غلبه هوش مصنوعی MIT بر «بی‌نظمی شیمیایی» در پیش‌بینی رفتار آلیاژهای فلزی

طراحی مواد و آلیاژهای جدید برای صنایعی نظیر هوافضا، انرژی هسته‌ای و تولید نیمه‌هادی‌ها، نیازمند درک دقیق رفتار اتم‌ها است. با این حال، اکثر فلزات جامدِ کاربردی در دنیای واقعی دارای «بی‌نظمی شیمیایی» هستند؛ یعنی آرایش اتمی آن‌ها نامنظم بوده و از یک نقطه به نقطه دیگر تغییر می‌کند. تا پیش از این، شبیه‌سازی این محیط‌های اتمی محلی با روش‌های کلاسیک به صدها هزار ساعت محاسبات کامپیوتری نیاز داشت و داده‌های تولید شده نیز برای ترکیبات شیمیایی جدید قابل تعمیم نبودند. تیم تحقیقاتی دانشگاه MIT با توسعه یک رویکرد نوین مبتنی بر یادگیری ماشین (Machine Learning)، این مانع محاسباتی را برطرف کرده‌اند: نخست، محققان به جای استفاده از نمونه‌برداری‌های تصادفی، رویکرد «نمونه‌برداری مبتنی بر موتیف» (Motif-based sampling) را ابداع کردند که قادر است الگوهای شیمیایی موضعی و محیط‌های اتمی کلیدی را در میان میلیون‌ها ترکیب شناسایی کند. دوم، با بهره‌گیری از ریاضیات «تئوری اطلاعات» (Information Theory)، الگوریتمی توسعه یافت که چگالی و پیچیدگی شیمیایی داده‌ها را رصد می‌کند. اگر در طول شبیه‌سازی یک آرایش اتمی بیش از حد تکرار شود، مدل بلافاصله آن نمونه‌های زائد را حذف کرده و با پیکربندی‌های جدید و دیده نشده جایگزین می‌کند. این رویکرد نه تنها حجم داده‌های آموزشی را بهینه می‌کند، بلکه به مدل هوش مصنوعی اجازه می‌دهد تا تعصبات انرژی ظریف (Subtle energetic biases) بین اتم‌ها را که تعیین‌کننده نحوه تشکیل فازهای مختلف آلیاژ در دماهای گوناگون هستند، با دقتی بی‌سابقه درک کند. این معماری توانست در پیش‌بینی نمودارهای فازی پیچیده، عملکردی بسیار دقیق‌تر از مدل‌های عظیم توسعه‌یافته توسط غول‌های فناوری نظیر گوگل و مایکروسافت از خود نشان دهد. پیام کلیدی و تاثیر راهبردی: مدل یادگیری ماشین MIT با درک عمیق از پیکربندی‌های اتمی و حذف داده‌های تکراری، زمان و هزینه کشف آلیاژهای پیشرفته نسل آینده را از مقیاس سال‌ها به چند روز کاهش داده است.