من 100000 إمكانية إلى التوليف الناجح، فإن التكامل المبتكر لآليات الاهتمام العالمي ونموذج الذكاء الاصطناعي CGformer يسهل تطوير المواد ذات الإنتروبيا العالية.
يُحدث الذكاء الاصطناعي تغييرًا جذريًا في نموذج البحث والتطوير في علوم المواد، مُظهرًا قيمةً رائدةً في تسريع اكتشاف مواد جديدة وتحسين أدائها. ومن خلال التكامل العميق بين الحوسبة عالية الإنتاجية والتعلم الآلي، تمت معالجة نقاط الضعف في أساليب "التجربة والخطأ" التقليدية، مثل دورات التجارب الطويلة والاستهلاك المرتفع للموارد، بفعالية.لقد دخلت عملية استكشاف المواد مرحلة التكرار الفعالة المتمثلة في "التحقق التجريبي القائم على الحساب".ومع ذلك، مع ابتكار التكنولوجيا البشرية وأسلوب الحياة، أصبحت متطلبات الأداء للمواد الجديدة في مجالات مثل الطاقة الجديدة والفضاء أكثر صرامة على نحو متزايد، وأصبحت قيود طرق التعلم الآلي التقليدية واضحة تدريجيا، وخاصة في مجال البحث والتطوير للمواد ذات الإنتروبيا العالية.
المواد عالية الإنتروبيا هي فئة جديدة من المواد المصنوعة من خليط من عناصر رئيسية متعددة. من خلال التفاعل التآزري لهذه العناصر، تزيد هذه المواد بشكل ملحوظ من الإنتروبيا التكوينية (أي عدم انتظام) لترتيب ذراتها، مما ينتج عنه خصائص ميكانيكية فائقة، ومقاومة عالية للحرارة، ومقاومة للتآكل مقارنةً بالمواد التقليدية. تتمتع هذه المواد بإمكانيات كبيرة للتطبيق في معدات تخزين الطاقة، والفضاء، والبيئات القاسية.
تحتوي جميع الطرق السابقة، مثل الشبكات العصبية التلافيفية الرسومية البلورية (CGCNN) والشبكات العصبية الرسومية الخطية الذرية (ALIGNN)، على عيوب معمارية.بسبب القيود التي تفرضها آلية التفاعل المعلوماتي المحلية، من الصعب نمذجة التأثير التآزري الذري على مسافة طويلة، ولا يمكن التقاط المعلومات العالمية الفريدة للهياكل البلورية المعقدة بالكامل، مما يؤدي إلى دقة تنبؤ محدودة.وفي الوقت نفسه، فإن الخصائص المتأصلة للمواد ذات الإنتروبيا العالية تجعل البحث والتطوير فيها يواجه تحديات تتجاوز بكثير تلك التي تواجهها المواد التقليدية.تشكل البنى الدقيقة المعقدة، وندرة البيانات التجريبية عالية الجودة، والسلوك الذري غير المنظم ديناميكيًا، عقبات رئيسية في تطوير المواد ذات الإنتروبيا العالية.
استجابة لعيوب الأدوات والطلب على الترقيات،نجح فريق البروفيسور لي جينجين والبروفيسور هوانج فو تشيانج من مختبر الذكاء الاصطناعي والبنية الدقيقة (AIMS-Lab) بجامعة شنغهاي جياو تونج في تطوير نموذج تصميم مواد الذكاء الاصطناعي الجديد CGformer، والذي يكسر بنجاح قيود النماذج التقليدية.يجمع هذا النموذج بشكل مبتكر بين آلية الاهتمام العالمي لـ Graphormer و CGCNN، ويدمج الترميز المركزي والترميز المكاني، بحيث لا يمكنه فقط وصف البنية المادية بشكل حدسي من خلال مخططات البلورات، بل يمكنه أيضًا التقاط التفاعلات بين الذرات بعيدة المدى بمساعدة آلية "الانتباه العالمي"، وبالتالي الحصول على قدرات معالجة المعلومات العالمية التي لا تمتلكها النماذج التقليدية "التي تركز فقط على الذرات المجاورة".
