นักวิทยาศาสตร์ของ Max Planck สร้างนวัตกรรมวัสดุ ด้วย AI และ Physics Simulations

นักวิทยาศาสตร์ของ Max Planck สำรวจความเป็นไปได้ของปัญญาประดิษฐ์ในวัสดุศาสตร์ และเผยแพร่บทวิจารณ์ของพวกเขาในวารสาร Nature Computational Science

 วัสดุขั้นสูงมีความซับซ้อนมากขึ้นเนื่องจากความต้องการสูงที่พวกเขาต้องปฏิบัติตามเกี่ยวกับความยั่งยืนและการบังคับใช้  Dierk Raabe และเพื่อนร่วมงานได้ตรวจสอบการใช้ปัญญาประดิษฐ์ในวัสดุศาสตร์และพื้นที่ว่างที่ไม่ได้ใช้งานซึ่งเปิดขึ้นหากรวมกับการจำลองทางฟิสิกส์  เมื่อเปรียบเทียบกับวิธีการจำลองแบบเดิม AI มีข้อดีหลายประการ และจะมีบทบาทสำคัญในวัสดุศาสตร์ในอนาคต

Max Planck scientists explore the possibilities of artificial intelligence in materials science and publish their review in the journal Nature Computational Science.

Advanced materials become increasingly complex due to the high requirements they have to fulfil regarding sustainability and applicability. Dierk Raabe, and colleagues reviewed the use of artificial intelligence in materials science and the untapped spaces it opens if combined with physics-based simulations. Compared to traditional simulation methods, AI has several advantages and will play a crucial role in material sciences in the future.

ผสาน AI และการจำลองทางฟิสิกส์ เพื่อออกแบบนวัตกรรมทางวัสดุ

 วัสดุขั้นสูงมีความจำเป็นอย่างเร่งด่วนในชีวิตประจำวัน ไม่ว่าจะเป็นในด้านเทคโนโลยีขั้นสูง การเคลื่อนย้าย โครงสร้างพื้นฐาน พลังงานสีเขียว หรือยา  อย่างไรก็ตาม วิธีการดั้งเดิมในการค้นหาและสำรวจวัสดุใหม่ๆ นั้นมีขีดจำกัด เนื่องจากความซับซ้อนขององค์ประกอบทางเคมี โครงสร้าง และคุณสมบัติเป้าหมาย  ยิ่งไปกว่านั้น วัสดุใหม่ๆ ไม่เพียงแต่จะช่วยให้เกิดการใช้งานใหม่ๆ เท่านั้น แต่ยังรวมถึงวิธีการผลิต การใช้ และการรีไซเคิลวัสดุเหล่านั้นอย่างยั่งยืนอีกด้วย

 นักวิจัยจาก Max-Planck-Institut für Eisenforschung (MPIE) ทบทวนสถานะของการสร้างแบบจำลองทางฟิสิกส์และอภิปรายว่าการรวมแนวทางเหล่านี้เข้ากับปัญญาประดิษฐ์สามารถเปิดพื้นที่ที่ยังไม่ได้ใช้สำหรับการออกแบบวัสดุที่ซับซ้อนได้อย่างไร  พวกเขาตีพิมพ์มุมมองของพวกเขาในวารสาร Nature Computational Science

 ผสมผสานวิธีการทางฟิสิกส์เข้ากับปัญญาประดิษฐ์

 เพื่อตอบสนองความต้องการของความท้าทายด้านเทคโนโลยีและสิ่งแวดล้อม จึงต้องพิจารณาถึงคุณสมบัติของวัสดุที่มีความต้องการมากขึ้นและทวีคูณมากขึ้น จึงทำให้โลหะผสมมีความซับซ้อนมากขึ้นในแง่ขององค์ประกอบ การสังเคราะห์ การประมวลผล และการรีไซเคิล  การเปลี่ยนแปลงพารามิเตอร์เหล่านี้ทำให้เกิดการเปลี่ยนแปลงในโครงสร้างจุลภาค ซึ่งส่งผลกระทบโดยตรงต่อคุณสมบัติของวัสดุ  จำเป็นต้องเข้าใจความซับซ้อนนี้เพื่อให้สามารถคาดการณ์โครงสร้างและคุณสมบัติของวัสดุได้  แนวทางการออกแบบวัสดุเชิงคำนวณมีบทบาทสำคัญที่นี่

