هوش مصنوعی و کشف اتم‌های گمشده؛ دیدن آنچه اشعه ایکس نمی‌بیند!

این دستاورد حاصل همکاری تیمی به رهبری جووانی پیتزی (Giovanni Pizzi) از مرکز محاسبات علمی، تئوری و داده در مؤسسه پاول شرر (PSI) به همراه پژوهشگرانی از دانشگاه‌های پارما و مودنا در ایتالیا است. مقاله این پژوهش در ژورنال npj Computational Materials منتشر شده و نشان می‌دهد چگونه بینایی ماشین (Computer Vision) می‌تواند به تحلیل ساختارهای بلوری ناقص بپردازد.

سیستم‌های تخصصی هوش مصنوعی پیش از این نیز به علم مواد کمک کرده‌اند؛ برای نمونه مدل MatterGen مایکروسافت می‌تواند ساختارهای بلوری پیچیده را صرفاً بر اساس نوع عناصر و نسبت آن‌ها بسازد تا پژوهشگران در شبیه‌سازی‌ها به ارزیابی مواد بالقوه بپردازند. اما در رویکرد جدید، تمرکز بر پر کردن شکاف‌های موجود در ساختارهایی است که قبلاً به‌صورت تجربی ثبت شده‌اند. تکمیل این اطلاعات می‌تواند امکان شبیه‌سازی موادی را فراهم کند که پیش‌تر غیرقابل پردازش بودند و مسیر کشف مواد جدید در حوزه‌هایی مانند ذخیره‌سازی هیدروژن یا ابررساناهای نسل نو را هموارتر سازد.

هیدروژن غایب؛ مانعی در مسیر شبیه‌سازی مواد نوین

تیمو رینتس (Timo Reents)، دانشجوی دکتری در گروه جووانی پیتزی توضیح می‌دهد: «ما برای شبیه‌سازی ویژگی‌های مواد، به اطلاعات پایگاه‌های داده تکیه می‌کنیم تا بدانیم هر اتم دقیقاً در چه مختصاتی از ساختار بلوری جای گرفته است.»

با این حال هیدروژن چالشی همیشگی است. با وجود حضور پررنگ هیدروژن در شبکه‌های بلوری، روش‌های استاندارد پراش پرتو ایکس (X-ray diffraction) توانایی چندانی در ردیابی آن ندارند. در نتیجه، در نقشه‌های بلوری موقعیت هیدروژن یا با خطا ثبت می‌شود یا به‌کلی از قلم می‌افتد.

شبیه‌سازی‌ها برای پیش‌بینی ویژگی‌هایی مثل رسانایی الکتریکی و حرارتی به مختصات اتمی دقیق نیاز دارند. جووانی پیتزی می‌گوید: «نبود اطلاعات اتم‌های هیدروژن مشکلی جدی است؛ زیرا بارها پیش آمده که نتوانسته‌ایم از هزاران ماده با پتانسیل بالا، دقیقاً به همین علت در شبیه‌سازی‌هایمان استفاده کنیم.» همین موضوع انگیزه به‌کارگیری هوش مصنوعی برای بازگرداندن این داده‌ها شد.

ترمیم کریستال با الهام از بینایی ماشین

راهکار این تیم از مدل‌های دیفیوژن (Diffusion Models) در حوزه بینایی ماشین الگوبرداری شده است. در پردازش تصویر، زمانی که مدل بخشی از یک عکس را که ناقص یا مخدوش است بازسازی می‌کند، به این فرآیند «این‌پینتینگ» (Inpainting) می‌گویند؛ مانند بازسازی پنجه پنهان‌شده یک سگ در پس‌زمینه یک عکس.

روش‌های قدیمی ابتدا کل تصویر را با داده‌های تصادفی یا نویز (Noise) می‌پوشاندند و سپس کل صحنه را از نو می‌ساختند. اما در روش‌های پیشرفته امروزی، تمرکز نویز فقط روی بخش‌های ناشناخته و مفقود است و به بخش‌های مشخص دست‌نخورده آسیبی وارد نمی‌شود. این فرآیند انتخابی به مدل اجازه می‌دهد تا با تکیه بر اطلاعات اطراف، آنچه را که در بخش مفقود قرار دارد با دقت استنتاج کند.

مدل متن‌باز XtalPaint؛ بازسازی هوشمند شکاف‌ها

اگرچه این‌پینتینگ گزینشی در پردازش تصویر ابزاری تثبیت‌شده است، اما پیش از این برای بازیابی موقعیت اتم‌ها استفاده نشده بود. تیم پیتزی با توسعه XtalPaint، مدلی متن‌باز بر پایه MatterGen مایکروسافت، این خلاء را پوشش داد.

تیمو رینتس می‌گوید: «این مدل مزایای بینایی ماشین مدرن و بازسازی بلور را ترکیب کرده است؛ نویز فقط به بخش‌های ناشناخته بلور اعمال می‌شود و موقعیت‌های شناخته‌شده تقریباً دست‌نخورده باقی می‌مانند.»

از آنجا که XtalPaint بخش عمده ساختار موجود را حفظ می‌کند، به جای کار با یک بلور کاملاً دستکاری‌شده، از اتم‌های شناخته‌شده به عنوان راهنمای بازسازی استفاده می‌کند. این روند گام‌به‌گام نه‌تنها درصد موفقیت را افزایش می‌دهد، بلکه باعث صرفه‌جویی چشمگیر در توان محاسباتی می‌شود.

بازدهی خیره‌کننده ۹۷ درصدی در آزمایش‌ها

پژوهشگران برای سنجش XtalPaint، ساختارهایی با مختصات مشخص هیدروژن را انتخاب کردند، موقعیت هیدروژن‌ها را حذف کردند و از هوش مصنوعی خواستند جای آن‌ها را مشخص کند.

نتیجه فوق‌العاده بود: در ۸۷ درصد موارد، XtalPaint ساختار دقیق اصلی را بازسازی کرد. در ۱۰ درصد دیگر، پیکربندی‌هایی پایدارتر از داده‌های ثبت‌شده قبلی از نظر سطح انرژی ارائه داد که در مجموع به معنای نرخ موفقیت ۹۷ درصدی است.

این فناوری اکنون آماده است تا داده‌های ناقص هیدروژن در پایگاه‌های داده علم مواد را تکمیل کند و حتی خطاهای ناشی از انتقال نادرست اطلاعات از مقالات علمی را شناسایی و تصحیح نماید. کارکرد این روش فراتر از هیدروژن خواهد بود و می‌تواند برای مکان‌یابی عناصری نظیر لیتیوم و سدیم—عناصر حیاتی در توسعه باتری‌های پیشرفته—نیز مورد استفاده قرار گیرد.