به گزارش ایتنا
پژوهشگران با الهام از فناوری ترمیم تصاویر، مدل هوش مصنوعی اکستالپینت را توسعه دادهاند که میتواند موقعیت اتمهای گمشده در ساختار کریستالها را با دقت ۹۷ درصد بازسازی کند.
یک ساختار کریستالی ممکن است تقریباً کامل به نظر برسد، اما همچنان برای شبیهسازیهای رایانهای غیرقابل استفاده باشد، زیرا برخی از اتمهای آن جا خالی دارند.
هیدروژن منبع مکرر این شکافهاست و به گزارش ایتنا و به نقل از SciTechDaily، پژوهشگران با اقتباس از تکنیک هوش مصنوعی مورد استفاده برای ترمیم تصاویر، مدلی ساختهاند که پیشبینی میکند آن اتمهای پنهان به کجا تعلق دارند.
این روش توسط گروهی به رهبری جیووانی پیتزی از مرکز محاسبات علمی، نظریه و داده مؤسسه پل شرر و با همکاری پژوهشگران دانشگاههای پارما و مودنا در ایتالیا توسعه یافته است.
این روش که در مجله «انپیجی کامپیوترال متریالز» توصیف شده، از بینایی رایانهای استفاده میکند که در آن هوش مصنوعی اطلاعات بصری را تشخیص و تفسیر مینماید. سامانههای هوش مصنوعی تخصصی هماکنون به پژوهش مواد کمک میکنند، اما روش جدید بر پر کردن موقعیتهای خالی در ساختارهایی متمرکز است که به صورت تجربی شناخته شدهاند.
هیدروژن مشکل دائمی ایجاد میکند. اگرچه این عنصر اغلب بخشی از شبکه کریستالی است، اما روشهای استاندارد پراش اشعه ایکس که برای تعیین آرایش اتمی استفاده میشوند، آن را به راحتی تشخیص نمیدهند. در نتیجه، تجسمهای کریستالی ممکن است اتمهای هیدروژن را به طور نادرست قرار دهند یا آنها را به طور کامل حذف کنند.
تیمو رینت (چپ) و جیووانی پیزی به یک سیستم هوش مصنوعی آموزش دادهاند تا موقعیتهای گمشده اتمهای هیدروژن را در ساختارهای کریستالی پیدا کند.شبیهسازیها به مختصات اتمی دقیق برای پیشبینی ویژگیهایی مانند رسانایی الکتریکی و حرارتی نیاز دارند. جیووانی پیتزی در این باره میگوید: «اگر اطلاعات مربوط به اتمهای هیدروژن مفقود باشد، این یک مشکل است. اغلب، ما نمیتوانیم از چندین هزار ماده بالقوه جالب برای شبیهسازیهای خود دقیقاً به همین دلیل استفاده کنیم».
راهحل پژوهشگران از مدلهای انتشار مورد استفاده در بینایی رایانهای الهام گرفته شده است. زمانی که این سامانهها بخش گمشده یک تصویر را بازسازی میکنند، فرآیند «دروننگاری» نامیده میشود.
مدلهای قدیمی کل تصویر را با اطلاعات تصادفی میپوشاندند، اما رویکردهای مدرن نویز قویتری را در ناحیه ناشناخته متمرکز میکنند و قسمتهای قابل مشاهده را بسیار کمتر تحت تأثیر قرار میدهند.
این فرآیند انتخابی به مدل یک نقطه شروع قابل اعتماد میدهد و میتواند از اطلاعات اطراف برای استنباط آنچه در شکاف قرار دارد، استفاده کند. اگرچه دروننگاری انتخابی در بینایی رایانهای به خوبی تثبیت شده است، اما قبلاً برای بازسازی موقعیتهای اتمی گمشده در دسترس نبود.
گروه پیتزی با توسعه اکستالپینت، یک مدل منبعباز اقتباسشده از مترجن مایکروسافت، این مشکل را حل کرد.
تیمو رنتس، دانشجوی دکتری در گروه پیتزی، توضیح میدهد: «این روش مزایای بینایی رایانهای مدرن و بازسازی کریستال را ترکیب میکند: نویز فقط به موقعیتهای ناشناخته درون کریستال افزوده میشود و موقعیتهای شناختهشده تا حد زیادی در طول فرآیند بدون تغییر میمانند».
از آنجا که اکستالپینت بیشتر ساختار موجود را حفظ میکند، میتواند از اتمهای شناختهشده به عنوان راهنما در طول بازسازی استفاده کند. رنتس میافزاید: «با بازسازی گامبهگام، اکستالپینت میتواند از همان ابتدا به کریستال موجود جهتگیری کند که نرخ موفقیت را افزایش میدهد و توان محاسباتی را ذخیره میکند».
پژوهشگران اکستالپینت را با گرفتن ساختارهای کریستالی با موقعیتهای هیدروژن شناختهشده، حذف آن مختصات و درخواست از مدل برای بازسازی آنها آزمایش کردند.
در ۸۷ درصد آزمایشها، اکستالپینت آرایش قبلی را بازیابی کرد. در ده درصد دیگر، پیکربندیهایی تولید کرد که از نظر انرژی پایدارتر از ساختارهای ثبتشده بودند.
رنتس گفت: «به طور کلی، این به معنای نرخ موفقیت ۹۷ درصد برای اکستالپینت است.» این مدل هماکنون میتواند برای بازیابی مختصات هیدروژن گمشده در پایگاههای داده مواد استفاده شود. پیتزی و همکارانش همچنین از این روش برای شناسایی خطاهای پایگاه داده استفاده کردهاند.
گفتنی است کاربرد بالقوه این یافتهٔ جدید فراتر از هیدروژن است و همین رویکرد میتواند موقعیتهای لیتیوم و سدیم را نیز بازسازی کند؛ یعنی همان دو عنصری که در جستجوی مواد جدید باتری اهمیت دارند.
📡منبـع خبـر:
www.itna.ir
ایتنا
🏹لـینـک کـوتـاه:
halohava.top/xHAND7
شمـا اولیـن نفـر هستـید کـه نظـر خـود را ثبـت مـی کنیـد.
🗩ثبـت نظر: