Amber Rose, Argonne Milli Laboratoriyası tərəfindən

Lisa Lock tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Elektrokromik polimer nümunələrinin canlı bir sıra süni intellektlə idarə olunan tərs dizayn vasitəsilə əldə edilən dəqiq rəng tənzimləməsini nümayiş etdirir və ağıllı ekran texnologiyaları üçün materiallardakı irəliləyişləri vurğulayır. Mənbə: Argonne Milli Laboratoriyası.

Bir ziyafətdə ən yaxşı şokolad parçalı peçenyeni yediniz – qızılı-qəhvəyi, qalın və çeynənən. Təəssüf ki, resept almaq üçün peçenyeni kimin hazırladığını bilmirsiniz, ona görə də onu yenidən yaratmağa qərar verirsiniz. İrəli dizayn prinsiplərindən istifadə edərək, onlarla variantdan təsadüfi olaraq bir resept seçə, bişirə və nəticədə çıxan peçenyeləri müşahidə edə bilərsiniz. Əgər onlar çox nazikdirsə, yeni bir reseptlə yenidən başlaya, daha çox un əlavə edə və ya xəmiri daha uzun müddət soyuda və yeni bir dəstə hazırlaya bilərsiniz. Alternativ bir üsul, istədiyiniz peçenye xüsusiyyətlərindən başlayaraq soruşmaqdır: Bu tip peçenye hansı resept və bişirmə parametrləri ilə əldə ediləcək? Bu üsul tərs dizayn adlanır.

“Məqsəddən geriyə doğru işləmək” düşüncə tərzi müasir materialşünaslıqda getdikcə daha vacibdir. Tədqiqatçılar çox vaxt bir materialın nə etməsini istədiklərini bilirlər: elektrik enerjisini daha yaxşı keçirməsi, istiliyə dözümlü olması, stimula cavab verməsi və ya çox spesifik bir rəng göstərməsi. Lakin bu tələbləri kimyəvi bir düstura və etibarlı istehsal metoduna çevirmək aylar və ya illərlə sınaq və səhv tələb edə bilər.

Bu çətinlik, qablaşdırmadan tibbi cihazlara və elektronikaya qədər hər şeydə istifadə olunan uzun zəncirli molekullar olan polimerlər üçün xüsusilə çətin olur. Polimerlər daha kiçik molekulyar “tikinti bloklarından” hazırlanır və bu tikinti bloklarında və ya onların necə birləşdirildiyində kiçik dəyişikliklər performansda böyük və bəzən gözlənilməz dəyişikliklərə səbəb ola bilər.

Polimerlər üçün muxtar tərs dizayn

ABŞ Enerji Departamentinin (DOE) Arqon Milli Laboratoriyası, Çikaqo Universiteti və Purdue Universitetinin tədqiqatçıları indi daha sürətli bir yol nümayiş etdiriblər: alimlərə daha az təcrübə ilə hədəf xüsusiyyətindən polimer reseptinə keçməyə kömək edən muxtar tərs dizaynlı iş axını. Onların məqaləsi Amerika Kimya Cəmiyyətinin Jurnalında dərc olunub .Kredit: Amerika Kimya Cəmiyyətinin Jurnalı (2025). DOI: 10.1021/jacs.5c12241

Arqondan olan alim və Çikaqo Universitetinin Pritzker Molekulyar Mühəndislik Məktəbinin dosenti Jie Xu bildirib ki, “Bu iş, həqiqətən də, funksional materialların muxtar, tələb üzrə istehsalında bir mərhələdir. Aylarla təxmin edib təkrarlamaq əvəzinə, istədiyimiz xüsusiyyətdən başlaya və sistemin bizi polimer reseptinə yönləndirməsinə icazə verə bilərik.”

