هوش مصنوعی در مهندسی پلیمر و شیمی؛ طراحی معکوس و مدل‌سازی

نویسنده: عطاالله ابوالقاسمی

کارشناسی ارشد مهندسی پلیمر، لاستیک | دانشگاه صنعتی مالک اشتر و پژوهشگر ارشد نانوکامپوزیت‌ها در آکادمی نیترونو

💡 مقاله مرتبط از همین نویسنده: برای بررسی رفتار نانوپرکننده‌های کربنی در ماتریس‌های پلیمری، پیشنهاد می‌کنیم مقاله گرافن در کامپوزیت‌های پلیمری: روش‌های سنتز و لایه‌برداری حبابی را نیز در آکادمی نیترونو مطالعه فرمایید.

انقلاب هوش مصنوعی در علوم مهندسی شیمی و مواد پلیمری

هوش مصنوعی تاکنون تحولات بنیادینی در جنبه‌های مختلف زندگی بشر ایجاد کرده است؛ از توسعه خودروهای خودران گرفته تا ترجمه معنایی و تولید محتوای سفارشی، حتی در حوزه هنر نیز ابزارهای مولد به سطحی از پیشرفت دست یافته‌اند که قادرند تصاویری با کیفیتی قابل مقایسه با آثار خلق‌شده توسط انسان تولید کنند. این تحول چشمگیر اکنون از حوزه دیجیتال فراتر رفته و به علوم فیزیکی نیز گسترش یافته است و فرصت‌ها و مسیرهای نوینی را برای پژوهش، نوآوری و توسعه در مهندسی شیمی و پلیمر فراهم می‌سازد [arXiv:2204.06125].

ارکان سه‌گانه به‌کارگیری هوش مصنوعی در توسعه پلیمرها

به‌کارگیری این رویکرد در نوآوری و توسعه مواد شیمی و پلیمر به‌طور عمده شامل سه مرحله اساسی است: دیجیتالی‌سازی اطلاعات مواد و ایجاد پایگاه‌های داده، توسعه مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی و طراحی و بهینه‌سازی مواد با کمک آن است (شکل ۱).

مراحل اساسی طراحی مواد پلیمری با هوش مصنوعی
شکل ۱: چرخه سه‌مرحله‌ای شامل پایگاه‌های داده، مدل‌های پیش‌بینی یادگیری ماشین و طراحی بهینه ساختارهای پلیمری

دیجیتالی‌سازی اطلاعات و ایجاد پایگاه‌های داده، زیرساخت و اساس طراحی پلیمر به کمک هوش مصنوعی را تشکیل می‌دهند. داده‌های مرتبط با مواد پلیمری شامل ساختارهای شیمیایی، ساختارهای تجمعی، فرمولاسیون‌ها، پارامترهای فرایندی و سایر اطلاعات مرتبط هستند. این داده‌ها می‌توانند در قالب‌های گوناگونی مانند متن، جداول، طیف‌ها و تصاویر ارائه شوند و ازاین‌رو، دارای ماهیتی چندوجهی هستند [DOI: 10.1002/advs.202302508].

طراحی معکوس و نقش مدل‌های مولد در کشف ساختارهای جدید پلیمری

در فرایند طراحی و بهینه‌سازی مبتنی بر هوش مصنوعی، تولید ترکیبات شیمیایی جدید و تکامل هدفمند ساختارها، فرمولاسیون‌ها و پارامترهای فرایندی از اهمیت ویژه‌ای برخوردار است. به‌ویژه در فرایند طراحی معکوس (Inverse Design)، از هوش مصنوعی مولد و عامل‌های هوشمند برای تولید ساختارهای جدید در مقیاس مشخص استفاده می‌شود. سپس مدل‌های پیش‌بینی‌کننده، فرایند تکامل و بهینه‌سازی این ساختارها را به‌صورت تکرارشونده هدایت می‌کنند تا در نهایت، اهداف طراحی، مانند دستیابی به خواص موردنظر مواد و بهبود رفتار مکانیکی و حرارتی ماکرومولکول‌ها محقق شوند [Science: aat2663].

