ردیابی سریع جستجوی مواد کم مصرف با یادگیری ماشین

دانشجوی دکتری، نینا آندریویچ تکنیک‌های یادگیری ماشین را برای شناسایی ویژگی‌های جدید و ارزشمند ماده ترکیب می‌کند.

نینا آندریویچ که در خانواده ای معمار به دنیا آمد، در دوران کودکی در صربستان عاشق کشیدن نقاشی از خانه و سایر ساختمان ها بود. او و خواهر دوقلویش این اشتیاق را به همراه ریاضیات و علوم مشترک داشتند. به گفته آندریویچ، کاندیدای دکترای علوم و مهندسی مواد در MIT، با گذشت زمان، این علایق در مسیری علمی قرار گرفتند که ویژگی‌هایی با حرفه خانواده اش نیز داشت. و اینگونه بود که نینا آندریویچ تکنیک‌های یادگیری ماشین را برای شناسایی ویژگی‌های جدید و ارزشمند ماده ترکیب کرد.
او می‌گوید: «معماری یک زمینه خلاقانه و هم فنی است، جایی که شما سعی می‌کنید ویژگی‌هایی را که می‌خواهید برای انواع خاصی از عملکردها، مانند اندازه یک ساختمان، یا چیدمان اتاق‌های مختلف یک خانه، بهینه کنید». او معتقد است که کار آندریویچ در زمینه یادگیری ماشین شبیه به کار معماران است: "ما از یک سایت خالی شروع می کنیم - یک مدل ریاضی که پارامترهای تصادفی دارد - و هدف ما آموزش این مدل به نام شبکه عصبی است تا عملکرد مورد نظر ما را داشته باشد. ”
آندریویچ مشاور دکترا مینگدا لی، استادیار دپارتمان علوم و مهندسی هسته ای است. او به‌عنوان دستیار پژوهشی در گروه اندازه‌گیری کوانتومی لی، مدل‌های یادگیری ماشینی خود را برای شکار ویژگی‌های جدید و مفید در مواد آموزش می‌دهد.
یکی از زمینه های مورد توجه ویژه برای گروه او مواد توپولوژیکی{ به خواص هندسی اشیاء مربوط می‌شود که تحت تغییر شکل‌های پیوسته چون کشیدگی، پیچش، مچاله کردن و خم کردن حفظ شده، اما تحت پارگی یا چسباندن حفظ نمی‌شوند.} است. او می‌گوید: «این مواد یک فاز عجیب از ماده هستند که می‌توانند الکترون‌ها را بدون اتلاف انرژی روی سطح منتقل کنند. این باعث می‌شود که آنها برای ساخت فناوری های کارآمدتر انرژی، بسیار جالب باشند.»
Andrejevic با خواهرش Jovana، کاندیدای دکترای فیزیک کاربردی در دانشگاه هاروارد، روشی را برای آزمایش نمونه‌های مواد برای پیش‌بینی وجود ویژگی‌های توپولوژیکی ایجاد کرده است که سریع‌تر و متنوع‌تر از روش‌های دیگر است.

او می‌گوید اگر هدف نهایی «تولید فناوری‌های با عملکرد بهتر و صرفه‌جویی در انرژی است، ابتدا باید بدانیم که کدام مواد کاندیدهای خوبی برای این کاربردها هستند، و این چیزی است که تحقیقات ما می‌تواند به تأیید آن کمک کند.»
بذرهای این تحقیق بیش از یک سال پیش کاشته شدند. آندریویچ می‌گوید: «من و خواهرم همیشه می‌گفتیم که انجام یک پروژه با هم خیلی خوب است، و وقتی مینگدا این مطالعه مواد توپولوژیکی را پیشنهاد کرد، به ذهنم رسید که می‌توانیم این یک همکاری رسمی باشد. او
کار پایان نامه آندریویچ، که پروژه های متعددی را در بر می گیرد، از تکنیک های طیف سنجی تخصصی و تجزیه و تحلیل داده ها استفاده می کند، که با یادگیری ماشین تقویت شده است، که می تواند الگوها را در مقادیر وسیعی از داده ها به طور موثرتری حتی از پرتوان ترین رایانه ها پیدا کند.
او می‌گوید: «رشته وحدت‌بخش در میان تمام پروژه‌های من، این ایده تلاش برای تسریع یا بهبود درک خود در هنگام استفاده از این ابزارهای شخصیت‌پردازی است، و از این طریق اطلاعات مفیدتری نسبت به مدل‌های سنتی یا تقریبی‌تر به‌دست می‌آوریم». تحقیقات این دوقلوها در مورد مواد توپولوژیکی به عنوان نمونه مورد استفاده قرار می گیرد.
به منظور کشف خواص جدید و بالقوه مفید مواد، محققان باید آنها را در مقیاس اتمی و کوانتومی مورد بازجویی قرار دهند. تکنیک‌های طیف‌سنجی نوترونی و فوتونی می‌توانند به گرفتن ساختارها و دینامیک ناشناخته قبلی کمک کنند و تعیین کنند که چگونه گرما، میدان‌های الکتریکی یا مغناطیسی و استرس مکانیکی بر مواد در سطح لیلیپوتی تأثیر می‌گذارند. قوانین حاکم بر این قلمرو، که در آن مواد آنطور که ممکن است در مقیاس کلان رفتار نمی کنند، قوانین مکانیک کوانتومی است.
رویکردهای تجربی فعلی برای شناسایی مواد توپولوژیکی از نظر فنی و غیر دقیق چالش برانگیز هستند و به طور بالقوه نامزدهای قابل دوام را حذف می کنند. خواهران بر این باور بودند که می توانند با استفاده از یک تکنیک تصویربرداری به طور گسترده کاربردی، به نام طیف سنجی جذب اشعه ایکس (XAS) و جفت شدن با یک شبکه عصبی آموزش دیده، از این مشکلات جلوگیری کنند. XAS پرتوهای متمرکز پرتو ایکس را به درون ماده می فرستد تا به ترسیم هندسه و ساختار الکترونی آن کمک کند. داده‌های تشعشعی که ارائه می‌کند، نشانه‌ای منحصر به فرد برای مواد نمونه‌گیری شده را ارئه می دهند.
آندریویچ می‌گوید: «ما می‌خواستیم یک شبکه عصبی ایجاد کنیم که بتواند توپولوژی را از امضای XAS یک ماده شناسایی کند،به نحوی این نوع اندازه‌گیری در دسترس‌تر از روش‌های دیگر است».
در پی این پروژه این محقق، امیدوار است که این امکان ایجاد شود، تا دسته بسیار گسترده تری از مواد توپولوژیکی بالقوه را غربال کنند.
در طی ماه‌ها، محققان اطلاعات شبکه عصبی خود را از دو پایگاه داده تغذیه کردند: یکی حاوی موادی بود که از نظر تئوری پیش‌بینی می‌شد توپولوژیکی هستند و دیگری حاوی داده‌های جذب پرتو ایکس برای طیف وسیعی از مواد بود.
تکنیک این دو پژوهشی نتایج امیدوارکننده‌ای را نشان داده است. آندریویچ می‌گوید: «برای من، هیجان این پروژه‌های یادگیری ماشینی دیدن برخی الگوهای اساسی و درک آن‌ها از نظر مقادیر فیزیکی است.»

حرکت به سمت مطالعات مواد
در اولین سال تحصیلی خود در دانشگاه کرنل بود که آندریویچ برای اولین بار لذت نگاه کردن به موضوع را در سطحی صمیمی تجربه کرد. پس از گذراندن دوره ای در علوم و مهندسی نانو، او به یک گروه تحقیقاتی برای تصویربرداری از مواد در مقیاس اتمی پیوست. او می‌گوید: «احساس می‌کنم که فردی بسیار بصری هستم، و این ایده که بتوانم چیزهایی را ببینم که تا آن لحظه فقط معادلات یا مفاهیم بودند - واقعاً هیجان‌انگیز بود». و همین تجربه وی را به حوزه علم مواد نزدیکتر کرد.
یادگیری ماشینی که در کار دکترای آندریویچ نقش اساسی دارد، پس از MIT در زندگی او نقش اساسی خواهد داشت. هنگامی که او در این زمستان فارغ التحصیل شد، مستقیماً به آزمایشگاه ملی آرگون می رود، جایی که موفق به دریافت کمک هزینه تحصیلی معتبر ماریا گوپرت مایر شده است که "به صورت بین المللی به دانشمندان و مهندسان برجسته دکترا که در مراحل اولیه مشاغل امیدوار کننده هستند اعطا می شود". او می‌گوید: «ما سعی خواهیم کرد شبکه‌های عصبی مبتنی بر فیزیک را با تمرکز بر مواد کوانتومی طراحی کنیم.

های فن تک از شما دعوت می کند نظرات خود را در مورد این مقاله به اشتراک بگذارید