توفر هذه الطريقة معلومات هيكلية أكثر شمولاً، مما يتيح تنبؤًا أدق بهجرة الأيونات داخل الهياكل، ويوفر أداة موثوقة لبحث وتطوير مواد جديدة، وخاصةً المواد البلورية عالية الإنتروبيا والمعقدة. نُشرت نتائج البحث في مجلة "ماتر" الرائدة تحت عنوان "CGformer: شبكة رسوم بيانية بلورية مُحسّنة بالمحولات مع اهتمام عالمي بتنبؤ خصائص المواد".
أبرز الأبحاث:
* يوفر البحث والتطوير لـ CGformer، وهو نموذج تصميم مواد الذكاء الاصطناعي يعتمد على آلية الاهتمام العالمية، أداة موثوقة وقوية لعلم البحث والتطوير في مجال المواد، مما يساعد على تسريع عملية اكتشاف الهياكل البلورية المعقدة.
* بالمقارنة مع CGCNN، يتمتع CGformer بانخفاض قدره 25% في الخطأ المطلق المتوسط في دراسة إلكتروليتات أيونات الصوديوم الصلبة عالية الإنتروبيا (HE-NSEs)، مما يوضح بشكل فعال مدى عمليته وتقدمه.
*تم فحص 18 بنية محتملة عالية الإنتروبيا من بين 148,995، وتم تصنيع واختبار ستة إلكتروليتات صلبة عالية الإنتروبيا من أيونات الصوديوم (HE-NSEs) بنجاح، مع موصلية أيونات الصوديوم في درجة حرارة الغرفة تصل إلى 0.256 مللي سيمنز/سم، مما يدل على قيمتها التطبيقية العملية.
عنوان الورقة:
https://www.cell.com/matter/abstract/S2590-2385(25)00423-0
قم بمتابعة الحساب الرسمي ورد "CGformer" للحصول على ملف PDF كامل
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
تعمل مجموعات البيانات متعددة الفئات على تحسين قدرات نموذج CGformer
الهدف من هذه الدراسة هو معالجة التحديات التي يفرضها ندرة البيانات والتعقيد البنيوي في الأنظمة ذات الإنتروبيا العالية من خلال حلول تعتمد على الحالة.تُركز دراسة البحث على المركبات الكهربائية ذات الطاقة الجديدة وتطبيقات تخزين طاقة الشبكة، مع التركيز تحديدًا على التنبؤ بالأداء وفحص إلكتروليتات أيونات الصوديوم الصلبة عالية الإنتروبيا. وقد تم بناء مجموعة متنوعة من مجموعات البيانات واستخدامها لدعم تدريب نموذج CGformer وضبطه بدقة والتحقق منه تجريبيًا، على النحو التالي:
مجموعة البيانات الأساسية لحاجز طاقة انتشار أيونات الصوديوم (Eb):هذه أكبر مجموعة بيانات معروفة لحواجز انتشار أيونات الصوديوم في الهياكل عالية الإنتروبيا، أنشأها باحثون لهذه الدراسة. تعتمد هذه المجموعة على طريقتي التحليل البلوري بتحليل فورونوي (CAVD) وطاقة موقع تكافؤ الرابطة (BVSE). تُستخدم هذه المجموعة بشكل أساسي للتدريب المسبق لـ CGformer، مما يُمكّن النموذج من تعلم معلومات الرسم البياني المتعلقة بالهياكل المحتوية على الصوديوم، والتي تُنقل بعد ذلك إلى مجموعة البيانات عالية الإنتروبيا المحسوبة، مما يُرسي الأساس للتنبؤ اللاحق بـ Eb للمواد عالية الإنتروبيا.
