معرفی MatterSeek؛ مدل هوش مصنوعی چینی برای کشف و طراحی مواد جدید بر پایه قوانین فیزیک

معرفی

مدل MatterSeek یک مدل بنیادین جامع و مبتنی بر استدلال فیزیکی برای پیش‌بینی مواد جدید (در نسخه بتا) است که توسط شرکت چینی Yuyao Technology توسعه یافته است. صفحه این مدل در پلتفرم Hugging Face از طریق این لینک در Hugging Face و وب‌سایت رسمی محصول نیز در وب‌سایت Yuyao MatterSeek در دسترس قرار دارد.

جایگاه و کاربرد اصلی این سیستم، تحقیق و توسعه مواد معدنی و آلی از طریق طراحی مستقیم و معکوس در فضای یکپارچه «ترکیب، ساختار، فرایند و ویژگی» است که با یک چرخه آزمایشگاهی (Wet-lab) اختصاصی تکمیل می‌شود.

نکات برجسته این مدل عبارت‌اند از:

• شرکت سازنده اعلام کرده است که حدود ۹۲ درصد الگوریتم‌ها به‌صورت بومی توسعه یافته‌اند و این سامانه شامل ۱٬۰۳۵ توصیف‌گر ماده به‌همراه ۱۹۲ زیرمدل تخصصی در ۱۷ شاخه اصلی است.
• قابلیت‌های کلیدی شامل طراحی معکوس (رسیدن از ویژگی‌های هدف به ترکیب، فرایند و ساختار)، فیلتر کردن بر اساس محدودیت‌های عنصری، معیارهای سفارشی برای خواص مواد و مصورسازی چندبعدی است.
• آزمایشگاه داخلی این مجموعه، آزمایش‌های خودکار را به‌صورت ۲۴ ساعته در ۷ روز هفته اجرا می‌کند و داده‌های حاصل را برای آموزش بازگشتی و مستمر به مدل بازمی‌گرداند.
• صفحه این مدل در پلتفرم Hugging Face حدود ۲٬۸۸۸ لایک دریافت کرده و فضای کاری (Space) مرتبط با آن نیز به‌تازگی وارد فهرست ترندهای Hugging Face Spaces شده است.

توضیحات فنی و عملکرد

مسئله اصلی

کشف مواد جدید همچنان نیازمند آزمایش‌های پرشمار و پرهزینه مبتنی بر آزمون‌وخطا است. هدف مدل MatterSeek این است که با استفاده از یک شبکه سلسله‌مراتبی و تحت محدودیت‌های قوانین فیزیک، مواد را غربالگری و به‌صورت معکوس طراحی کند و سپس نتایج را در یک پلتفرم آزمایشگاهی اختصاصی که مدام مدل را به‌روزرسانی می‌کند، اعتبارسنجی نماید.

معماری و داده‌ها (بر اساس توضیحات سازنده)

• شبکه عصبی سلسله‌مراتبی اختصاصی (HNN): یک ستون فقرات مشترک، الگوها و ویژگی‌های میان‌رشته‌ای را یاد می‌گیرد و زیرمدل‌های متخصص بر حسب هر شاخه در بالای آن قرار می‌گیرند. هم‌چنین، یک مکانیسم تنظیم‌کننده منطبق بر قوانین فیزیک، هرگونه نقض تقارن، قوانین پایستگی و اصول ترمودینامیک را جریمه و اصلاح می‌کند.
• نمونه‌هایی از حوزه‌های سطح اول عبارت‌اند از: ابررسانایی، خواص مگنتوکالریک و باروکالریک، ترابرد مغناطیسی، مغناطیس، کاتالیز و سطوح، ترابرد الکترونی، اپتیک، هسته‌ای و تابش، مکانیک، ساختار بلوری، ترموالکتریک، ترمودینامیک، انتقال حرارت، فونون‌ها، فروالکتریک و هم‌چنین فرایند ساخت و هزینه‌ها.
• داده‌های آموزشی عمدتاً از آزمایش‌های اختصاصی با توان عملیاتی بالا و ویژگی‌های استخراج‌شده از مقالات علمی معتبر تشکیل شده‌اند که ساختارهای آن‌ها با نظریه تابعی چگالی (DFT) تکمیل شده است. مقیاس این پایگاه داده شامل چند میلیون رکورد از «ترکیب، ساختار و ویژگی» توصیف شده است.
• دقت مدل بر اساس مجموعه‌داده‌های آزمایشگاهی تفکیک‌شده بر پایه خانواده مواد گزارش شده است. شرکت سازنده می‌گوید هیچ بنچمارک عمومی و استانداردی وجود ندارد که تمام ۱۹۲ متغیر عملکردی را پوشش دهد، بنابراین ادعایی مبنی بر مقایسه مستقیم با سایر مدل‌های هم‌رده مطرح نشده است.

محدودیت‌ها

• این سیستم در مرحله بتا قرار دارد و آمارهای مربوط به بنچمارک‌ها و مقیاس داده‌ها عمدتاً توسط خود شرکت سازنده گزارش شده‌اند.
• این ابزار به‌عنوان یک لایه غربالگری و کمک به تصمیم‌گیری طراحی شده و جایگزینی برای تعیین مشخصات نهایی ماده نیست؛ بنابراین کاربردهای حساس و تحت نظارت نیازمند اعتبارسنجی آفلاین و آزمایشگاهی هستند.
• خارج از پوشش فعلی (۱۷ شاخه و ۱۹۲ زیرمدل)، ترکیب‌های جدید از عناصر و ویژگی‌ها نیازمند توسعه مدل از طریق یاد‌گیری فعال (Active-learning) هستند.

نحوه استفاده

مخاطبان هدف

• تیم‌های تحقیق و توسعه مواد معدنی و آلی، آزمایشگاه‌های با توان عملیاتی بالا و متخصصان انفورماتیک مواد.
• آزمایشگاه‌هایی که گزینه‌های مختلف ترکیب و فرایند ساخت را بر اساس ویژگی‌های هدف رتبه‌بندی می‌کنند.
• پژوهشگرانی که مدل‌های بنیادین علم مواد مبتنی بر قوانین فیزیک و مجهز به چرخه‌های بازخورد آزمایشگاهی را دنبال می‌کنند.

شروع کار

1. صفحه مدل را در پلتفرم Hugging Face مطالعه کرده و به وب‌سایت رسمی پروژه مراجعه کنید.
2. مسیر پیشنهادی پس از ورود به حساب کاربری: وارد کردن دستور به زبان طبیعی یا تعیین ویژگی‌های هدف، اعمال محدودیت‌های عنصری، مشاهده نتایج چندوجهی، خروجی گرفتن از پارامترهای ترکیب و فرایند ساخت و در نهایت اعتبارسنجی آفلاین در آزمایشگاه.
3. به خروجی‌های مدل به‌عنوان یک لایه اولویت‌بندی نگاه کنید و پیش از تولید در مقیاس وسیع، بهترین گزینه‌های پیشنهادی را با روش‌های آزمایشگاهی (مانند XRD یا SEM) به‌دقت بررسی و تحلیل نمایید.
4. برای ویژگی‌هایی که خارج از دسته‌بندی فعلی سیستم قرار دارند، به‌جای فرض پوشش کامل، امکان گسترش زیرمدل‌ها از طریق یاد‌گیری فعال را بررسی و درخواست کنید.