یادگیری ماشین ویژگی های ساختارهای دو بعدی جدید را پیش بینی می کند با پیشرفت تکنولوژی ، یافتن مواد مناسب برای روشن شدن صفحه نمایش تلفن ، روشن ترشدن سلول خورشیدی یا اجازه حرکت بیشتر خودروهای برقی ، دشوارتر از یافتن سوزن در انبار کاه است .تخمین زده شده است که مواد ناشناخته بیشتری نسبت به اتمهایموجود در جهان وجود دارد! اگرچه این امر در مورد پیشرفت فناوری نوید بخش است ، اما یافتن مواد مناسب برای یک برنامه خاص بسیار دشوار می شود. به عنوان مثال ،یکی از بزرگترین مشکلات در طراحی سلول های خورشیدی این است که خواص مواد مورد استفاده برای ساخت آنها با تمام انرژی های نور در طیف خورشیدی مطابقت ندارد. این بدان معناست که بخشی از نور تصادفی هدر می رود و جستجوی مواد دیگری را که می تواند همه آن را جمع آوری کند ، برانگیخته است.

نازک ترین مواد را با هم کلیک کنید.

در مطالعه اخیر منتشر شده در مجله Advanced Intelligent Systems ، یک تیم بین المللی از محققان از یادگیری ماشینی برای یافتن این مواد ایده آل استفاده کرده اند.این تیم روی مواد دو بعدی – مواد نازک به اندازه یک لایه اتمی – تمرکز کرد تا روش یادگیری ماشین خود را تقویت کند. این مواد می توانند الکتریسیته را بهتر از مس هدایت کنند ، یک عایق تقریباً کامل یا هر چیزی در این بین باشند و آنها را برای طیف وسیعی از کاربردهای دستگاه های الکترونیکی و نوری فعلی یا آینده ایده آل می کند.در حال حاضر حدود ۲۰۰۰ ماده دو بعدی شناخته شده است. چیزی که آنها را بسیار جالب می کند این است که وقتی در لایه ها قرار می گیرند ، یکی روی هم مانند بلوک های لگو ، مواد جدید که اکنون ترکیبی از لایه های مختلف مواد است دارای خواصی است که کاملاً با اجزای اصلی آن متفاوت است –
مانند انباشته شدن یک لگو زرد و آبی کنار هم قرار می گیرد و روی هم چیده می شوند به رنگ سبز روشن یا نارنجی یا قرمز.این بدان معناست که در حالی که ممکن است به میلیون ها ماده و ویژگی جدید دسترسی داشته باشید ، ترکیب مناسب را پیدا کنید ، پیش بینی کنید که این ویژگی ها چه خواهند بود ، یا پیدا کردن بهترین برای هر کاربردی با استفاده از روش های تجربی معمولی تقریباً غیرممکن است. وارد تیم چندرشته ای مهندسان شیمی ، دانشمندان مواد ، فیزیکدانان و مهمتر از همه مهندسان کامپیوتر محاسباتی شدیم. برای حل این مشکل یک سوزن در انبار کاه ، تیم تحقیق خواص مواد دو بعدی را به نوع جدیدی از الگوریتم یادگیر ماشینی به نام “یادگیری فعال” وارد کردند که شکاف داده ها را جستجو می کند و پیش بینی های خود را در آنجا متمرکز می کند.این به عنوان یک برنامه کامپیوتری است که روابط بین ساختارهای دو بعدی و خواص الکترونیکی یا نوری مفید را به شیوه ای مشابه با انسان ها یاد می گیرد: با نشان دادن مثال هایی. به عنوان مثال ، افراد خارج از استرالیا از سنین جوانی فهمیدند که همه قوها سفید رنگ هستند اما وقتی دیدند قو های استرالیایی سیاه هستند ، ایده های خود را تجدید نظر کردند. به طور مشابه ، یادگیری فعال با شناسایی مواردی که مدلها در پیش بینی ویژگیها ضعیف هستند و افزودن این مثالها به داده ها برای آموزش مدل جدید ، سرعت یادگیری ماشین را افزایش می دهد. این پیش بینی ها را بدون نیاز به ساخت فیزیکی و آزمایش تعداد ناممکنی از مواد جدید بهبود می بخشد.این به تیم اجازه می دهد تا ویژگی های نوری و الکترونیکی بیش از ۲.۲ میلیون ترکیب مواد مختلف دو بعدی را پیش بینی کند. صحت پیش بینی ها با جدا نگه داشتن برخی از مواد دو بعدی از مدل و سپس پیش بینی خواص آنها با استفاده از مدل ایجاد شده از بقیه داده ها بررسی شد.این تیم این پیش بینی ها را درباره خواص الکترونیکی و نوری آزادانه در اختیار جامعه تحقیقاتی قرار داده است تا راه را برای دیگران بسازد و این ترکیبات دو بعدی را آزمایش کند.
از آنجا که تعداد زیادی مواد – با چنین ویژگی های شگفت انگیز متنوعی وجود دارد – تیم یک قدم فراتر رفته و آنها را به ترکیبهایی که رنگهای خاصی از نور را جذب می کنند تقسیم کرده است. در آینده ، مهندسان به سادگی با انتخاب ترکیب صحیح مواد “blue Lego” ، می توانند شکاف های انرژی مواد را با طیف خورشیدی مطابقت داده و حداکثر بازدهی ممکن را به دست آورند. علاوه بر این ، رنگ هر سطحی را می توان با پوششی از چند اتم تنظیم کرد، با امکاناتی بی پایان برای تبدیل انرژی خورشیدی.
یادگیری فعال و به طور کلی یادگیری ماشینی برای کشف مواد “نسل بعدی” با ویژگی هایی که قبلاً در دسترس نبوده بسیار مهم است. این مطالعه نشان می دهد که چگونه تعداد فوق العاده ای از مواد بالقوه می توانند خواص خود را پیش بینی کنند، در حالی که تعداد آزمایشات وقت گیر و گران قیمت که باید انجام شود را به حداقل می رساند. این روش در علم مواد برای شناسایی سریع مواد با بهترین ویژگی های ممکن برای یک کار معین و صرفه جویی در زمان و منابع ، ارزشمند نخواهد بود.
تلاش ما این است که در مجله ی سایت بروزترین مطالب آموزشی و کاربردی وتازه های دنیای فناوری را دراختیارعلاقمندان بگذاریم