سرعة البحث والتطوير أسرع بـ 100 مرة ويتم تقليل التكلفة بواسطة 90%! شركة مواد الذكاء الاصطناعي Phaseshift Technologies تصنع سبائك للطاقة/الفضاء/التعدين/السيارات
من العصر الحجري، والعصر البرونزي إلى العصر الحديدي، فإن تقدم الحضارة الإنسانية هو أيضًا، من منظور معين، تاريخ للتطور المادي. اليوم، لا يزال من الممكن رؤية المواد في كل مكان حولنا، بدءًا من ناطحات السحاب الشاهقة وحتى شرائح الهواتف الذكية الصغيرة ولكن القوية. ومع ذلك، مع تطور التكنولوجيا، أصبحت متطلبات المواد في الصناعات المختلفة أكثر صرامة.إن العديد من الصناعات مقيدة بالخصائص المتأصلة للمواد الموجودة، مما يجعل من الصعب تحقيق المزيد من الاختراقات.
على سبيل المثال، وصل تصميم الهواتف الذكية بشكل أساسي إلى المستوى الأمثل من حيث القوة والوزن. وهذا يعني أنه بسبب حالة التطوير الحالية للمواد ذات الصلة مثل الزجاج وسبائك الألومنيوم والبطاريات، فمن الصعب تقليل وزن الهواتف المحمولة بشكل كبير. المواد خفيفة الوزن مثل البلاستيك محدودة القوة أيضًا - فهي أقل مقاومة للخدش ومتينة.
إن تطوير مادة جديدة تجمع بين القوة العالية والوزن المنخفض ليس بالأمر السهل.إن تطوير مواد جديدة ليس مكلفًا ويستغرق وقتًا طويلاً فحسب، بل إنه يحمل أيضًا مخاطر عالية للغاية.في العادة، يمكن أن يصل الاستثمار في البحث والتطوير لمادة جديدة إلى 100 مليون دولار ويستغرق 10 سنوات على الأقل لتحقيق التعادل المالي.
لفترة طويلة، كانت الصناعات الاستراتيجية الممولة جيدًا مثل صناعة الطيران والدفاع فقط هي القادرة على تطوير مواد خاصة، في حين لا تزال مجالات مثل التعدين والطاقة والإلكترونيات الاستهلاكية والتصنيع تواجه العديد من التحديات في تطوير المواد. ونتيجة لذلك، تفضل العديد من الشركات الالتزام بالمواد الموجودة، على سبيل المثال، الاعتماد على السبائك التي تم تطويرها منذ نصف قرن من الزمان.في هذه الحالة، لا بد من تقديم بعض التنازلات:
* هل تنتقل تكاليف المواد الأكثر تكلفة إلى المستهلكين؟
* هل من المقبول قبول مكون أساسي ولكن بعمر افتراضي أقصر؟
* هل تكاليف الصيانة المرتفعة مقبولة للتعويض عن نقص الأداء المادي؟
* هل يتم التخلي عن بعض التصاميم المبتكرة لصالح الخصائص الفيزيائية للمواد التقليدية؟
* هل سيستمرون في الاعتماد على سلاسل التوريد المستوردة وتحمل حالة عدم اليقين الناجمة عن ندرة المواد الخام أو ارتفاع أسعارها؟
قدمت الشركة الكندية Phaseshift Technologies حلاً للمعضلة المذكورة أعلاه.
في عام 2019، تأسست شركة Phaseshift Technologies، وهي شركة مواد متقدمة، رسميًا في كندا.ملتزمون بتطوير الجيل القادم من السبائك والمركبات باستخدام تقنية الذكاء الاصطناعي والمحاكاة متعددة المقاييس.يمكن لمنصتها Rapid Alloy Design (RAD™)، التي تعتمد على MatterMind™ (تصميم السبائك المعتمد على الذكاء الاصطناعي) وCascade™ (محاكاة متكاملة متعددة المقاييس)، تطوير سبائك مخصصة لاحتياجات وسيناريوهات محددة في مجموعة متنوعة من الصناعات.
وفقًا للموقع الرسمي لـ Phaseshift،تعمل هذه الطريقة على تسريع عملية تطوير المواد بمقدار 100 مرة مقارنة بالطرق التقليدية مع خفض التكاليف.بالإضافة إلى ذلك، يمكن استخدام السبائك التي صممتها على نطاق واسع في صناعات الطيران والسيارات والطاقة والدفاع والتعدين والتصنيع المتقدم.
