[ad_1]

بسیاری از پیشرفتهای علمی گذشته مبتنی بر کشف مواد جدید است. چرخه سنتز ، آزمایش و بهینه سازی مواد جدید بطور روزمره ساعتها کار سختی را برای دانشمندان می طلبد. بنابراین ، بسیاری از مواد بالقوه مفید با خواص عجیب و غریب کشف نشده باقی می مانند. اما اگر بتوانیم کل فرآیند تولید مواد جدید را با استفاده از رباتیک و هوش مصنوعی به طور خودکار انجام دهیم ، سرعت آن را بسیار سریع تر کنیم؟

در مطالعه اخیر منتشر شده در مواد APL، دانشمندان از موسسه فناوری توکیو در ژاپن ، به رهبری دانشیار ریوتا شیمیزو و پروفسور تارو هیتوسوگی ، استراتژی را توسعه داده اند که می تواند تحقیقات کاملاً مستقل را به مواد تبدیل کند. کار آنها بر ایده انقلابی تجهیزات آزمایشگاهی “CASH” (متصل ، خودمختار ، مشترک ، با عملکرد بالا) متمرکز است. با راه اندازی CASH در یک آزمایشگاه مواد ، محققان فقط باید تصمیم بگیرند که کدام ویژگی مواد را می خواهند بهینه کنند و سیستم را با مواد لازم تغذیه کنند. سپس سیستم اتوماتیک كنترل را در دست می گیرد و اتصالات جدید را به طور مكرر آماده و آزمایش می كند تا زمانی كه بهترین حالت پیدا شود. با استفاده از الگوریتم های یادگیری ماشین ، سیستم می تواند با استفاده از دانش قبلی تصمیم بگیرد که چگونه شرایط سنتز را تغییر دهد تا در هر چرخه به نتیجه مطلوب برسد.

برای اثبات اینکه CASH یک استراتژی عملی برای مطالعه مواد جامد است ، دانشیار پروفسور Shimizu و تیم تحقیقاتی یک سیستم ضد مفهوم ایجاد کردند که شامل یک بازوی رباتیک است که توسط چندین ماژول احاطه شده است. تنظیم آنها با هدف به حداقل رساندن مقاومت الکتریکی یک فیلم نازک از دی اکسید تیتانیوم با تنظیم شرایط رسوب بود. بنابراین ، ماژول ها یک دستگاه پخش کننده و یک دستگاه اندازه گیری مقاومت هستند. بازوی رباتیک در صورت لزوم نمونه ها را از ماژول به ماژول منتقل می کند و سیستم بر اساس داده های قبلی پارامترهای سنتز را برای تکرار بعدی پیش بینی می کند. برای پیش بینی ، آنها از الگوریتم بهینه سازی بیزی استفاده کردند.

با کمال تعجب ، تنظیمات CASH آنها قادر به تولید و آزمایش حدود دوازده نمونه در روز بود ، ده برابر افزایش در بهره وری در مقایسه با آنچه دانشمندان می توانند به صورت دستی در یک آزمایشگاه معمولی به دست آورند. علاوه بر این افزایش چشمگیر سرعت ، یکی از اصلی ترین مزایای استراتژی CASH توانایی ایجاد پایگاه های داده عظیم مشترک است که توصیف می کند چگونه خصوصیات ماده بسته به شرایط سنتز متفاوت است. در این زمینه ، پروفسور هیتوسوگی خاطرنشان می کند: “امروز ، پایگاه داده ها درباره مواد و خصوصیات آنها ناقص است. با رویکرد CASH ، ما می توانیم آنها را به راحتی کامل کنیم و سپس خواص مواد پنهان را کشف کنیم ، که منجر به کشف قوانین جدید فیزیک و از طریق تجزیه و تحلیل آماری منجر به بینش می شود. “

تیم تحقیقاتی معتقد است که رویکرد CASH انقلابی در علم مواد ایجاد خواهد کرد. پایگاه های داده ای که به سرعت و بدون زحمت توسط سیستم های CASH تولید می شوند ، در داده های بزرگ ترکیب می شوند و دانشمندان از الگوریتم های پیشرفته برای پردازش آنها و استخراج عبارات قابل خواندن توسط انسان استفاده می کنند. با این حال ، همانطور که پروفسور هیتوسوگی اشاره کرد ، یادگیری ماشین و رباتیک به تنهایی نمی توانند بینش یا مفاهیمی را در فیزیک و شیمی پیدا کنند. “آموزش دانشمندان آینده در مورد مواد باید توسعه یابد ؛ آنها باید درک کنند که یادگیری ماشین چه چیزی را می تواند حل کند و بر این اساس مسئله را تنظیم کند. قدرت محققان انسانی در ایجاد مفاهیم یا شناسایی مشکلات در جامعه است. ترکیب این نقاط قوت. کشورهای دارای یادگیری ماشین و رباتیک بسیار مهم است “.

به طور کلی ، این مقاله امیدوار کننده مزایای عظیمی را که اتوماسیون می تواند برای علوم مواد به همراه داشته باشد ، برجسته می کند. اگر بار وظایف تکراری از دوش محققان برداشته شود ، آنها می توانند بیشتر به کشف اسرار جهان مادی به نفع بشریت توجه کنند.

منبع تاریخچه:

مواد تهیه شده توسط موسسه فناوری توکیو. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.

[ad_2]

منبع: hobobat-news.ir