Bu yanaşma ənənəvi tədqiqatlarda tez-tez ayrı olan üç hissəni birləşdirir. Birincisi, həm mətndə, həm də şəkillərdə görünən məlumatlar da daxil olmaqla, dərc olunmuş elmi məqalələrdən məlumatları avtomatik olaraq çıxarmaqla əvvəlki bilikləri toplayır . Bunu etmək üçün komanda süni intellekt (Sİ) “oxu” vasitələrindən – bugünkü çatbotlarda istifadə edilənlər kimi böyük dil modelləri də daxil olmaqla – istifadə edərək sənədləri skan etdi və tədqiqatçıların adətən əl ilə topladığı məlumatları çıxardı. Bu Sİ alətləri abzaslarda, cədvəllərdə və hətta şəkillərdə gizlədilmiş məlumatları müəyyən edə və təşkil edə bilər.

Argonne-nin Məlumat Elmi və Öyrənmə bölməsinin direktoru, Argonne-nin Fərqli Təqaüdçüsü və Çikaqo Universitetinin kompüter elmləri professoru İan Foster bildirib ki, “Müasir süni intellekt elmi qeydləri heç bir insanın oxuya bilmədiyi miqyasda oxuya bilər, əsas maddələri və nəticələri çıxarıb istifadəyə yararlı məlumatlara çevirə bilər. Bu, laboratoriyaya işin başlanğıcını verir. Modellər hər yeni təcrübədən öyrəndikdə, sistem daha ağıllı olur.”

Süni intellekt oxuma vasitələri robototexnika ilə qarşılaşır

İkincisi, bu yanaşma, hansı tikinti bloklarının kombinasiyalarının istənilən nəticəni vermə ehtimalının ən yüksək olduğunu proqnozlaşdırmaq üçün maşın öyrənməsindən istifadə edir. Üçüncüsü, proqnozlar birbaşa polimerləri sintez edə, təmizləyə, nümunələr hazırlaya, xüsusiyyətlərini ölçə və növbəti proqnoz mərhələsini təkmilləşdirmək üçün nəticələri geri qaytara bilən avtomatlaşdırılmış laboratoriya iş axınına göndərilir.

Arqon alimi Henri Çan deyib: “Bunu kimya üçün GPS kimi düşünün. Minlərlə mümkün polimer reseptini araşdırmaq əvəzinə, süni intellekt növbəti ən yaxşı dönüş üçün artıq məlum olanlardan istifadə edir, sonra robotlar onu tez bir zamanda sınaqdan keçirir və hesabat verir.”

Bu iş axınında Argonne-dakı DOE Elm Ofisinin istifadəçi obyekti olan Nanomiqyaslı Materiallar Mərkəzində yerləşən öz-özünə idarə olunan laboratoriya platforması olan Polybot istifadə edilmişdir. Süni intellektlə idarə olunan sistem vasitəsilə robotları və alətləri əlaqələndirmək üçün hazırlanmış Polybot, təcrübələrin minimal insan müdaxiləsi ilə davamlı olaraq aparılmasına imkan verir. Polybot yalnız məlum proseduru avtomatlaşdırmaq üçün deyil, həm də hər bir təcrübənin istənilən nəticəyə yaxınlaşmaq üçün seçildiyi tərs dizayn dövrəsini həyata keçirmək üçün istifadə edilmişdir.

Gündəlik məlumat üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosdakı ən son yenilikləri kəşf edin . Pulsuz bülletenimizə abunə olun və vacib olan nailiyyətlər, innovasiyalar və tədqiqatlar haqqında gündəlik və ya həftəlik yeniliklərdən xəbərdar olun .

Dəqiq elektroxrom rəngləri hədəfləmək

Dəqiqliyin vacib olduğu bir problem üzərində iş axınının necə işlədiyini göstərmək üçün komanda elektroxrom polimerlərə , yəni kiçik bir gərginlik tətbiq edildikdə rəngini və ya şəffaflığını dəyişə bilən materiallara diqqət yetirdi. Bu polimerlər bina enerjisi istifadəsini azaldan ağıllı pəncərələr və genişləndirilmiş və virtual reallıq qulaqlıqları üçün rəngli təbəqələr kimi texnologiyalar üçün namizədlərdir.