* الفضاء والطيران: تعمل سبائك الجيل التالي على تحسين الأداء وتخفيف الوزن وزيادة كفاءة استهلاك الوقود مع تلبية معايير السلامة.
* السيارات: ابتكار سبائك أخف وزنا وأقوى تعمل على تحسين كفاءة استهلاك الوقود والسلامة وتمكين تصميم المركبات المبتكرة.
* الطاقة: يمكن للسبائك المخصصة أن تتحمل الظروف القاسية، وتحسن متانة المعدات وكفاءتها، وتقلل من تكاليف الصيانة.
* الدفاع: توفر السبائك المتقدمة أداءً ومتانة فائقة، مما يضمن الموثوقية في المهام الحرجة.
* التعدين: تتمتع السبائك المتينة بالقدرة على تحمل البيئات القاسية، وإطالة عمر المعدات، وزيادة إنتاجية التعدين.
* التصنيع المتقدم: يمكن للسبائك المخصصة تحسين أداء المنتج ومتانته ومرونة التصميم، مما يؤدي إلى تعزيز الابتكار في عمليات التصنيع.
حاليًا، أكملت Phaseshift جولة تمويل أولية بقيمة 3 ملايين دولار، بقيادة Innospark Ventures، بمشاركة Draper Associates وFirst Star Ventures، ودعم إضافي من المستثمر الملائكي Hustle Fund Angel Squad. سيسمح هذا التمويل لشركة Phaseshift بتسريع تطوير وتسويق المواد الجديدة.
قال فضل محمود، المؤسس المشارك والرئيس التنفيذي لشركة Phaseshift:عندما يكون تطوير بعض الصناعات محدودًا بالخصائص المتأصلة للمواد الموجودة، يصبح الابتكار على مستوى المواد أمرًا بالغ الأهمية.تتيح منصة الذكاء الاصطناعي لدينا التطوير السريع للمواد المتخصصة لحل التحديات الصناعية الواقعية التي يتم تجاهلها. من خلال توفير مواد أكثر متانة وكفاءة واستدامة، فإننا نساعد الصناعات على تقليل النفايات وخفض تكاليف الصيانة ودفع حدود الهندسة والتصنيع.
الذكاء الاصطناعي + محاكاة متعددة المقاييس لتطوير مواد السبائك من الجيل التالي
إن تصميم مواد جديدة يشبه خلط وصفة معقدة مع عدد كبير من المكونات. في الماضي، كان العلماء يجرون التجارب مثل الطهاة، حيث كانوا يعدلون باستمرار نسب المكونات ويراقبون تأثير كل تغيير على "الطبق" النهائي، مستخدمين التجربة والخطأ للعثور على أفضل وصفة.
واليوم، تتيح Phaseshift للذكاء الاصطناعي أن يلعب دور "الشيف" هذا. فهو لا يعرف فقط كل التركيبات الممكنة من "المكونات"، بل يمكنه أيضًا التنبؤ بكيفية تأثير كل مكون على "النكهة" العامة للمادة، وبالتالي العثور على "الوصفة المثالية" المحتملة. علاوة على ذلك، يمكن للنماذج الحسابية المتقدمة محاكاة هذه الوصفات وتقييمها. وهذا يسمح للباحثين باستكشاف عدد لا يحصى من تركيبات "مكونات" السبائك و"طرق الطهي" بسرعة دون الحاجة إلى إجراء تجارب لا نهاية لها في العالم الحقيقي.
وعلى وجه التحديد، كما هو موضح في الشكل أدناه،في منصة Phaseshift، يمر تطوير السبائك الجديدة بخمس خطوات.أولاً، يقدم المستخدم غرض السبائك وتحدد الشركة متطلبات التصميم؛ ثانيًا، يستخدم MatterMind™ أساليب الذكاء الاصطناعي لإنتاج تركيبات سبائك جديدة ومحسنة؛ ثالثًا، يقوم Cascade™ بتقييم أداء السبائك من خلال عمليات محاكاة متعددة المقاييس مثل النانو والميكرو والماكرو، ويقوم بتحديث نموذج الذكاء الاصطناعي، وتكرار الخطوات المذكورة أعلاه حتى يتم تلبية متطلبات التصميم. رابعا، العمل مع المختبرات لإجراء تقييمات واقعية للمواد باستخدام معايير التأهيل الخاصة بالصناعة. خامساً، الاستفادة من السبائك المخصصة للحصول على ميزة تنافسية في السوق.
