Yeni malzemelerin keşfi insanlığın en büyük zorluklarından bazılarını çözmenin anahtarıdır. Ancak vurgulandığı üzere Microsoftyeni malzemeler keşfetmenin geleneksel yöntemleri “samanlıkta iğne aramak” gibi hissettirebilir.
Tarihsel olarak, yeni malzemelerin bulunması zahmetli ve maliyetli deneme yanılma deneylerine dayanıyordu. Daha yakın zamanlarda, geniş malzeme veritabanlarının hesaplamalı olarak taranması sürecin hızlandırılmasına yardımcı oldu, ancak bu, zaman alıcı bir süreç olarak kaldı.
Artık Microsoft’un güçlü ve yeni bir üretken yapay zeka aracı bu süreci önemli ölçüde hızlandırabilir. MatterGen olarak adlandırılan araç, geleneksel tarama yöntemlerinden uzaklaşıyor ve bunun yerine doğrudan tasarım gereksinimlerine dayalı yeni malzemeler tasarlıyor ve malzeme keşfine potansiyel olarak oyunun kurallarını değiştiren bir yaklaşım sunuyor.
Bir gazetede yayınlandı DoğaMicrosoft, MatterGen’i malzemelerin 3 boyutlu geometrisi içinde çalışan bir yayılma modeli olarak tanımlıyor. Bir görüntü yayma modeli, piksel renklerini değiştirerek metin istemlerinden görüntüler üretirken, MatterGen rastgele yapılardaki öğeleri, konumları ve periyodik kafesleri değiştirerek malzeme yapıları oluşturur. Bu özel mimari, periyodiklik ve 3 boyutlu düzenlemeler gibi malzeme biliminin benzersiz taleplerini karşılamak için özel olarak tasarlanmıştır.
Microsoft, “MatterGen, sınırlı bilinenlerin ötesine geçerek malzemelerin verimli bir şekilde araştırılmasına olanak tanıyan yeni bir üretken yapay zeka destekli malzeme tasarımı paradigmasını mümkün kılıyor” diye açıklıyor.
Gösterimin ötesine geçen bir adım
Geleneksel hesaplamalı yöntemler, istenen özelliklere sahip adayları belirlemek için potansiyel malzemelerden oluşan devasa veri tabanlarının taranmasını içerir. Ancak bu yöntemlerin bile bilinmeyen materyaller evrenini keşfetme yetenekleri sınırlıdır ve araştırmacıların gelecek vaat eden adayları bulmadan önce milyonlarca seçeneği gözden geçirmesini gerektirir.
Buna karşılık MatterGen sıfırdan başlıyor; kimya, mekanik özellikler, elektronik özellikler, manyetik davranış veya bu kısıtlamaların kombinasyonları hakkındaki belirli bilgilere dayanarak materyaller üretiyor. Model, Material Project ve Alexandria veritabanlarından derlenen 608.000’den fazla kararlı malzeme kullanılarak eğitildi.
Aşağıdaki karşılaştırmada MatterGen, belirli özelliklere sahip, özellikle de 400 GPa’dan büyük kütle modülüne sahip, yani sıkıştırılmaları zor olan yeni malzemeler üretmede geleneksel tarama yöntemlerinden önemli ölçüde daha iyi performans gösterdi.
Tarama, bilinen aday havuzunun tükenmesiyle zamanla azalan getiriler sergilerken, MatterGen giderek daha yeni sonuçlar üretmeye devam etti.
Malzeme sentezi sırasında karşılaşılan yaygın zorluklardan biri bileşim bozukluğudur; atomların bir kristal kafes içinde rastgele konum değiştirdiği olgudur. Geleneksel algoritmalar, neyin “gerçekten yeni” malzeme sayılacağına karar verirken genellikle benzer yapılar arasında ayrım yapmakta başarısız olur.