Argonne-nin Material Mühəndisliyi Tədqiqat Müəssisəsində çap edilə bilən elektronika laboratoriyasına rəhbərlik edən və bu funksional polimerləri prototip displey cihazlarına çap etmək üçün komanda ilə birlikdə çalışan Materialşünas Yuepeng Zhang, “Elektroxrom polimerlər xüsusilə cəlbedicidir, çünki onlar çap oluna və cihazlara hazır formatlara salına bilər”, – dedi.

“Alimlər illər ərzində bir çox elektroxrom polimer yaratsalar da, dəqiq bir rəng çalarına çatmaq sadəcə ‘qırmızı’ və ya ‘yaşıl’ əldə etməkdən daha çətindir. Rəng RGB dəyərləri kimi standartlaşdırılmış rəng koordinatları istifadə edərək kəmiyyətcə müəyyən edilə bilər, lakin yaxın rəng uyğunluğu əldə etmək ümumiyyətlə polimer reseptinin geniş optimallaşdırılmasını tələb edir”, – deyə Purdue Universitetinin kimya professoru və tədqiqatın həmmüəllifi Jianguo Mei bildirib. RGB, qırmızı, yaşıl və mavi işıqdan istifadə edən üç rəngli video ekran modelinə aiddir.

Rəng xəritəsinin qurulması və araşdırılması

Tədqiqatçılar əvvəlcə polimer strukturları, sintez detalları və bu materialların istehsal etdiyi rənglər haqqında məlumatlar üçün dərc olunmuş ədəbiyyatı çıxararaq xüsusi elektroxrom polimer verilənlər bazası yaratdılar. Süni intellekt bir çox sənəddən səpələnmiş məlumatları ardıcıl, istifadəyə yararlı məlumat dəstinə çevirərək və axtarış edilə bilən resept və nəticələr kitabxanası yaratmaqla “bilik toplama” addımını sürətləndirməyə kömək etdi.

Toplanan məlumatlardan standart rəng dəyərlərini hesabladılar və artıq bildirilən rənglərin “xəritəsi” yaratdılar. Daha sonra Polybot-dan xəritənin az və ya heç bir polimer “resepti” sənədləşdirilməmiş bölgələrində yerləşən iki xüsusi rəng hədəfini – yaşıl və narıncı rənglərin çətin çalarlarını hədəf almasını istədilər.

72 saat ərzində Polybot müstəqil olaraq polimer reseptləri təklif etdi, materialları hazırladı və nəticələri hədəflərlə müqayisə etdi. Seçim üçün mindən çox mümkün kompozisiya olsa da, sistem cəmi bir neçə onlarla təcrübədə yaxın uyğunluqları məhdudlaşdırdı. Bunu üç fərqli tikinti blokunun nisbətlərinə kiçik, addım-addım düzəlişlər etməklə etdi. Hər yeni nəticə verilənlər bazasına geri əlavə edildi və bu da modelin növbəti mərhələdə daha yaxşı proqnozlar verməsinə kömək etdi.

Daha geniş maddi çətinliklərə doğru genişlənmə

Əhəmiyyəti rəng dəyişdirən materiallardan kənara çıxır. Avtomatlaşdırılmış bilik toplama, proqnozlaşdırıcı maşın öyrənməsi və robot təcrübələrinin təkrarlanan dövrlərini birləşdirən bu yanaşma, axtarış sahəsinin böyük olduğu və sınaq və səhv xərclərinin yüksək olduğu digər maddi çətinliklərə uyğunlaşdırıla bilər.

Xu və Meinin dediyi kimi, “Elektroxrom xüsusiyyətlərin tərs dizaynı süni intellekt robot çərçivəmiz tərəfindən təmin edilən ilk nümayiş etdirilən qabiliyyəti təmsil edir. Eyni yanaşma mexaniki, optik və elektrik xüsusiyyətləri kimi digər xüsusiyyətlərə, eləcə də digər materiallar siniflərinə şamil edilə bilər.”

Materialların dizaynını daha sürətli və daha sistemli bir prosesə çevirməklə, bu iş, elm adamlarının bir mülk tələb edə biləcəyi və daha da inkişaf etdirilməyə və real həyatda tətbiq olunmağa hazır olan xüsusi bir resept əldə edə biləcəyi bir gələcəyə işarə edir.