[ad_1]

وقتی کلمات “هوش مصنوعی” (AI) به ذهن شما خطور می کند ، ممکن است اولین افکار شما در مورد کامپیوترهای بسیار هوشمند یا ربات هایی باشد که بدون نیاز به کمک انسان کارها را انجام می دهند. اکنون یک تیم چند نهادی از محققان موسسه ملی استاندارد و فناوری (NIST) راهی طولانی را طی کرده است: آنها یک الگوریتم هوش مصنوعی به نام CAMEO ایجاد کرده اند که بدون نیاز به آموزش اضافی از دانشمندان ، ماده جدید بالقوه مفید پیدا کرده است. سیستم هوش مصنوعی می تواند ضمن افزایش بهره وری و کارآیی تحقیقات خود ، به کاهش زمان دانشمندان در آزمایشگاه کمک کند.

تیم تحقیقاتی کار خود را در مورد CAMEO در منتشر کردند ارتباطات طبیعت.

در زمینه علوم مواد ، دانشمندان به دنبال یافتن مواد جدیدی هستند که می تواند در کاربردهای خاص مورد استفاده قرار گیرد ، مانند “فلزی سبک اما مستحکم برای ساخت اتومبیل ، یا فلزی که بتواند در برابر تنش ها و درجه حرارت های بالا مقاومت کند. برای موتور جت ، “آرون گیلاد کوسنه ، محقق NIST ، گفت.

اما یافتن چنین مطالب جدیدی معمولاً به تعداد زیادی آزمایش هماهنگ و تحقیقات نظری وقت گیر نیاز دارد. اگر یک محقق به چگونگی تغییر خواص یک ماده با دماهای مختلف علاقه دارد ، ممکن است محقق نیاز به انجام 10 آزمایش در 10 درجه حرارت مختلف داشته باشد. اما دما فقط یک پارامتر است. اگر پنج پارامتر وجود داشته باشد ، هر کدام دارای 10 مقدار است ، بنابراین این محقق باید آزمایش 10 10 10 10 10 10 10 10 10 بار ، در مجموع 100000 آزمایش را انجام دهد. كاسنت گفت ، انجام این آزمایشها به دلیل سالها یا دهه هایی كه ممكن است طول بكشد ، تقریباً غیرممكن است.

CAMEO در اینجا ظاهر می شود. CAMEO که با یک سیستم خودمختار برای تحقیق و بهینه سازی مواد حلقه بسته مخفف شده است ، می تواند اطمینان حاصل کند که هر آزمایش دانش و درک دانشمندان را به حداکثر می رساند ، از آزمایش هایی که اطلاعات اضافی را فراهم می کند ، صرف نظر می کند. کمک به دانشمندان در دستیابی سریعتر به اهداف خود با آزمایش کمتر ، آزمایشگاه ها را قادر می سازد تا از منابع محدود خود به طور موثرتری استفاده کنند. اما CAMEO چگونه توانایی انجام این کار را دارد؟

روش پشت دستگاه

یادگیری ماشینی فرایندی است که در آن برنامه های رایانه ای می توانند به داده ها دسترسی پیدا کرده و آنها را پردازش کنند ، بجای اتکا به یادگیری های متعدد ، خود به خود بهبود می یابند. این اساس CAMEO است ، یک هوش مصنوعی خودآموز که با استفاده از پیش بینی و عدم اطمینان برای تعیین آزمایش بعدی.

همانطور که از نام آن پیداست ، CAMEO با کار در یک حلقه بسته به دنبال ماده جدید مفید است: این آزمایش تعیین می کند کدام آزمایش روی مواد انجام شود ، آزمایش را انجام می دهد و داده ها را جمع آوری می کند. وی همچنین ممکن است قبل از انجام آزمایش بعدی ، اطلاعات بیشتری از جمله ساختار بلوری ماده مورد نظر را از دانشمند درخواست کند ، این آزمایش توسط تمام آزمایشات گذشته انجام شده در چرخه انجام می شود.

ایچیرو تاکهوچی ، محقق علوم و مهندسی مواد و استاد دانشگاه مریلند گفت: “کلید آزمایش ما این بود که ما توانستیم CAMEO را در یک کتابخانه ترکیبی ، جایی که مجموعه بزرگی از مواد با ترکیبات مختلف ساخته بودیم ، آزاد کنیم.” . در یک مطالعه ترکیبی متداول ، هر ماده در آرایه به ترتیب دنبال می شود تا به دنبال ترکیب با بهترین خواص باشد. حتی با تنظیم سریع اندازه گیری ، این زمانبر است. با CAMEO فقط قسمت کوچکی از اندازه گیری های معمول طول کشید تا به بهترین مواد برگردید.

هوش مصنوعی همچنین شامل دانش اصول اصلی ، از جمله دانش شبیه سازی های گذشته و آزمایش های آزمایشگاهی ، نحوه کار تجهیزات و مفاهیم فیزیکی است. به عنوان مثال ، محققان CAMEO را با دانش نقشه برداری فاز مسلح کردند ، که توصیف می کند چگونه آرایش اتمها در یک ماده با ترکیب شیمیایی و دما تغییر می کند.

درک نحوه چیدمان اتمها در یک ماده در تعیین خصوصیات آن از جمله سختی آن یا عایق بندی الکتریکی و میزان مناسب بودن آن برای یک کاربرد خاص بسیار مهم است.

كوسن گفت: “هوش مصنوعی بدون نظارت است. بسیاری از انواع هوش مصنوعی نیاز به آموزش یا نظارت دارند. ما به جای اینكه از او بخواهیم قوانین فیزیك را بیاموزد ، آنها را در AI كدگذاری می كنیم. شما نیازی به شخصی برای آموزش AI ندارید.”

یکی از بهترین راهها برای درک ساختار یک ماده بمباران کردن آن با اشعه ایکس است ، در روشی به نام پراش اشعه X. دانشمندان می توانند با شناسایی زاویه هایی که پرتوهای ایکس در آن پرش می کنند ، چگونگی چیدمان اتم ها در یک ماده را تعیین کنند و به آنها اجازه می دهد ساختار بلوری آن را درک کنند. با این حال ، یک آزمایش پراش اشعه ایکس داخلی می تواند یک ساعت یا بیشتر طول بکشد. در تاسیسات سنکروترون ، جایی که یک ماشین بزرگ به اندازه فوتبال ذرات باردار الکتریکی را با سرعت نزدیک به نور تسریع می کند ، این فرآیند می تواند 10 ثانیه طول بکشد زیرا ذرات دارای حرکت سریع تعداد زیادی اشعه X منتشر می کنند. این روشی است که در آزمایشات انجام شده در منبع پرتو سنکروترون استنفورد (SSRL) به کار رفته است.

این الگوریتم روی رایانه ای نصب می شود که از طریق شبکه داده به دستگاه پراش اشعه X متصل می شود. CAMEO تصمیم می گیرد که کدام ماده را بیشتر مطالعه کند ، انتخاب می کند که اشعه X را برای مطالعه ساختار اتمی آن متمرکز کند. با هر تکرار جدید ، CAMEO از اندازه گیری های گذشته یاد می گیرد و مواد مطالعه بعدی را شناسایی می کند. این به هوش مصنوعی اجازه می دهد تا چگونگی تأثیر مواد بر ساختار آن را بررسی کند و بهترین مواد را برای این کار شناسایی کند.

كوسن گفت: “این فرآیند را به عنوان تلاش برای تهیه ی كیك بی نقص در نظر بگیرید. “شما انواع مختلف مواد ، آرد ، تخم مرغ یا کره را با استفاده از دستور العمل های مختلف برای تهیه بهترین کیک مخلوط می کنید.” با هوش مصنوعی ، او “دستورالعمل ها” یا آزمایشات را جستجو می کند تا بهترین ترکیب برای مواد را تعیین کند.

آیا این روش روشی است که CAMEO مواد را تشخیص می دهد؟ GE؟ _4؟ شنبه؟ _6؟ شما؟ _ (7 ،) ، که گروه به GST467 کوتاه شد. به CAMEO 177 ماده تحقیقاتی بالقوه داده شد که طیف گسترده ای از دستور العمل های ترکیبی را پوشش می دهد. برای رسیدن به این ماده ، CAMEO 19 چرخه آزمایشی مختلف را انجام داد که 10 ساعت طول کشید ، در حالی که یک دانشمند با مجموعه کامل 177 ماده ، 90 ساعت طول می کشد.

مطالب جدید

این ماده از سه عنصر مختلف (ژرمانیوم ، آنتیموان و تلوریم ، Ge-Sb-Te) تشکیل شده است و یک ماده حافظه با تغییر فاز است ، یعنی ساختار اتمی خود را از بلوری تغییر می دهد (ماده جامد با اتم ها در موقعیت های مشخص و صحیح) به آمورف (ماده جامد با اتم در موقعیت های تصادفی) که به سرعت با اعمال گرما ذوب می شود. از این نوع مواد در برنامه های حافظه الکترونیکی مانند ذخیره اطلاعات استفاده می شود. اگرچه تغییرات بی پایان ترکیب در سیستم آلیاژ Ge-Sb-Te امکان پذیر است ، اما ماده جدید GST467 کشف شده توسط CAMEO برای کاربردهای تغییر فاز مطلوب است.