ومن أجل تحقيق هذه الإنجازات التكنولوجية المذكورة أعلاه، جمعت Phaseshift مجموعة من الخبراء في مجالات الذكاء الاصطناعي وعلوم المواد.مثل الباحث في مجال التعلم الآلي الدكتور أوسازي إيرو ومهندس المواد الحاسوبية الدكتور تشن لي. يتمتع الدكتور أوزازي إيرو بخبرة تزيد عن 8 سنوات في مجال أبحاث التعلم الآلي وهو جيد في تصميم خوارزميات الذكاء الاصطناعي المتقدمة، وخاصة في مجال التصنيع. يتمتع الدكتور تشن لي بمعرفة واسعة في علم المواد ومحاكاة العناصر المحدودة وتقنيات النمذجة المتقدمة، وخبرة 8 سنوات في المحاكاة العددية للعمليات المعدنية. ويعتقد أن "النمذجة والمحاكاة ليست مجرد أدوات لفهم المواد، بل هي أيضًا مفتاح الابتكار الهندسي".
MatterMind™: نموذج ذكاء اصطناعي خاص قائم على البيانات لتصميم "السبائك المثالية"
إن مفتاح تدريب نموذج الذكاء الاصطناعي الجيد هو الحصول على مجموعة من البيانات المحددة وعالية الجودة. ومع ذلك، فإن البيانات في مجال علم المواد غالبا ما تكون متناثرة ومعاييرها غير متسقة. توجد العديد من البيانات التجريبية في الأوراق الأكاديمية أو المختبرات الخاصة بالشركات أو قواعد البيانات الخاصة، والبيانات العامة محدودة للغاية.
لحل هذه المشكلة،تستخدم Phaseshift مجموعة من التجارب والمحاكاة لتوليد مجموعات بيانات عالية الجودة بشكل مستقل.يضمن هذا النهج اتساق وموثوقية البيانات عبر السياقات المختلفة، مما يوفر أساسًا قويًا لمنصة MatterMind™.
يجمع MatterMind™ بين التعلم الآلي والنمذجة القائمة على الفيزياء.أولاً، من خلال التدريب على مجموعات بيانات السبائك الملكية (الموجودة والمحاكاة)، يتمكن MatterMind™ من تحليل المساحة الشاسعة من تركيبات السبائك بسرعة، والتنبؤ بصيغ السبائك المثالية، والكشف عن العلاقات المعقدة غير الخطية بين العناصر وظروف المعالجة والبنية الدقيقة وخصائص المواد التي غالبًا ما تتجاوز الحدس البشري ولا يمكن التعبير عنها بشكل مباشر في الصيغ الرياضية. ثانياً، يتم دمج المعرفة العلمية المعروفة من علم المواد والفيزياء والكيمياء في النموذج، مما يمنحه قوة تنبؤية أكبر وتحديد تركيبات السبائك الجديدة التي قد تلبي الخصائص المستهدفة.
بالإضافة إلى ذلك، يتم إقران MatterMind™ بخوارزميات تحسين متعددة الأهداف متقدمة.العثور على أفضل توازن بين السمات المتعددة. على سبيل المثال، يجب أن يكون السبائك خفيف الوزن، وذو قوة عالية، وأن يتمتع بأقل قدر من اللدونة، وأن يقاوم تآكل الكلوريد، وأن يكون قابلاً للحام، وما إلى ذلك. تواجه الطرق التقليدية صعوبة في تحسين مثل هذا المزيج المعقد من الخصائص، ولكن نماذج الذكاء الاصطناعي يمكنها استخدام الأنماط المكتسبة من البيانات لموازنة أهداف التصميم المتعددة لتطوير مواد عالية الأداء تلبي احتياجات صناعية محددة.
أخير،يمكن لـ MatterMind™ تصميم مجموعة محسّنة من تركيبات السبائك المحتملة دون الحاجة إلى إجراء تجارب واقعية مكثفة.يتم بعد ذلك إرساله إلى منصة Cascade™ للمحاكاة والتقييم، ويتم تحسين MatterMind™ بشكل مستمر وتكراره بناءً على نتائج المحاكاة.
