هوش مصنوعی به دانشمندان کمک میکند مواد جدید طراحی کنند
هوش مصنوعی در طراحی مواد جدید
که در دنیای واقعی کار میکنند
📅 منبع: MIT News | 26 اوت 2026
🎣 قلاب دانشآموزی
«اگر هوش مصنوعی بتواند میلیونها ماده جدید بسازد، چرا فقط تعداد کمی از آنها واقعاً به کار میآیند؟»
🧩 مشکل اصلی: ناپایداری شیمیایی
مدلهای فعلی هوش مصنوعی میتوانند ساختار مواد را با سرعت بالا تولید کنند، اما در نظر گرفتن پایداری شیمیایی برایشان دشوار است. به همین دلیل، صنایع مجبورند بخش بزرگی از بودجه محاسباتی خود را صرف غربال کردن مواد ناپایدار کنند. به گفته پژوهشگران MIT، این مرحله اعتبارسنجی حدود 90 درصد هزینه محاسباتی تولید مواد قابل استفاده را به خود اختصاص میدهد و ممکن است هفتهها یا ماهها طول بکشد.
شرکتهای بزرگ با بودجههای کلان میتوانند این هزینه را بپردازند، اما بسیاری از شرکتهای کوچک و آزمایشگاههای دانشگاهی نمیتوانند — و این موضوع نوآوری را محدود میکند.
🧠
ترکیب مدل زبانی و انتشار
مدل زبانی فرمولهای معتبر شیمیایی میسازد و مدل انتشار ساختار اتمی را تولید میکند
⚡
کاهش مراحل محاسباتی
به جای حدود 1000 مرحله، تنها چند مرحله برای تولید مواد پایدار
♻️
افزایش پایداری
دستیابی به پایداری دینامیک شبکه در نزدیک به 70 درصد تولیدها
🔌
سازگار با هر مدلی
مانند «پخشکننده DVD» عمل میکند و به هر مدلی متصل میشود
💡 راهحل: چارچوب CrysVCD
پژوهشگران MIT رویکردی به نام CrysVCD (تولیدکننده کریستال با طراحی مقید به ظرفیت الکترونی) توسعه دادهاند که پیش از مرحله پرهزینه تولید، تضمین میکند هر طرح از قواعد کلیدی شیمی مربوط به الکترونهای اطراف اتمها پیروی کند.
مینگدا لی، استادیار مهندسی علوم هستهای MIT، میگوید: «اگر مدلهای تولید مواد مانند DVD باشند، ما نقش پخشکننده DVD را داریم. میتوانید این ابزار را به هر نوع مدلی متصل کنید — نه تنها مدلهای انتشار فعلی، بلکه مدلهای آینده — و پایداری را بهبود دهید.»
🎯 چرا این خبر برای آموزش مهم است؟
- پیوند شیمی و AI: نمونهای عملی از بهکارگیری هوش مصنوعی در علوم پایه
- تفکر الگوریتمی: نشان میدهد چگونه میتوان با «قیدگذاری» در ابتدای فرآیند، هزینه را کاهش داد
- عدالت در پژوهش: این ابزار به آزمایشگاههای کوچک و دانشگاهی هم امکان نوآوری میدهد
- کاربرد صنعتی: مواد با رسانایی حرارتی بالا برای خنکسازی مراکز داده و تراشهها
- آینده شغلی: آشنایی با مشاغل جدید در تقاطع مواد، شیمی و هوش مصنوعی
📊 نتایج و کاربردهای واقعی
پژوهشگران نشان دادند که رویکرد آنها به اندازه یک مرتبه بزرگی کارآمدتر از روشهایی است که مواد را بعد از تولید غربال میکنند. با تنظیم دقیق روی معیارهای پایداری، مواد کریستالی تولیدشده به 68 درصد پایداری مکانیکی و 8۵ درصد شبهپایداری رسیدند.
- ✅ رسانایی حرارتی بالا: برای خنکسازی مراکز داده (۳0 درصد انرژی این صنعت صرف خنکسازی میشود)
- ✅ ثابت دیالکتریک بالا: برای تراشههای کامپیوتری
- ✅ قطبشپذیری آسان: برای کاربردهای الکترونیکی
- ✅ صرفهجویی محاسباتی: حذف نیاز به غربالگری پرهزینه پاییندستی
نظر دهید