 “วิธีการออกแบบวัสดุใหม่ๆ ของเราทุกวันนี้ขึ้นอยู่กับการจำลองและการทดลองทางฟิสิกส์เท่านั้น  วิธีการนี้สามารถประสบกับข้อจำกัดบางประการเมื่อพูดถึงการทำนายเชิงปริมาณของสภาวะสมดุลของเฟสในมิติสูง และโดยเฉพาะอย่างยิ่งต่อโครงสร้างจุลภาคและคุณสมบัติที่ไม่สมดุล  ยิ่งไปกว่านั้น แบบจำลองที่เกี่ยวข้องกับโครงสร้างจุลภาคและคุณสมบัติจำนวนมากใช้การประมาณอย่างง่ายและใช้ตัวแปรจำนวนมาก  อย่างไรก็ตาม คำถามยังคงอยู่ว่าระดับความเป็นอิสระเหล่านี้ยังคงสามารถครอบคลุมความซับซ้อนของเนื้อหาได้อย่างไรและอย่างไร” ศาสตราจารย์ Dierk Raabe ผู้อำนวยการของ MPIE และผู้เขียนคนแรกของสิ่งพิมพ์อธิบาย

 บทความนี้เปรียบเทียบการจำลองตามฟิสิกส์ เช่น พลวัตของโมเลกุลและการจำลองแบบ ab initio กับการสร้างแบบจำลองตามคำอธิบายและแนวทางปัญญาประดิษฐ์ขั้นสูง  แม้ว่าการจำลองตามฟิสิกส์มักจะมีค่าใช้จ่ายสูงเกินไปในการทำนายวัสดุที่มีองค์ประกอบที่ซับซ้อน แต่การใช้ปัญญาประดิษฐ์ (AI) ก็มีข้อดีหลายประการ

 “AI สามารถแยกคุณสมบัติทางอุณหพลศาสตร์และโครงสร้างจุลภาคโดยอัตโนมัติจากชุดข้อมูลขนาดใหญ่ที่ได้จากการจำลองแบบอิเล็กทรอนิกส์ อะตอมมิก และต่อเนื่องด้วยพลังการทำนายสูง” ศาสตราจารย์ Jörg Neugebauer ผู้อำนวยการ MPIE และผู้ร่วมเขียนรายงานกล่าว

ปรับปรุงการเรียนรู้ของเครื่องด้วยชุดข้อมูลขนาดใหญ่

 เนื่องจากพลังในการทำนายของปัญญาประดิษฐ์ขึ้นอยู่กับความพร้อมใช้งานของชุดข้อมูลขนาดใหญ่ จึงจำเป็นต้องมีวิธีการเอาชนะอุปสรรคนี้  ความเป็นไปได้อย่างหนึ่งคือการใช้วัฏจักรการเรียนรู้แบบแอคทีฟ โดยที่โมเดลการเรียนรู้ของเครื่องได้รับการฝึกฝนด้วยชุดข้อมูลย่อยขนาดเล็กในขั้นต้น  จากนั้นการคาดการณ์ของโมเดลจะถูกคัดกรองโดยหน่วยการติดฉลากที่ป้อนข้อมูลคุณภาพสูงกลับเข้าไปในกลุ่มบันทึกที่มีป้ายกำกับ และโมเดลแมชชีนเลิร์นนิงจะถูกเรียกใช้อีกครั้ง  แนวทางทีละขั้นตอนนี้นำไปสู่ชุดข้อมูลขั้นสุดท้ายคุณภาพสูงที่ใช้สำหรับการคาดการณ์ที่แม่นยำ

 ยังมีคำถามเปิดอยู่มากมายสำหรับการใช้ปัญญาประดิษฐ์ในวัสดุศาสตร์: จะจัดการกับข้อมูลที่เบาบางและมีเสียงดังได้อย่างไร  จะพิจารณาค่าผิดปกติหรือ ‘ไม่เหมาะสม’ ที่น่าสนใจได้อย่างไร  จะนำการบุกรุกของธาตุที่ไม่ต้องการจากการสังเคราะห์หรือการรีไซเคิลมาใช้ได้อย่างไร?  อย่างไรก็ตาม เมื่อพูดถึงการออกแบบโลหะผสมที่มีความซับซ้อนเชิงองค์ประกอบ ปัญญาประดิษฐ์จะมีบทบาทสำคัญมากขึ้นในอนาคตอันใกล้ โดยเฉพาะอย่างยิ่งกับการพัฒนาอัลกอริทึม และความพร้อมใช้งานของชุดข้อมูลวัสดุคุณภาพสูงและทรัพยากรการประมวลผลประสิทธิภาพสูง

Reference: “Accelerating the design of compositionally complex materials via physics-informed artificial intelligence” by Dierk Raabe, Jaber Rezaei Mianroodi and Jörg Neugebauer, 31 March 2023, Nature Computational Science.DOI: 10.1038/s43588-023-00412-7T he research is supported by the BigMax network of the Max Planck Society.

view original *