مجموعة بيانات حساب HE-NSEs:بناءً على Na₃Zr₂Si₂PO₁₂ (كما هو موضح أعلاه)، دُرست 45 عنصرًا مُشَبِّبًا محتملًا عالي الإنتروبيا في موقع الزركونيوم، مما أدى إلى تكوين مساحة كيميائية أولية تحتوي على 148,995 بنية محتملة عالية الإنتروبيا. بعد ذلك، ومن خلال جولات فحص متعددة، بما في ذلك استبعاد العناصر غير المناسبة (العناصر المشعة، والسامة للغاية، والمكلفة) والقيود المفروضة على فروق نصف القطر الذري وتوازن الشحنة، تقلصت المساحة الكيميائية إلى 826 بنية مستقرة نسبيًا. ثم استُخدم التصنيف الهرمي غير المُراقَب لتصنيف هذه الهياكل إلى 20 مجموعة. من كل مجموعة، أُخذت عينات هرمية من 30% (238 بنية إجمالًا)، وحُسبت قيم Eb الخاصة بها باستخدام نظرية الكثافة الوظيفية (DFT). وقد أدى هذا في النهاية إلى تشكيل مجموعة بيانات مخصصة لضبط CGformer بدقة، وتكييف النموذج على وجه التحديد لمهمة التنبؤ بـ Eb لأيونات الصوديوم في هياكل NASICON عالية الإنتروبيا، مما أدى إلى تحسين دقة النموذج في سيناريو الهدف.
مجموعة بيانات تقييم الاستقرار الحراري:استخرج الباحثون جميع الهياكل المحتوية على الصوديوم ذات الطاقات الأعلى من قيمة الغلاف المحدب (Ehull) من قاعدة بيانات مشروع المواد، وجمعوها في مجموعة تدريب مخصصة. تُستخدم هذه المجموعة بشكل أساسي لتدريب نموذج تكميلي لتقييم الاستقرار الديناميكي الحراري لـ HE-NSEs. بدمجه مع قيمة Eb المتوقعة بواسطة CGformer، يمكن استخدام هذا النموذج لفحص المواد المرشحة من حيث الأداء العالي والاستقرار.
تتيح هندسة الاندماج المبتكرة لـ CGformer "الإدراك العالمي"
لقد قامت شركة CGformer بإحداث ابتكارات أساسية لمعالجة أوجه القصور في الطرق التقليدية، وذلك من خلال دمج تقنيتين متقدمتين لتحقيق مزايا متكاملة.ويتمثل جوهرها في الحفاظ على قدرة التمثيل البياني للبنية البلورية، وكسر قيود التركيز فقط على التفاعلات الذرية المحلية من خلال آلية الاهتمام العالمية.على وجه التحديد، فهو يجمع بين آلية الاهتمام العالمي الخاصة بـ Graphormer وطريقة تمثيل الرسم البياني البلوري الخاصة بـ CGCNN، مع إضافة وحدات ترميز رئيسية لبناء خط أنابيب جديد لمعالجة المعلومات.
يوضح الشكل (أ) أدناه عملية ترميز مخطط البلورة.وتتمثل هذه العملية في تحويل البنية البلورية الحقيقية ثلاثية الأبعاد إلى رسم تخطيطي للبلورة يمكن معالجته بواسطة النموذج.تُمثَّل الذرات في البنية البلورية بالعقد، وتُمثَّل الروابط الكيميائية بين الذرات بالحواف. ومن خلال عملية التحويل هذه، تمكّن الباحثون من استخلاص خصائص العقد والحواف، مثل خصائص العناصر المختلفة، والشحنة، ونصف قطر الرابطة التساهمية، والمسافات بين الذرات، وأنواع الروابط، ومعلومات تماثل البلورة. ثم دُمِجت هذه الخصائص للحصول على بيانات الإدخال الأولية المطلوبة لجهاز CGformer، مما يضمن الحفاظ على المعلومات الكيميائية والبنيوية للبلورة بالكامل.
يوضح الشكل ب أدناه بنية الشبكة لـ CGformerمن خلال التعاون متعدد الوحدات، يتم تحقيق التكامل العالمي للمعلومات والتنبؤ الدقيق.أولاً، يخضع الرسم البياني البلوري المدخل لجولة من عمليات التفاف الرسم البياني لإنشاء بنية بيانية مبسطة، مما يقلل من عبء العمل الحسابي لطبقات الشبكة اللاحقة ويسرع عملية تدريب CGformer. بناءً على ذلك، يحسب الباحثون رمز المركز ويُحدّثون خصائص العقدة في الرسم البياني البلوري. يتضمن رمز المركز درجتي الدخول والخروج لكل عقدة، والتي تُدمج بعد ذلك في خصائص العقدة الأصلية. بعد ذلك، تُمرر كل عقدة عبر وحدة انتباه متعددة الرؤوس (وحدة الانتباه متعددة الرؤوس)، حيث تجمع بين السمات المتغيرة والترميز المكاني لتمثيل العلاقة الموضعية بين العقد. يُحوّل رمز المركز متوسط سمات العقد المجاورة إلى شكل مجموع، بينما يُمكّن الترميز المكاني آلية الانتباه الذاتي من تمييز العقد المجاورة، وتعزيز تجميع الرسائل بفعالية، وتحسين روابط المعلومات بين الذرات المختلفة. أخيرًا، يخضع متجه الإخراج لعمليتي "التجميع (دمج السمات العالمية)" و"التنشيط (عملية دالة)" لإكمال التنبؤ النهائي بخصائص المادة.
يُذكر أن وحدة الانتباه متعددة الرؤوس تُمكّن كل عقدة من التركيز على جميع العقد الأخرى في مخطط البلورة، بدلاً من التركيز فقط على العقد المجاورة، مما يُمكّن من التقاط التفاعلات الذرية بعيدة المدى. علاوة على ذلك، تُمكّن إضافة الترميز المركزي والترميز المكاني النموذج من تحديد الخصائص الكيميائية للذرات، بالإضافة إلى إدراك "أهميتها الموضعية" و"علاقاتها المكانية" داخل البنية، مما يُحسّن دقة النموذج في توصيف البلورات المعقدة.
في المجمل،وبالمقارنة مع شبكات البلورات التقليدية، حقق CGformer قفزة نوعية، محققًا ثلاث مزايا رئيسية: الرؤية الشاملة، وتعزيز المعلومات، وتوازن الكفاءة، مما يوفر أداة موثوقة لاكتشاف وتحسين أداء المواد المعقدة ذات الإنتروبيا العالية.
يُظهر CGformer أداءً قويًا ويُبرز قيمته الإرشادية العملية
لتقييم أداء نموذج CGformer وتقدمه بدقة، قارنه الباحثون بنماذج تقليدية مثل CGCNN وALIGNN وSchNet. وتحققت التجربة من دقة تنبؤ CGformer من خلال مرحلتين: "التدريب المسبق" و"الضبط الدقيق".
خلال مرحلة ما قبل التدريب (كما هو موضح في الشكل أدناه)، أظهر CGformer ثباتًا ودقة تنبؤ فائقة. كان خطأه وتذبذبه الأوليان أقل بكثير من خطأ وتذبذب CGCNN. أظهر التحقق المتبادل بعشرة أضعاف (معامل التباين بعشرة أضعاف) أن متوسط الخطأ المطلق (MAE) لمجموعة التدريب بلغ 0.1703، وهو تحسن قدره 25.71 TP³T مقارنةً بـ CGCNN؛ بينما بلغ متوسط الخطأ المطلق (MAE) لمجموعة الاختبار 0.3205، وهو تحسن قدره 101 TP³T تقريبًا مقارنةً بـ CGCNN. وقد أبرزت المقارنات مع ALIGNN وSchNet تفوق أداء CGformer.
من نتائج التركيب، فإن القيمة المتوقعة لـ CGformer تنحرف بشكل أقل عن القيمة الحقيقية، والباقي أكثر تركيزًا بالقرب من 0، والانحراف المعياري المتبقي أصغر، مما يثبت أن تنبؤه بأيون الصوديوم Eb أكثر موثوقية.
خلال مرحلة الضبط الدقيق (كما هو موضح في الشكل أدناه)، انخفض متوسط الخطأ المتوسط (MAE) لجهاز CGformer المُدرَّب مُسبقًا بشكل ملحوظ بعد حوالي 10 جولات من الضبط الدقيق من أصل 200 جولة، وبلغ متوسط الخطأ المتوسط (MAE) النهائي للتحقق المتبادل ذي العشرة أضعاف 0.0361 فقط. بعد الضبط الدقيق، انخفض الانحراف بين القيمة المتوقعة والقيمة الحقيقية بشكل أكبر، وتركزت البقايا بشكل رئيسي في نطاق يتراوح بين -0.05 و0.05، وأظهرت توزيعًا طبيعيًا جيدًا، مما يُظهر دقتها العالية للغاية في التنبؤ بنظام Eb عالي الإنتروبيا، ويعكس إمكانات تطبيقها في سيناريوهات البيانات المفقودة.
