پژوهشگران IISc و UCL روش‌های نوآورانه‌ای در یادگیری ماشین توسعه داده‌اند که امکان پیش‌بینی خواص مواد با داده‌های محدود را فراهم می‌کند. این تکنیک‌ها که بر پایه یادگیری انتقالی طراحی شده‌اند، به مقابله با کمبود داده پرداخته و خواصی مانند شکاف باند و انرژی تشکیل را با دقت بیشتری پیش‌بینی می‌کنند. پیشرفت در پیش‌بینی خواص مواد با یادگیری ماشین می‌تواند به کشف‌های سریع‌تر در حوزه علم مواد کمک کرده و در زمینه‌هایی مانند ذخیره‌سازی انرژی و تولید نیمه‌رسانا کاربردهای گسترده‌ای داشته باشد.
پیش‌بینی هوشمندانه‌ی خواص مواد با داده‌های کم
در دنیای امروز که کشف مواد جدید، موتور محرک پیشرفت فناوری است، پژوهشگران مؤسسه‌ی علوم هند (IISc) و دانشگاه کالج لندن (UCL) روشی پیشرفته مبتنی بر یادگیری ماشین ارائه داده‌اند. این روش، حتی با داده‌های اندک، قادر به پیش‌بینی خواص مواد است. این موفقیت، از یادگیری انتقالی برای استخراج اطلاعات ارزشمند و غلبه بر چالش کمبود داده‌های تجربی بهره می‌برد.
مشکل کمبود داده در علم مواد
روش‌های سنتی تعیین خواص مواد، مانند شکاف باند الکترونیکی یا خواص مکانیکی، نیازمند آزمایش‌های فراوان است. این آزمایش‌ها علاوه بر هزینه‌بر بودن، زمان زیادی نیز می‌طلبند. در نتیجه، پژوهشگران با داده‌های محدودی برای آموزش مدل‌های یادگیری ماشین روبرو هستند. این محدودیت، مدت‌هاست مانع پیشرفت در توسعه‌ی مواد جدید برای کاربردهایی چون نیمه‌رساناها و دستگاه‌های ذخیره‌سازی انرژی شده است.
یادگیری انتقالی: راهکاری برای داده‌های اندک
برای غلبه بر این مشکل، تیم تحقیقاتی به سرپرستی سای گوتام گوپالاکریشنان از IISc، از یادگیری انتقالی استفاده کرده است. در این روش، ابتدا یک مدل یادگیری ماشین بر روی مجموعه‌ی داده‌ی بزرگ و متنوعی آموزش داده می‌شود. سپس، این مدل با استفاده از مجموعه‌ی داده‌ی کوچک‌تر و مختص هدف، تنظیم و دقیق‌تر می‌شود. با تسلط اولیه بر وظایف اساسی، مدل می‌تواند به طور مؤثرتری با اهداف خاص و جزئی‌تر سازگار شود.
برای مثال، در یادگیری انتقالی، می‌توان مدلی را برای تشخیص تصاویر گربه آموزش داد و سپس آن را برای شناسایی بافت‌های سرطانی در تصاویر پزشکی تنظیم کرد. با به‌کارگیری این روش در علم مواد، می‌توان خواصی مانند ثابت دی‌الکتریک یا ضریب پیزوالکتریک را با دقت بالایی پیش‌بینی کرد.
شبکه‌های عصبی گراف و پیش‌آموزش چندخاصیتی
کلید اصلی این نوآوری، استفاده از شبکه‌های عصبی گراف (GNN) است. این معماری برای تحلیل داده‌های ساختار یافته به شکل گراف، مانند ساختارهای کریستالی سه‌بعدی مواد، بسیار مناسب است. در این ساختار، گره‌ها نشان‌دهنده‌ی اتم‌ها و یال‌ها نشان‌دهنده‌ی پیوندها هستند. این ویژگی به مدل اجازه می‌دهد تا روابط پیچیده‌ی ساختاری را درک کند.
پژوهشگران، معماری GNN را بهینه‌سازی کرده و آن را با داده‌هایی که هفت خاصیت مختلف مواد حجیم را پوشش می‌دهند، در چارچوبی به نام پیش‌آموزش چندخاصیتی (MPT) آموزش داده‌اند. این روش، توانایی تعمیم مدل را به طور چشمگیری افزایش داده و آن را قادر می‌سازد تا حتی خواصی را که در فرآیند آموزش ندیده است، مانند شکاف باند در مواد دوبعدی، پیش‌بینی کند.
کاربردهای عملی و مسیرهای آینده
نتایج این پژوهش بسیار مهم است. این تیم از مدل خود برای بررسی حرکت یون‌ها در الکترودهای باتری استفاده می‌کند که عاملی حیاتی در توسعه‌ی سیستم‌های پیشرفته‌ی ذخیره‌سازی انرژی است. همچنین، این مدل نوید پیش‌بینی نقص‌ها در نیمه‌رساناها را می‌دهد که با هدف هند برای تقویت تولید داخلی نیمه‌رساناها هم‌راستا است.
گوپالاکریشنان می‌گوید: «روش ما می‌تواند با کاهش وابستگی به داده‌های تجربی گسترده، انقلابی در کشف مواد ایجاد کند.» با بهبود و اصلاح بیشتر، این روش می‌تواند نوآوری را در صنایع مختلف، از انرژی‌های تجدیدپذیر تا الکترونیک، سرعت بخشد.
منبع
برای اطلاعات بیشتر به مقاله‌ی زیر مراجعه کنید: رشما دیوی و همکاران، «استراتژی‌های بهینه پیش‌آموزش/تنظیم دقیق برای پیش‌بینی دقیق خواص مواد»، npj Computational Materials (2024). DOI: 10.1038/s41524-024-01486-1
اگر به خواندن کامل این مطلب علاقه‌مندید، روی لینک مقابل کلیک کنید: techxplore.com