Bu sorunu çözmek için Microsoft, bileşimsel bozukluğu değerlendirmelerine dahil eden yeni bir yapı eşleştirme algoritması geliştirdi. Araç, iki yapının yalnızca altta yatan aynı düzensiz yapının sıralı yaklaşımları olup olmadığını tanımlayarak yeniliğin daha sağlam tanımlarını mümkün kılar.
MatterGen’in malzeme keşfi için çalıştığını kanıtlamak
MatterGen’in potansiyelini kanıtlamak için Microsoft, yapay zeka tarafından tasarlanan yeni bir materyali deneysel olarak sentezlemek üzere Çin Bilimler Akademisi’nin bir parçası olan Shenzhen İleri Teknoloji Enstitüleri’ndeki (SIAT) araştırmacılarla işbirliği yaptı.
TaCr₂O₆ malzemesi, MatterGen tarafından 200 GPa’lık bir toplu modül hedefini karşılamak üzere üretildi. Deneysel sonuç, 169 GPa’lık bir modülü ölçen hedefin biraz gerisinde kalsa da, göreceli hata sadece %20 idi; deneysel açıdan bakıldığında küçük bir farklılık.
İlginç bir şekilde, son malzeme Ta ve Cr atomları arasında bileşimsel bir bozukluk sergiledi, ancak yapısı modelin öngörüsüyle yakından uyumluydu. Bu seviyedeki tahmin doğruluğu diğer alanlara da aktarılabilirse MatterGen’in piller, yakıt hücreleri, mıknatıslar ve daha fazlasına yönelik malzeme tasarımları üzerinde derin bir etkisi olabilir.
Microsoft, MatterGen’i önceki yapay zeka modelini tamamlayıcı bir araç olarak konumlandırıyor. MatterSimmalzeme özelliklerinin simülasyonlarını hızlandırır. Araçlar hep birlikte teknolojik bir “volan” görevi görerek hem yeni malzemelerin araştırılmasını hem de bunların özelliklerinin yinelemeli döngülerde simülasyonunu geliştirebilir.
Bu yaklaşım, Microsoft’un “bilimsel keşfin beşinci paradigması” olarak adlandırdığı, yapay zekanın örüntü tanımanın ötesine geçerek deneylere ve simülasyonlara aktif olarak rehberlik ettiği yaklaşımla uyumludur.
Microsoft MatterGen’i yayınladı kaynak kodu MIT lisansı altında. Ekip, kodun yanı sıra, daha fazla araştırmayı desteklemek ve bu teknolojinin daha geniş çapta benimsenmesini teşvik etmek için modelin eğitim ve ince ayar veri kümelerini de kullanıma sundu.
Üretken yapay zekanın daha geniş bilimsel potansiyelini yansıtan Microsoft, ilaç keşfiyle paralellikler kuruyor; bu tür araçlar, araştırmacıların ilaç tasarlama ve geliştirme biçimini çoktan dönüştürmeye başlamış durumda. Benzer şekilde MatterGen, özellikle yenilenebilir enerji, elektronik ve havacılık mühendisliği gibi kritik alanlar için malzeme tasarımına yaklaşımımızı yeniden şekillendirebilir.
(Resim kredisi: Microsoft)
Ayrıca bakınız: L’Oréal: Üretken yapay zeka ile kozmetik ürünlerini sürdürülebilir hale getiriyoruz
Sektör liderlerinden yapay zeka ve büyük veri hakkında daha fazla bilgi edinmek ister misiniz? Çıkış yapmak Yapay Zeka ve Büyük Veri Fuarı Amsterdam, Kaliforniya ve Londra’da gerçekleşiyor. Kapsamlı etkinlik, aşağıdakiler de dahil olmak üzere diğer önde gelen etkinliklerle aynı yerde bulunuyor: Akıllı Otomasyon Konferansı, BlockX, Dijital Dönüşüm HaftasıVe Siber Güvenlik ve Bulut Fuarı.
TechForge tarafından desteklenen diğer yaklaşan kurumsal teknoloji etkinliklerini ve web seminerlerini keşfedin Burada.
