استخدام الذكاء الاصطناعي لاكتشاف مواد الطاقة النظيفة “بشكل أسرع وأكثر كفاءة”

كتب مصطفى شعبان

طور باحثون في جامعة تورنتو طريقة لتسخير الذكاء الاصطناعي لاكتشاف مواد جديدة، وأكثر كفاءة لتكنولوجيا الطاقة النظيفة.

استخدم فريق بقيادة ألكس فوزني، الأستاذ المساعد في قسم العلوم الفيزيائية والبيئية في U of T Scarborough ، التعلم الآلي لتسريع مقدار الوقت اللازم للعثور على مواد جديدة ذات الخصائص المرغوبة.

يقول فوزني، الذي يتناول بحثه تطوير مواد جديدة لبطاريات الليثيوم أيون، وتخزين الهيدروجين، واحتجاز ثاني أكسيد الكربون والخلايا الشمسية: “نحاول إيجاد بدائل أفضل للمواد التي لدينا حاليًا”، “قد يعني هذا تطوير مواد جديدة تمامًا أو استخدام مواد نعرف عنها بالفعل ولكننا لم نفكر مطلقًا في استخدامها في تطبيقات الطاقة النظيفة.”

يقول فوزني، إن المشكلة الرئيسية في المواد المستخدمة حاليًا في تقنيات الطاقة النظيفة هي أنها إما باهظة الثمن أو غير فعالة أو في حدود قدراتها، الهدف، هو إنشاء مواد جديدة وأفضل من خلال الجمع بين عناصر من العناصر الموجودة.

يعتمد نموذج التعلم الآلي على البيانات الموجودة في مشروع المواد، وهو قاعدة بيانات مفتوحة المصدر تضم أكثر من 140 ألف مادة معروفة تم تطويرها خلال العقد الماضي، يحتوي على معلومات حول مكونات المواد المعروفة، بما في ذلك التركيب البلوري والتركيب الجزيئي والكثافة وتوصيل الطاقة والاستقرار.

معرفة مدى استقرار المادة الجديدة

لمعرفة مجموعة المواد الموجودة التي يمكن أن تؤدي إلى بطارية ليثيوم أيون أفضل، على سبيل المثال، يقول فوزني، إنها قد تتطلب معرفة مدى استقرار المادة الجديدة ومقدار الطاقة التي يمكن تخزينها.

يكمن التحدي في أن الحسابات المطلوبة للقيام بهذا العمل لا تتناسب جيدًا. تتطلب المواد الأكثر تعقيدًا مثل السبيكة ضعف عدد الذرات لتشفيرها، مما يجعلها أبطأ أربع مرات في الحساب باستخدام الطرق التقليدية.

يعتمد إجراء هذه الأنواع من الحسابات حاليًا على نهج كيمياء الكم الذي يشير إليه فوزني بـ “الحوسبة بالقوة الغاشمة” لأنها بطيئة وتستهلك قدرًا كبيرًا من القوة الحاسوبية.

إعداد البيانات التي ستتنبأ بنفس النتيجة

على النقيض من ذلك، يمكن للنموذج الذي طوره فريق فوزني، إجراء هذه الحسابات أسرع 1000 مرة، يقول فوزني، الذي يدير مختبر الطاقة النظيفة في يو أوف تي سكاربورو: “فلسفتنا هي أننا لا نريد قضاء 10 سنوات أخرى في إعداد البيانات التي ستتنبأ بنفس النتيجة”، “نريد أن نكون قادرين على التنبؤ بالمواد الجديدة بشكل أسرع وأكثر كفاءة حتى نتمكن من البدء في إنشاء هذه المواد فعليًا في وقت أقرب وبتأكيد أكبر أنها ستعمل.”

كانت النماذج السابقة قادرة على إعادة إنتاج ثبات المواد المعروفة، لكنها لم تستطع التنبؤ بالمواد ذات الهياكل البلورية غير المعروفة، وهو ما يشير إلى الطريقة التي يتم بها ترتيب الذرات والأيونات والجزيئات في المادة – وهو عامل أساسي في تحديد خصائصها الفيزيائية، من خلال تدريب النموذج الجديد على شيء يسمى الهياكل المشوهة، فإنه يوفر نظرة ثاقبة حول كيفية أداء المواد الجديدة تحت الضغط ويسمح للنموذج بتخفيف البنية البلورية لتكوينها الأكثر استقرارًا.

يقول فوزني: “إن معرفة الهندسة البلورية الدقيقة أمر ضروري للتنبؤ بدقة بالشكل الذي ستبدو عليه خصائص المواد الجديدة وكيفية أدائها”، “هذه الطريقة تسرع هذه العملية بشكل كبير وتفتح الكثير من الاحتمالات.”

استخدم فريق فوزني Niagara ، حاسوب U of T الفائق الموجود في مركز SciNet ، لإجراء العمليات الحسابية للدراسة، التي نُشرت في مجلة Patterns .

تابعنا على تطبيق نبض