أخيرًا، تم تصنيع ستة مواد HE-NSEs مثالية مختارة بواسطة CGformer، ووُصفت كهروكيميائيًا للتحقق من بنيتها وأدائها. أظهرت النتائج أن هذه المواد أظهرت موصلية أيونية ممتازة في درجة حرارة الغرفة، حيث تراوحت موصلية أيونات الصوديوم بين 0.093 و0.256 مللي سيمنز/سم عند 25 درجة مئوية، وهي أعلى بكثير من موصلية Na₃Zr₂Si₂PO₁₂ غير المشوبة.
"الذكاء الاصطناعي + المواد" أصبح الاتجاه السائد في تطوير علوم المواد
أصبح "الذكاء الاصطناعي + المواد" اتجاهًا بحثيًا رائدًا في مجال علوم المواد الحالي. ومن خلال دمج تقنية الذكاء الاصطناعي مع أبحاث وتطوير وتصميم وتطبيقات المواد، يُظهر هذا المجال إمكانات التطوير القوية والقيمة التطبيقية لتقاطع هذين التخصصين. لا شك أن إدخال CGformer ساهم بشكل كبير في تطبيق الذكاء الاصطناعي في مجال علوم المواد. وبفضل بنيته الخوارزمية الفريدة والمبتكرة، فإنه يحل المشكلات الرئيسية في مجال البحث والتطوير للمواد عالية الإنتروبيا.
يُعدّ CGformer مجرد غيض من فيض في استكشاف مختبر AIMS لمجالات الذكاء الاصطناعي وعلوم المواد. وباعتباره أحد التوجهات البحثية الرئيسية للمختبر، فقد أصبح البحث متعدد التخصصات في مجالي الذكاء الاصطناعي وعلوم المواد منذ فترة طويلة جزءًا لا يتجزأ من أعماله، وقد حقق نتائج مثمرة.
في العام الماضي، قدّم الفريق نفسه نتائج بحثه في المجلة الدولية الرائدة "مواد تخزين الطاقة" بعنوان "المحوّل يُمكّن من تطوير سلوك نقل الأيونات وتنظيم التوصيلية في الإلكتروليتات الصلبة". اقترحت الدراسة نموذج ذكاء اصطناعي يُسمى T-AIMD، يستخدم بنية شبكة المحول. يُخفّض هذا النموذج بشكل كبير تكاليف الحوسبة، مع تمكينه من التنبؤ السريع والدقيق بسلوك أي أيون في أي بنية بلورية. يُحسّن هذا النهج من سرعة عمليات محاكاة AIMD التقليدية بأكثر من 100 مرة، مما يُسرّع بشكل كبير عملية تقييم خصائص المواد.
عنوان الورقة:
https://www.sciencedirect.com/science/article/abs/pii/S2405829724003829
على نحو منفصل، نشرت فرق من جامعة برلين التقنية وجامعة لوكسمبورغ في ألمانيا بحثًا ذا صلة في مجلة AIP للنشر، يقترحون فيه SchNet، وهي بنية تعلم عميق مصممة خصيصًا لمحاكاة الأنظمة الذرية. تستخدم هذه البنية طبقات تلافيفية ذات ترشيح مستمر لتعلم التضمينات الكيميائية المعقولة للأنواع الذرية في الجدول الدوري، مما يُظهر قدرات فائقة في التنبؤ بالخصائص الكيميائية المختلفة للجزيئات والمواد. عنوان البحث هو "SchNet - بنية تعلم عميق للجزيئات والمواد".
عنوان الورقة:
من العبوات البلاستيكية اليومية والمنتجات المعدنية إلى المواد النانوية والموصلات الفائقة في الصناعات المتطورة، يرتبط تقدم الحضارة الإنسانية ارتباطًا وثيقًا بتطور علم المواد. ولا شك أن التطور السريع للذكاء الاصطناعي سيُطلق العنان لإمكانات هائلة في مستقبل علم المواد، مما سيُسهم بشكل غير مباشر في تقدم الحضارة الإنسانية.