کشف دی الکتریک های پایدار با هوش مصنوعی و داده کاوی

تصور کنید بخواهید ۱۵۰ میلیون ترکیب شیمیایی ممکن را با دست بررسی کنید. احتمالا خیلی زود منصرف می‌شوید یا باید یک گروه کوچک از دانشجویان دکتری را به کار بگیرید. اما تیم دانشگاه ملی سئول راه بهتری انتخاب کرد: آن‌ها به ماشین‌ها آموختند ادبیات علمی را بخوانند و مانند دانشمندان مواد فکر کنند.

آنچه در ظاهر یک بازی با اعداد به نظر می‌رسد، در واقع مسئله‌ای در یکپارچه‌سازی داده‌هاست. اندازه‌گیری‌های مربوط به خواص دی‌الکتریک، یعنی اینکه یک ماده عایق تا چه اندازه می‌تواند بار الکتریکی را ذخیره کند، در صدها مقاله میان جدول‌ها، نمودارها و پاراگراف‌ها پراکنده شده‌اند. شرایط نیز از آزمایشگاهی به آزمایشگاه دیگر فرق دارد: دما، فرکانس و روش فرآوری نمونه. این ناهماهنگی‌ها برای جست‌وجوهای داده‌محور سنتی دردسرسازند. به همین دلیل پژوهشگران پلی میان گزارش‌های نامنظم انسانی و مدل‌های پیش‌بینی‌گر ساختند.

آن‌ها ۴۴۸ مطالعه منتشرشده را کاوش کردند و ۱٬۲۰۲ رکورد پالایش‌شده از ترکیب شیمیایی، سابقه فرآوری و رفتار دی‌الکتریک وابسته به دما گردآوردند. مدل‌های زبانی، ترکیب‌ها و شرایط را از متن‌ها و جدول‌ها استخراج کردند، در حالی که شکل‌ها دیجیتالی شدند تا منحنی‌های دمایی به عدد تبدیل شوند. سپس این مجموعه داده با ۲۲ توصیفگر فیزیکی غنی شد؛ اثرانگشت‌هایی در مقیاس اتمی و نشانگرهای ریزساختاری که مقایسه‌ای منصفانه و هم‌سطح را میان آزمایش‌های متفاوت ممکن می‌کنند.

گام بعدی یک روند طراحی معکوس بود: عملکرد مطلوب را مشخص کنید و الگوریتم ترکیب‌هایی را پیشنهاد می‌دهد که می‌توانند آن را فراهم کنند. سی مدل مستقل آموزش‌دیده، یک سامانه تجمیعی ساختند که استحکام دی‌الکتریک و پایداری دمایی را هم‌زمان پیش‌بینی می‌کرد. در کنار آن، یک معیار توافق، نامزدها را بر اساس میزان همگرایی مدل‌ها روی پاسخ یکسان رتبه‌بندی کرد. پیش از صرف هرگونه زمان آزمایشگاهی، محدودیت‌های مبتنی بر فیزیک ترکیب‌هایی را که از نظر شیمیایی نامحتمل بودند حذف کردند.

از میان حدود ۱۵۰ میلیون ترکیب مجازی، این خط پردازش ۳۷ گزینه امیدبخش را مشخص کرد. پژوهشگران نسبت‌های ترکیبی را در پربازده‌ترین خانواده اصلاح کردند و دو فرمولاسیون را برای سنتز و آزمون برگزیدند. هر دو شامل جایگزینی‌های بسیار اندک قلع بودند، ۱ درصد مولی و ۲ درصد مولی، که به یک ماتریس دی‌الکتریک بدون سرب افزوده شدند.