Cascade™: محاكاة متعددة المقاييس لتقييم السبائك المحتملة بالكامل في بيئة افتراضية
يمكن لـ Cascade™ إجراء عمليات محاكاة متعددة المقاييس على المستوى النانوي، والمجهري، والمتوسط، والكبير.يتيح هذا إنشاء نمذجة دقيقة لكيفية تأثير السمات البنيوية الدقيقة (مثل حجم الحبيبات وتوزيع الطور والعيوب) على الأداء العام للسبائك، مما يسمح بإجراء تقييم أولي للسبائك المحتملة وضمان دخول السبائك الأكثر واعدة إلى مرحلة التصنيع.
* مقياس النانو: استخدام نظرية الكثافة الوظيفية (DFT) للتنبؤ بالتفاعلات بين ذرات عناصر السبائك المختلفة.
* على المستوى المجهري: محاكاة التطور البنيوي الدقيق والتنبؤ ببنية الحبوب وسلوك حدود الحبوب.
* الميزوسكيل: نماذج استجابة المواد للظروف الخارجية.
* على نطاق واسع: محاكاة الخصائص الميكانيكية للمواد وأدائها في عمليات التصنيع المختلفة (على سبيل المثال الصب، التصنيع الإضافي).
ومن خلال هذه المحاكاة، يمكن تقييم مئات أو حتى آلاف السبائك المحتملة بسرعة في بيئة افتراضية.ومقارنة بمتطلبات تصميم المستخدم. لا توجد حاجة لتصنيع عينات مادية أو إجراء اختبارات متكررة في المختبر. تعتبر طريقة التقييم الافتراضي هذه أرخص وأسرع، ويمكنها مطابقة خصائص المواد المطلوبة بدقة، وبالتالي تحسين معدل نجاح البحث والتطوير.
تخصيص مواد ذات خصائص متعددة الأهداف وفقًا لاحتياجات المستخدم وتطوير السبائك المناسبة للطباعة ثلاثية الأبعاد
وفقًا لمسؤولي Phaseshift،يمكن استخدام هذا النهج لتطوير مواد مناسبة لعمليات التصنيع الإضافي (الطباعة ثلاثية الأبعاد).
تعتمد عملية التصنيع الإضافي (الطباعة ثلاثية الأبعاد) بشكل أساسي على بناء أشياء ثلاثية الأبعاد من خلال تكديس المواد الخام طبقة تلو الأخرى. في الوقت الحاضر، يتم استخدام الأجزاء المعدنية المصنعة بواسطة تكنولوجيا التصنيع الإضافي المعدني بنجاح في مجال الفضاء والمعدات الطبية وتصنيع السيارات وغيرها من المجالات. ومع ذلك، لا يزال تطوير هذه العملية محدودًا بسبب توافق المواد - فأنواع السبائك التي يمكن استخدامها للطباعة ثلاثية الأبعاد محدودة، مما يؤثر على التطبيق الواسع النطاق للعملية وأداء الأجزاء النهائية.
على سبيل المثال، عملية الطباعة ثلاثية الأبعاد المعدنية الأكثر شيوعًا، وهي عملية دمج مسحوق الليزر (LPBF)، لا تنطبق إلا على سبائك التيتانيوم والنحاس والنيكل، وهي عرضة للانكماش والذوبان غير المتساوي أثناء عملية التصنيع. على الرغم من أن تقنية LPBF متعددة الليزر تعمل على تحسين كفاءة الإنتاج، إلا أنها تزيد أيضًا من خطر ارتفاع درجة حرارة المواد. تقتصر عمليات التصنيع المضافة المعدنية الأخرى، مثل التلبيد الانتقائي بالليزر (SLS) وصهر حزمة الإلكترون (EBM)، أيضًا على خصائص المواد ولا يمكنها تلبية متطلبات الأهداف المتعددة، مثل التمدد الحراري ودرجة حرارة الانصهار وكثافة الأجزاء وما إلى ذلك.
تتمتع Phaseshift بعملية بحث وتطوير مخصصة تم تصميمها خصيصًا لتحسين السبائك للتصنيع الإضافي، ونمذجة المواد بنسب تكوين مختلفة والتركيز على تحليل أدائها في بيئة التصنيع الإضافي لضمان الملاءمة المثلى.