محققان می خواستند CAMEO بهترین آلیاژ Ge-Sb-Te را پیدا کند که بیشترین تفاوت را در “کنتراست نوری” بین حالتهای بلوری و آمورف دارد. به عنوان مثال ، در یک دی وی دی یا دیسک Blu-ray ، کنتراست نوری به لیزر اسکن اجازه می دهد تا دیسک را بخواند ، و بین مناطق دارای بازتاب زیاد یا پایین تفاوت قائل شود. آنها دریافتند که GST467 کنتراست نوری دو برابر دارد؟ GE؟ _2؟ شنبه؟ _2؟ شما؟ _5 ، ماده ای شناخته شده که اغلب برای DVD استفاده می شود. کنتراست بالاتر باعث می شود تا ماده جدید عملکرد قابل توجهی نسبت به ماده قدیمی داشته باشد.

GST467 همچنین برای دستگاههای سوئیچ فوتونی که جهت نور را در یک مدار کنترل می کنند ، کاربردهایی دارد. آنها همچنین می توانند در محاسبات نورومورفیک ، یک زمینه مطالعه متمرکز بر توسعه دستگاههایی که از ساختار و عملکرد سلولهای عصبی در مغز تقلید می کنند ، ایجاد فرصت برای انواع جدید رایانه ها و سایر برنامه های دیگر مانند بازیابی اطلاعات مفید از تصاویر پیچیده متمرکز است. .

برنامه های گسترده تر CAMEO

محققان بر این باورند که CAMEO می تواند برای بسیاری از کاربردهای دیگر مواد نیز مورد استفاده قرار گیرد. کد CAMEO منبع باز است و برای استفاده دانشمندان و محققان آزادانه در دسترس خواهد بود. و برخلاف رویكردهای مشابه یادگیری ماشین ، CAMEO با تمركز بر نسبت تركیب ، ساختار و خصوصیات مواد بلوری ، یك ترکیب مفید جدید را یافته است. به این ترتیب ، الگوریتم در مسیر کشف هدایت می شود و ریشه ساختاری توابع ماده را ردیابی می کند.

یکی از مزایای CAMEO به حداقل رساندن هزینه ها است ، زیرا ارائه ، برنامه ریزی و انجام آزمایشات در تجهیزات سنکروترون به زمان و هزینه نیاز دارد. محققان برای آزمایش ها با استفاده از CAMEO ده برابر کاهش زمان را محاسبه کردند ، زیرا تعداد آزمایش های انجام شده می تواند یک دهم کاهش یابد. از آنجا که هوش مصنوعی اندازه گیری ها را انجام می دهد ، داده ها را جمع آوری می کند و تجزیه و تحلیل را انجام می دهد ، این امر همچنین از دانش دانشمند برای انجام آزمایش می کاهد. آنچه محقق باید بر آن تمرکز کند مدیریت هوش مصنوعی است.

مزیت دیگر توانایی توانایی دانشمندان برای کار از راه دور است. آپوروا مهتا ، محقق آزمایشگاه ملی شتاب دهنده SLAC ، گفت: “این موجی از دانشمندان را باز می کند که بدون اینکه واقعاً در آزمایشگاه باشند ، به کار و بازده خود ادامه می دهند.” این ممکن است بدان معنا باشد که اگر دانشمندان بخواهند درمورد تحقیقات مربوط به بیماری های عفونی یا ویروس ها مانند COVID-19 کار کنند ، می توانند با اطمینان و از راه دور با اتکا به هوش مصنوعی برای انجام آزمایش های آزمایشگاهی ، این کار را انجام دهند.

در حال حاضر ، محققان همچنان به بهبود هوش مصنوعی ادامه می دهند و تلاش می کنند الگوریتم هایی قادر به حل مسائل پیچیده باشند. کوسن گفت: “CAMEO از هوش یک دانشمند ربات برخوردار است و برای طراحی ، اجرا و یادگیری آزمایشات به روشی بسیار م effectiveثر ایجاد شده است.”

SSRL ، محل آزمایش ها ، بخشی از آزمایشگاه ملی شتاب دهنده SLAC است که توسط دانشگاه استنفورد برای وزارت علوم وزارت انرژی آمریکا اداره می شود. محققان SLAC به کنترل آزمایش های انجام شده توسط CAMEO کمک کردند.

محققان دانشگاه مریلند مواد مورد استفاده در آزمایشات را تهیه کردند و محققان دانشگاه واشنگتن این ماده جدید را در دستگاه حافظه تغییر فاز به نمایش گذاشتند.

[ad_2]

منبع: packge-news.ir