أنتج هذا المجال العديد من جوائز نوبل ذات الصلة.
لقد كان اكتشاف الموصلات الفائقة الجديدة ذات درجة الحرارة الحرجة العالية (Tc) دائمًا مهمة مهمة في مجالات علم المواد وفيزياء المادة المكثفة. وقد اقترح المعهد الوطني للمعايير والتكنولوجيا وباحثون آخرون من مايكروسوفت نموذج انتشار جديد لتوليد الموصلات الفائقة ذات الهياكل والتراكيب الكيميائية الفريدة. كان عنوان البحث "التصميم العكسي للموصلات الفائقة من الجيل التالي باستخدام نماذج توليدية عميقة تعتمد على البيانات" وتم نشره في مجلة رسائل الكيمياء الفيزيائية.
عنوان الورقة:
https://pubs.acs.org/doi/10.1021/acs.jpclett.3c01260
في هذا العمل، ذكر الباحثون أن التحدي الرئيسي في تطبيق النماذج التوليدية على المواد الدورية هو إنشاء تمثيلات غير متغيرة انتقاليًا ودورانيًا، وهي مشكلة يمكن حلها باستخدام مشفر ذاتي متغير منتشر بالبلورات (CDVAE).
لذلك، وكما هو موضح في الشكل أعلاه، قام الباحثون بتدريب نموذج CDVAE باستخدام بيانات DFT لـ 1058 مادة فائقة التوصيل لتوليد 3000 مادة جديدة مرشحة لتكون فائقة التوصيل. وبعد ذلك، تم استخدام نموذج التعلم العميق المدرب مسبقًا ALIGNN للتنبؤ بخصائص الموصلية الفائقة لهذه الهياكل المرشحة، وتم الحصول على 61 مادة مرشحة بعد الفحص. وأخيرا، أجرى الباحثون حسابات DFT على هذه المواد للتحقق من التوقعات وتقييم الاستقرار الديناميكي والحراري للمواد الجديدة. يظهر في الشكل أدناه هياكل 15 مادة فائقة التوصيل مرشحة محتملة. وتوصلت الدراسة إلى أن مثل هذا النهج يجعل التصميم العكسي للجيل القادم من المواد ممكنًا.
وبطبيعة الحال، بالإضافة إلى الحالات المذكورة أعلاه، فقد تم تطبيق النماذج التوليدية أيضًا في تصميمات مواد أخرى. قام المؤلف بتجميع بعض الحالات خصيصًا للرجوع إليها.
*تصميم بطارية الليثيوم
عنوان الورقة: تصميم بطارية ليثيوم أيون من خلال التحسين الهيكلي الدقيق باستخدام الذكاء الاصطناعي التوليدي
عنوان الورقة:
https://www.cell.com/matter/fulltext/S2590-2385(24)00446-6
*تصميم المواد النانوية المركبة
عنوان الورقة: الذكاء الاصطناعي التوليدي للوظائف المخصصة في المواد النانوية المركبة
عنوان الورقة:
https://easychair.org/publications/preprint/sDm2
*تصميم المواد ثنائية الأبعاد
عنوان الرسالة: الاكتشاف الحسابي للمواد ثنائية الأبعاد الجديدة باستخدام نماذج توليد التعلم العميق
عنوان الورقة:
https://pubs.acs.org/doi/abs/10.1021/acsami.1c01044
*تصميم المواد المركبة الهندسية القائمة على الأسمنت
عنوان الورقة: الذكاء الاصطناعي التوليدي لتصميم مركب أسمنتي هندسي قائم على الأداء
عنوان الورقة:
https://www.sciencedirect.com/science/article/abs/pii/S1359836823004961
*تصميم المواد الميكانيكية والحيوية
عنوان الورقة: تعزيز المواد الميكانيكية والمستوحاة من المواد البيولوجية من خلال مناهج الذكاء الاصطناعي التوليدي
عنوان الورقة:
https://www.sciencedirect.com/science/article/pii/S2949822824001722
الكلمات الأخيرة
في الوقت الحاضر، لا تزال العديد من تطبيقات الذكاء الاصطناعي التوليدي في تصميم المواد في مرحلة تجريبية. ومن أجل تنفيذ هذه التكنولوجيا فعليا، فإنه بالإضافة إلى تقييم خصائص المواد من خلال الحسابات، من الضروري أيضا الاعتماد على التحقق التجريبي في الحياة الواقعية. وفي هذا الصدد، يعد بناء المختبرات الآلية وتحقيق الاكتشاف المغلق أمرًا مهمًا بشكل خاص إذا أردنا تضييق الفجوة بين الفحص الحسابي والتوليف التجريبي للمواد الجديدة واكتشاف المواد بسرعة باستخدام الحد الأدنى من القوى العاملة.
خذ على سبيل المثال مختبر A-Lab، وهو مختبر آلي في جامعة كاليفورنيا في بيركلي. لا يمكنه تنفيذ الخطوات التجريبية تلقائيًا فحسب، بل يمكنه أيضًا اتخاذ القرارات بشكل مستقل استنادًا إلى البيانات. في 17 يومًا من التشغيل المستمر، نجح في تصنيع 41 من 58 مادة مستهدفة، بنسبة نجاح 71%. ويُظهر هذا أن استخدام الذكاء الاصطناعي التوليدي لتصميم المواد وإجراء عمليات التوليف والتحقق الفعالة من خلال المختبرات الآلية أصبح وسيلة فعالة لتعزيز التطور السريع لعلم المواد.
مراجع:
1.https://nullthought.net/?p=5222&utm_source=chatgpt.com
2.https://academic.oup.com/nsr/article/9/8/nwac111/6605930?login=false
3.https://mp.weixin.qq.com/s/UX71cMgsEo49tLPiFu3D8A
4.https://mp.weixin.qq.com/s/e1DqTa1Tgyi4OWpgwrj48Q
5.https://www.youtube.com/watch?v=Smz1go6_Spo&t=896s
6.https://www.youtube.com/watch?v=yWXPV3bsC2c&t=7s
7.https://www.youtube.com/watch?v=Uv22eVcmmXA