"سواء كان الأمر يتعلق بتعزيز قوة مكونات الطيران، أو تحسين التوصيل الحراري لأنظمة السيارات، أو تعزيز مقاومة التآكل للبنية التحتية للطاقة، أو جعل الأجهزة الطبية متوافقة حيوياً،يمكننا جميعًا توفير سبائك مخصصة لحلول المواد الأكثر استدامة"، كما قال Phaseshift.
يتجه علم المواد نحو عصر أكثر كفاءة وذكاءً
أشار تشنغ شوان، الأستاذ في كلية علوم وهندسة المواد بجامعة شيامن في الصين، ذات مرة إلى أن "مستقبل علوم المواد الحاسوبية سيعتمد على تطوير الذكاء الاصطناعي. يجب أن نولي اهتمامًا خاصًا لكيفية دمج الذكاء الاصطناعي في تصميم المواد وفحصها، وكيفية تصميم هياكل المواد بدقة بناءً على وظائفها المستهدفة".
في الوقت الحاضر، تم تنفيذ تطبيق الذكاء الاصطناعي في مجال علوم المواد تدريجياً. من الغرسات الطبية المخصصة والأطراف الصناعية الذكية إلى تطوير مواد جديدة مقاومة للحرارة والمحفزات المتقدمة والبلاستيك القابل للتحلل، تعمل الذكاء الاصطناعي على تسريع ابتكار المنتجات في مختلف الصناعات.كما أصبح عدد متزايد من شركات التكنولوجيا يدرك الإمكانات الهائلة للذكاء الاصطناعي في تطوير المواد.
على سبيل المثال، أطلقت Meta ذات مرة مجموعة البيانات OMat24.تحتوي مجموعة البيانات على أكثر من 110 مليون حساب لنظرية الكثافة الهيكلية الوظيفية (DFT)، مع التركيز على التنوع الهيكلي والتكويني، مما يجعلها واحدة من أكبر مجموعات البيانات المتاحة للجمهور في هذا المجال. استنادًا إلى OMat24، أصدرت Meta أيضًا نموذج EquiformerV2، والذي يمكنه التنبؤ بدقة باستقرار الحالة الأرضية وطاقة تكوين المواد، وحقق أفضل أداء في قائمة تصنيف Matbench Discovery.
* عنوان تنزيل مجموعة البيانات OMat24:
بالإضافة إلى ذلك، تستكشف Google DeepMind أيضًا تطبيق الذكاء الاصطناعي في تطوير المواد.أعلن نموذج التعلم العميق GNoME عن اكتشاف 2.2 مليون بنية بلورية جديدة لمواد غير عضوية، منها 380 ألف بنية مستقرة، مما يجعلها المواد الجديدة الأكثر احتمالية للتصنيع التجريبي ووضعها موضع الاستخدام، مما يعزز بشكل كبير تقدم أبحاث المواد.
أطلقت شركة مايكروسوفت MatterGen، وهو نموذج ذكاء اصطناعي توليدي لتصميم المواد العكسية.القدرة على تصميم هياكل مادية جديدة مباشرة وفقا لاحتياجات محددة. على سبيل المثال، عند تصميم مواد مغناطيسية متعددة الخصائص، يمكن للنموذج أن يقترح هياكل ذات كثافة مغناطيسية عالية وتركيبة كيميائية ذات مخاطر منخفضة في سلسلة التوريد. بالإضافة إلى ذلك، تم تجهيز MatterGen بوحدات متعددة قابلة للتعديل يمكن ضبطها بدقة وفقًا للقيود مثل الخصائص الكيميائية والتناظر وخصائص المواد لتوليد مواد تلبي خصائص مغناطيسية أو إلكترونية أو ميكانيكية محددة.
أطلقت شركة HyperAI برنامجًا تعليميًا بعنوان "نموذج تصميم المواد غير العضوية MatterGen Demo" على موقعها الرسمي. عنوان البرنامج التعليمي هو:
باختصار، تُظهر هذه الشركات نقاط دخول مختلفة للذكاء الاصطناعي في مجال كيمياء المواد، كما تمثل قفزة تكنولوجية جديدة من اكتشاف المواد على نطاق واسع إلى "التصميم حسب الطلب". مع استمرار تطور نماذج الذكاء الاصطناعي، يتجه علم المواد نحو عصر أكثر كفاءة وذكاءً.
مراجع:
1.https://phaseshift.ai/
2.https://blog.csdn.net/a13981820402/article/details/140632362
3.https://www.sohu.com/a/140409967_488176
4.https://www.ccf.org.cn/YOCSEF/Branc