نتایج چشمگیر بود. در دمای اتاق، این مواد به ترتیب ثابت‌های دی‌الکتریک ۳٬۴۲۲ و ۳٬۳۰۷ را ثبت کردند. مهم‌تر اینکه این مقادیر بالا در گستره وسیعی از دما پایدار ماندند و با افزایش گرما فرو نریختند؛ ضعفی رایج در بسیاری از اکسیدهای با گذردهی بالا. در مقایسه با تیتانات باریم، یک ماده دی‌الکتریک پرکاربرد در خازن‌های سرامیکی چندلایه یا ام‌ال‌سی‌سی، فرمولاسیون‌های جدید توان ذخیره‌سازی انرژی خود را تا دماهای بالا بسیار یکنواخت‌تر حفظ کردند.

هر دو نمونه جایگزین‌شده با قلع، استانداردهای پایداری ایکس۵آر، ایکس۶آر و ایکس۷آر مورد استفاده برای خازن‌های سرامیکی چندلایه را برآورده کردند و در عین حال در میان بالاترین ثابت‌های دی‌الکتریک گزارش‌شده برای خانواده ترکیبی خود قرار گرفتند.

چرا مقدار کمی قلع چنین تفاوتی ایجاد کرد؟ تیم پژوهش، بینش‌های مدل را با میکروسکوپی و طیف‌سنجی ترکیب کرد، از جمله میکروسکوپی نیروی پاسخ پیزوالکتریک، رامان و تصویربرداری الکترونی با تفکیک اتمی، و به روایتی سازگار رسید. جایگزینی‌های کوچک قلع، شبکه بلوری را به‌طور ظریف منبسط می‌کنند و ناهمگنی الکتریکی را در مقیاس اتمی افزایش می‌دهند. به نظر می‌رسد همین ناهمگنی، گذارهای فازی تند را که معمولا عملکرد دی‌الکتریک را با تغییر دما مختل می‌کنند، پخش و ملایم می‌سازد و پاسخی پایدارتر و سازگارتر ایجاد می‌کند.

فراتر از دو ماده اعتبارسنجی‌شده، این مطالعه یک مسیر عملی برای تبدیل ادبیات علمی پراکنده به یک پیکره آموزشی نشان می‌دهد که واقعا سنتز را هدایت می‌کند. پژوهشگران با ادغام داده‌کاوی چندوجهی از مقالات، یادگیری ماشین آگاه از فیزیک و فیلتر توافق میان مدل‌ها، فضای جست‌وجویی تقریبا بی‌انتها را به هدف‌های آزمایشگاهی مشخص تبدیل کردند. این روند می‌تواند برای اکسیدهای کارکردی دیگر، لایه‌های نازک یا هر رده‌ای از مواد که داده‌های مفیدشان در مقاله‌ها و قالب‌های متعدد پراکنده است به کار رود.

ذی‌نفعان احتمالی شامل الکترونیک خودروهای برقی، مبدل‌های توان و سامانه‌های هوافضا هستند؛ هر کاربردی که به خازن‌هایی نیاز دارد که در برابر گرما دوام بیاورند و چگالی انرژی خود را از دست ندهند. این مطالعه که در نشریه نیچر کامیونیکیشنز منتشر شده، همچنین نمونه‌ای روشن از همکاری انسان و ماشین است: پژوهشگران محدودیت‌ها را طراحی کردند، شیمی را اعتبارسنجی کردند و ریزساختار را تفسیر کردند؛ الگوریتم‌ها نیز کار سنگین خواندن، یکپارچه‌سازی و اولویت‌بندی میلیون‌ها جایگشت مجازی را بر عهده گرفتند.

کوان‌وو سونگ، نویسنده اول مقاله که هدایت ساخت مجموعه داده و توسعه مدل را بر عهده داشت، کار خود را برای به‌کارگیری همین جست‌وجوی ماشین‌محور در مواد الکترونیکی دیگر ادامه می‌دهد. پیام تیم روشن است: وقتی ماشین‌ها صفحه‌های پراکنده علم را می‌خوانند و مهندسان منطق فیزیکی را بر خروجی تحمیل می‌کنند، سرعت کشف مواد افزایش می‌یابد. مواد بهتر می‌خواهید؟ داده‌های خوب به مدل‌ها بدهید و سپس آن‌ها را در آزمایشگاه بسازید.