MIT Tədqiqatçıları Kompleks Materialların Sintez Yollarını Tapmaq üçün Generativ Süni İntellektdən Necə İstifadə Edirlər

Generativ süni intellekt (SAİ) modelləri indiyə qədər müxtəlif problemlərin həllinə kömək edə biləcək çox böyük nəzəri material kitabxanaları yaratmışdır. Lakin alimlər üçün əsas çətinlik həmin materialları real şəraitdə necə istehsal etməkdir.

Əksər hallarda materialların sintezi mətbəxdə reseptə əməl etmək qədər sadə deyil. Emalın temperaturu və müddəti kimi amillər materialın xüsusiyyətlərini tamamilə dəyişə bilər, bu da onun iş qabiliyyətini ya mümkün edir, ya da məhv edir. Məhz bu çətinlik tədqiqatçıların milyonlarla perspektivli, model tərəfindən yaradılmış materialı sınaqdan keçirmək imkanlarını məhdudlaşdırırdı. İndi MIT alimləri perspektivli sintez marşrutlarını təklif etməklə alimlərə materialların hazırlanması prosesində yol göstərən yeni bir süni intellekt modeli yaradıblar. Tədqiqatçılar bu modelin kataliz, udma və ion mübadiləsi proseslərini yaxşılaşdırmaq üçün istifadə edilə bilən zeolit adlanan bir material sinfi üçün effektiv sintez yollarını proqnozlaşdırmaqda yüksək dəqiqlik nümayiş etdirdiyini bildiriblər. Modelin təkliflərinə əsaslanaraq, komanda daha yaxşı termal stabilliyə malik yeni bir zeolit materialı sintez etdi. Tədqiqatçılar inanırlar ki, onların bu yeni modeli materialların kəşfi prosesindəki ən böyük çətinliyi aradan qaldıracaq.

Tədqiqatın əsas müəllifi, MIT Materialşünaslıq və Mühəndislik Departamentinin doktorantı Elton Pan vəziyyəti belə izah edir: "Bir bənzətmə ilə desək, hansı tortu bişirmək istədiyimizi bilirik, amma hazırda onu necə bişirəcəyimizi bilmirik. Material sintezi hal-hazırda yalnız sahə təcrübəsinə və sınaq-yanlış metoduna əsaslanaraq aparılır." Böyük investisiyalar sayəsində Google və Meta kimi şirkətlər yüksək termal dayanıqlıq və seçici qaz udulması kimi xüsusiyyətlərə malik nəzəri material reseptləri ilə dolu böyük verilənlər bazaları yaradıblar. Lakin bu materialları həyata keçirmək üçün lazım olan dəqiq reaksiya temperaturlarını, vaxtlarını və ilkin nisbətləri tapmaq üçün həftələr, hətta aylar sərf etmək lazım gəlir. Pan bildirir ki, insanlar prosesə rəhbərlik etmək üçün kimyəvi intuisiyalarına güvənirlər. O əlavə edir ki, insanlar xətti düşünürlər, lakin maşınlar yüksək ölçülü məkanda daha yaxşı arqumentlər tapa bilirlər. Materialın hipotezdən istifadəyə doğru gedən yolunda sintez prosesi adətən ən çox vaxt aparan hissədir.

Alimlərə bu prosesdə kömək etmək məqsədilə, MIT tədqiqatçıları 50 il ərzində yayımlanmış 23 mindən çox material sintezi resepti üzərində generativ SAİ modelini öyrətdilər. Diffuziya (Diffusion) adlanan yanaşmadan istifadə edən bu modelə DiffSyn adı verilib. Pan qeyd edir ki, DiffSyn DALL-E kimi şəkil yaratma modelinə oxşayır: "O, nəticə çıxararkən, hər addımda səs-küyü (noise) çıxararaq onu mənalı bir quruluşa – bu halda isə istədiyimiz material üçün sintez yoluna – çevirir." Alim DiffSyn-ə istədiyi materialın quruluşunu daxil etdikdə, model reaksiya temperaturlarının, vaxtlarının və komponent nisbətlərinin müxtəlif perspektivli kombinasiyalarını təklif edir. Pan deyir: "Bu, əsasən sizə tortu necə bişirəcəyinizi göstərir." Sistemi sınaqdan keçirmək üçün tədqiqatçılar zeolit materialları üçün yeni sintez yollarını tapmaq üçün DiffSyn-dən istifadə etdilər. Zeolitlərin kristallaşması günlər və ya həftələr çəkdiyindən, ən yaxşı sintez yolunun sürətlə tapılması böyük əhəmiyyət daşıyır. Modelin təklif etdiyi yollardan istifadə edərək, tədqiqatçılar katalitik tətbiqlər üçün uyğun yeni bir zeolit materialı hazırlaya bildilər. Bu model bir dəqiqədən az müddətdə 1000 fərqli sintez reseptini sınaqdan keçirə bilər, bu da alimlərə tamamilə yeni materiallar üçün çox yaxşı ilkin təxminlər verir.

Əvvəlki maşın öyrənməsi yanaşmaları materialı yalnız bir reseptlə əlaqələndirirdi. Lakin DiffSyn material quruluşlarını bir çox mümkün sintez yolları ilə əlaqələndirmək üçün öyrədilib. Pan bunun eksperimental reallığa daha çox uyğun gəldiyini vurğulayır və bu metodu "quruluş və sintez arasında birə-bir xəritələmədən birə-çox xəritələməyə doğru paradiqma dəyişikliyi" adlandırır. Tədqiqatçılar inanırlar ki, bu yanaşma zeolitlərdən başqa digər materialların, o cümlədən metal-üzvi çərçivələrin və qeyri-üzvi bərk maddələrin sintezini idarə edən modellərin öyrədilməsi üçün də genişləndirilə bilər. Əsas məqsəd bu ağıllı sistemləri avtonom real-dünya təcrübələri ilə birləşdirmək və material dizaynı prosesini qəti şəkildə sürətləndirməkdir. Bu işə dəstək verənlər arasında MIT Beynəlxalq Elm və Texnologiya Təşəbbüsləri (MISTI), Milli Elm Fondu və ExxonMobil kimi qurumlar var.

Bu məqalə Nature Computational Science jurnalında dərc edilmişdir. Tədqiqat qrupuna Elton Pan, Soonhyoung Kwon, Sulin Liu, Mingrou Xie, Alexander J. Hoffman, Yifei Duan, Thorben Prein, Killian Sheriff, professorlar Yuriy Roman-Leshkov, Manuel Moliner, Rafael Gómez-Bombarelli və Elsa Olivetti daxildir.