چالش‌های دیجیتالی‌سازی ساختارهای چندمقیاسی و کمبود کلان‌داده‌ها

اساس هر رویکرد طراحی مبتنی بر داده، دسترسی به داده‌های جامع و باکیفیت است. در مورد مواد پلیمری، این موضوع شامل دیجیتالی‌سازی اطلاعات ساختاری و ایجاد پایگاه‌های داده قابل اتکا می‌شود. ویژگی‌های منحصربه‌فرد پلیمرها، مانند تنوع ساختارهای شیمیایی، توزیع وزن مولکولی و مورفولوژی‌های پیچیده تجمعی، چالش‌های جدی در زمینه یکپارچه‌سازی داده‌ها و دیجیتالی‌سازی ساختارها ایجاد می‌کنند. شکل ۲ چالش‌ها و راهکارهای مربوط به گردآوری و یکپارچه‌سازی داده‌ها، دیجیتالی‌سازی ساختارهای چندمقیاسی و وارد کردن شرایط فرایندی را نشان می‌دهد.

چالش‌ها و راهکارهای یکپارچه‌سازی داده‌های پلیمری در هوش مصنوعی
شکل ۲: چالش‌ها و راهکارهای مرتبط با داده‌های تجربی، بازنمایی ساختارهای چندمقیاسی و شبیه‌سازی فرایندی در الگوریتم‌های هوش مصنوعی

مواد پلیمری اغلب با محدودیت در دسترسی به داده‌ها مواجه هستند. برخلاف سایر مواد، مانند فلزات و ترکیبات معدنی، پلیمرها به دلیل برخورداری از ساختارهای زنجیره‌ای بلند، دارای ساختارهای چندمقیاسی منحصربه‌فردی هستند. خواص این مواد تحت تأثیر عوامل ساختاری در مقیاس مولکولی، از جمله وزن مولکولی، توزیع وزن مولکولی و میزان اتصالات عرضی، و همچنین ویژگی‌های ریزساختاری، مانند بلورینگی، جهت‌گیری زنجیره‌های پلیمری و جدایش فازی قرار دارند. این پیچیدگی‌های ساختاری، چالش‌های قابل‌توجهی را در زمینه ایجاد پایگاه‌های داده جامع و یکپارچه به وجود می‌آورند.

راهکارهای ارتقای قابلیت تعمیم‌پذیری مدل‌ها در مواجهه با شرایط مشاهده‌نشده

مسئله کمبود داده‌ها، توانایی آموزش مدل‌های هوش مصنوعی پایدار و تعمیم‌پذیر را محدود می‌کند؛ زیرا داده‌های تجربی موجود ممکن است نتوانند گستره وسیع فضای فیزیکی و شیمیایی پلیمرها را به‌خوبی پوشش دهند. این محدودیت می‌تواند به توسعه مدل‌هایی منجر شود که اگرچه بر روی داده‌های آموزشی عملکرد مطلوبی دارند، اما در مواجهه با داده‌ها و شرایط جدید و مشاهده‌نشده، از قابلیت تعمیم‌پذیری مناسبی برخوردار نیستند [DOI: 10.1038/s41524-024-01316-4]. ترکیب مدل‌های فیزیک‌آگاه (Physics-informed ML) و یادگیری فعال از جمله راهکارهای کلیدی جهت غلبه بر این موانع هستند.

💡 آموزش‌های تخصصی شیمی محاسباتی و مدل‌سازی: برای یادگیری مدل‌سازی مولکولی، سنتز داده‌محور و شبیه‌سازی‌های پلیمری، بخش کارگاه‌ها و دوره‌های تخصصی نیترونو را بررسی فرمایید.

جمع‌بندی؛ افق‌های تحول بنیادین شیمی پلیمر با یادگیری ماشین

پیوند میان هوش مصنوعی و مهندسی پلیمر، مسیرهای کشف مواد نوآورانه را کوتاه کرده و زمان سنتز آزمایشگاهی را به شکل چشمگیری کاهش داده است. اگرچه موانعی نظیر پیچیدگی ریزساختارها و کمبود داده‌های استاندارد وجود دارند، اما با یکپارچه‌سازی پایگاه‌های داده و طراحی معکوس مولکول‌ها، هوش مصنوعی نقشی غیرقابل انکار در آینده صنایع پلیمر و لاستیک ایفا خواهد کرد.

📌 منابع و مراجع علمی معتبر:
1. Machine Learning for Molecular Sciences, arXiv: 10.48550/arXiv.2204.06125
2. AI-Driven Polymer Discovery, Advanced Science: 10.1002/advs.202302508
3. Autonomous Materials Discovery, Science: 10.1126/science.aat2663
4. Generalization of Machine Learning in Polymeric Systems, npj Computational Materials: 10.1038/s41524-024-01316-4

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *