یادگیری ماشین، طراحی مواد پیشرفته را سرعت می بخشد

به لطف یادگیری ماشین (Machine Learning)، طراحی مواد برای فناوری های پیشرفته و جدید می تواند بسیار شتاب گیرد. یک تیم تحقیقاتی در آزمایشگاه های ملی Sandia در ایالات متحده، با موفقیت از یادگیری ماشین برای تکمیل محاسبات دست و پاگیر علوم مواد استفاده کرده است.

در این آزمایش، محاسبات طراحی مواد با سرعتی بیش از 40000 برابر سریعتر از حد نرمال اجرا شده است. آنچه که به این سرعت شگفت انگیز می انجامد، چیزی نیست جز ذات یادگیری ماشین. یعنی به کارگیری الگوریتم های کامپیوتری که از طریق الگوهای یادگیری خودشان را تقویت می کنند.

نتایج این گروه تحقیقاتی که به تاریخ 4 ژانویه در نشریه NPJ Computational Materials منتشر شده است، می تواند شتاب چشمگیری در فناوری های جدید برای اپتیک، هوافضا، ذخیره انرژی و به طور بالقوه در مهندسی پزشکی ایجاد کند.

«دیوید مونتس دو اوکا زاپیائین» دانشمند حوزه محاسبات مواد در Sandia که به مدیریت این تحقیقات کمک کرده است، در این باره گفته است:

ما چرخه طراحی را کوتاه می کنیم. امروزه علم طراحی اجزا به شدت از طراحی موادی که برای ساخت آن ها نیاز خواهید داشت، جلوتر است. ما می خواهیم این را تغییر دهیم. هنگامی که شما یک مولفه را طراحی کردید، ما با سرعتی بالا، یک ماده سازگار برای آن مولفه طراحی می کنیم. روندی که تا امروز سال ها طول می کشید! این تحقیق که توسط برنامه علوم بنیادی انرژی وزارت انرژی ایالات متحده تأمین مالی شده است، در مرکز فناوری های نانوی ایالات متحده و توسط آزمایشگاه های ملی Sandia و Los Alamos انجام گرفته است.

یادگیری ماشین، شبیه سازی های گران قیمت را سرعت می بخشد

محققان Sandia از یادگیری ماشین برای تسریع در شبیه سازی رایانه ای استفاده کردند. این شبیه سازی ها پیش بینی می کند چگونه تغییر طرح یا فرایند ساخت (مانند تغییر مقادیر فلزات در یک آلیاژ) روی ماده نهایی تأثیر می گذارد.

در حالت نرمال، یک پروژه ممکن است به هزاران شبیه سازی نیاز داشته باشد که اجرای آن ممکن است هفته ها، ماه ها یا حتی سال ها به طول بیانجامد. این تیم یک شبیه سازی مستقل را روی یک خوشه محاسباتی با کارایی بالا با 128 هسته پردازشی (یک کامپیوتر خانگی معمولی دارای دو تا شش هسته پردازشی) در 12 دقیقه به ثبت رساند.

اما جالب است بدانید که با یادگیری ماشین، همین شبیه سازی 60 میلی ثانیه طول کشید و فقط از 36 هسته (42000 برابر سریعتر در مقایسه با رایانه های یکسان) استفاده شد. این بدان معناست که محققان اکنون می توانند در کمتر از 15 دقیقه آنچه را که معمولاً یک سال به طول می انجامد، بدانند.

الگوریتم جدید Sandia به پاسخی رسید که 5٪ متفاوت از نتیجه شبیه سازی های استاندارد بود. یعنی یک پیش بینی بسیار دقیق و مطابق با اهداف این تیم.  «رمی دینگرویل» دانشمند مواد در Sandia که در این پروژه کار می کرد، گفته است:

چارچوبی که یادگیری ماشین ما در آن کار می کند، اساساً به همان دقت مدل سازی با کیفیت بالا، اما با کسری از هزینه محاسبات دست می یابد.

مزایایی که تنها منحصر به مواد نخواهند بود …

تیم تحقیقاتی این پروژه، قصد دارند ابتدا از الگوریتم خود برای تحقیق در مورد فناوری های نوری فوق العاده باریک برای مانیتورها و صفحات نمایش نسل بعدی استفاده کنند. این تحقیقات می توانند بسیار مفید واقع شوند، زیرا شبیه سازی که این گروه تسریع کرده است، یک رویداد معمول را توصیف می کند: تغییر یا تکامل اجزای میکروسکوپی سازنده یک ماده در طول زمان.

قبلاً از یادگیری ماشین برای شبیه سازی میانبرهایی استفاده شده است که نحوه تغییر تعاملات بین اتم ها و مولکول ها را در طول زمان محاسبه می کرد. با این حال، نتایج منتشر شده اولین استفاده از یادگیری ماشین را برای تسریع در شبیه سازی مواد در مقیاس های نسبتاً بزرگ و میکروسکوپی نشان می دهند.

به عنوان مثال، دانشمندان اکنون می توانند به سرعت شبیه سازی کنند که چگونه قطرات کوچک فلز ذوب شده هنگام خنک شدن و انجماد روی هم قرار می گیرند یا برعکس، چگونه یک مادۀ مخلوط هنگام ذوب شدن به لایه های اجزای تشکیل دهندۀ آن تجزیه می شود.

بسیاری از پدیده های طبیعی دیگر، از جمله تشکیل پروتئین ها، از الگوی مشابهی پیروی می کنند. البته تیم Sandia الگوریتم یادگیری ماشین را در مورد شبیه سازی پروتئین ها آزمایش نکرده است. اما این گروه علاقه مند است که این احتمال را در آینده کشف کند.

در عصر حاضر، آزمایشگاه های ساندیا مسئولیت های عمده تحقیق و توسعه را در زمینه بازدارندگی هسته ای، امنیت جهانی، دفاع، فناوری های انرژی و رقابت اقتصادی به عهده دارند. این مراکز با داشتن امکانات مطلوب علمی و فنی در آلبوکرک، نیومکزیکو، لیورمور و کالیفرنیا واقع شده اند.

منبع

www.azom.com