دنیای پلیمرها بسیار گسترده و حیاتی است و تقریباً در تمام جنبه‌های زندگی روزمره ما نقش دارند. از پلاستیک‌های بسته‌بندی مواد غذایی گرفته تا الیاف لباس و مواد مورد استفاده در صنایع هوافضا، پلیمرها نقش کلیدی ایفا می‌کنند. با این حال، تنوع بسیار زیاد این مواد – که از نظر تئوری، امکان ساخت بی‌نهایتی از پلیمرها وجود دارد – چالش‌های قابل توجهی را برای شناسایی پلیمرهای مناسب برای کاربردهای خاص ایجاد می‌کند. یافتن پلیمری با خواص مطلوب به روش‌های سنتی اغلب زمان‌بر و پرهزینه است.

در این مقاله، رویکرد نوینی معرفی می‌شود که با بهره‌گیری از قدرت هوش مصنوعی و یادگیری ماشین، فرآیند شناسایی و طراحی پلیمرها را به طور چشمگیری سرعت می‌بخشد. این رویکرد، که با عنوان “پُلی‌برت” (polyBERT) شناخته می‌شود، یک مدل زبان شیمیایی است که ساختار شیمیایی پلیمرها را به عنوان یک زبان در نظر می‌گیرد و از این طریق، امکان تحلیل و پیش‌بینی خواص آن‌ها را فراهم می‌کند.

این مقاله توسط کریستوفر کوئنت (Christopher Kuenneth) و رامپی رامپراساد (Rampi Ramprasad) نگاشته شده است. نویسندگان در زمینه علم مواد و هوش مصنوعی تخصص دارند و تحقیقات آن‌ها بر توسعه روش‌های محاسباتی و یادگیری ماشین برای طراحی و بهینه‌سازی مواد متمرکز است.

رامپی رامپراساد یک استاد برجسته در زمینه علم مواد و مهندسی در موسسه فناوری جورجیا است. تحقیقات او عمدتا بر روی کشف، طراحی و مشخصه یابی مواد با استفاده از روش های محاسباتی و یادگیری ماشین متمرکز است. کریستوفر کوئنت نیز به عنوان محقق در این زمینه فعالیت می کند. تخصص مشترک این دو محقق، زمینه را برای ارائه راهکارهای نوین در حوزه انفورماتیک پلیمر فراهم کرده است.

این تحقیق در تقاطع علم مواد، شیمی، و علوم کامپیوتر قرار دارد و هدف آن ارائه ابزارهایی کارآمد برای کشف و توسعه پلیمرهای جدید با خواص مطلوب است.

چکیده مقاله به این شرح است: “پلیمرها بخش حیاتی زندگی روزمره هستند. دنیای شیمیایی آن‌ها آنقدر بزرگ است که فرصت‌های بی‌سابقه‌ای و همچنین چالش‌های قابل توجهی را برای شناسایی کاندیدهای مناسب برای کاربردهای خاص ارائه می‌دهد. ما یک خط لوله کامل انفورماتیک پلیمر ماشین‌محور ارائه می‌کنیم که می‌تواند این فضا را برای کاندیدهای مناسب با سرعت و دقت بی‌سابقه‌ای جستجو کند. این خط لوله شامل یک قابلیت انگشت‌نگاری شیمیایی پلیمر به نام polyBERT (با الهام از مفاهیم پردازش زبان طبیعی) و یک رویکرد یادگیری چندوظیفه‌ای است که اثر انگشت‌های polyBERT را به مجموعه‌ای از ویژگی‌ها نگاشت می‌کند. polyBERT یک زبان‌شناس شیمیایی است که ساختار شیمیایی پلیمرها را به عنوان یک زبان شیمیایی در نظر می‌گیرد. رویکرد حاضر از بهترین مفاهیم موجود برای پیش‌بینی ویژگی‌های پلیمر مبتنی بر طرح‌های اثر انگشت دستی، با حفظ دقت، دو مرتبه سریع‌تر است، بنابراین یک کاندیدای قوی برای استقرار در معماری‌های مقیاس‌پذیر از جمله زیرساخت‌های ابری است.”

به طور خلاصه، این مقاله یک روش نوین مبتنی بر هوش مصنوعی به نام پُلی‌برت را معرفی می‌کند که می‌تواند به طور قابل توجهی سرعت و دقت فرآیند کشف و توسعه پلیمرهای جدید را افزایش دهد. پُلی‌برت با استفاده از تکنیک‌های پردازش زبان طبیعی، ساختار شیمیایی پلیمرها را تحلیل کرده و خواص آن‌ها را پیش‌بینی می‌کند.

روش‌شناسی تحقیق در این مقاله بر دو پایه اصلی استوار است:

• توسعه مدل پُلی‌برت: این مدل بر اساس معماری Transformer، که در پردازش زبان طبیعی بسیار موفق بوده است، ساخته شده است. پُلی‌برت با استفاده از داده‌های وسیعی از ساختارهای شیمیایی پلیمرها آموزش داده شده است تا بتواند روابط بین ساختار و خواص پلیمرها را یاد بگیرد.
• یادگیری چندوظیفه‌ای: در این روش، مدل پُلی‌برت برای پیش‌بینی چندین خاصیت مختلف پلیمر به طور همزمان آموزش داده می‌شود. این امر باعث می‌شود که مدل بتواند اطلاعات بیشتری از داده‌ها استخراج کند و دقت پیش‌بینی خود را افزایش دهد. به عنوان مثال، مدل ممکن است به طور همزمان برای پیش بینی دمای انتقال شیشه ای، مدول الاستیک و پایداری حرارتی آموزش داده شود.

محققان برای آموزش و ارزیابی مدل پُلی‌برت از مجموعه داده‌های بزرگ و متنوعی از پلیمرها استفاده کردند. عملکرد پُلی‌برت با استفاده از معیارهای مختلف ارزیابی شد و نتایج نشان داد که پُلی‌برت در مقایسه با روش‌های سنتی، دقت و سرعت بالاتری در پیش‌بینی خواص پلیمرها دارد.

یکی از جنبه‌های مهم این روش‌شناسی، استفاده از انگشت‌نگاری شیمیایی (Chemical Fingerprinting) است. پُلی‌برت ساختار شیمیایی هر پلیمر را به یک “اثر انگشت” منحصر به فرد تبدیل می‌کند. این اثر انگشت، اطلاعات کلیدی مربوط به ساختار مولکولی پلیمر را در خود جای داده و به مدل اجازه می‌دهد تا خواص آن را به طور موثرتری پیش‌بینی کند.

یافته‌های کلیدی این تحقیق عبارتند از:

• سرعت بالا: پُلی‌برت در مقایسه با روش‌های سنتی پیش‌بینی خواص پلیمر، دو مرتبه سریع‌تر است. این امر به محققان امکان می‌دهد تا به سرعت تعداد زیادی از پلیمرها را بررسی کنند و کاندیدهای مناسب برای کاربردهای خاص را شناسایی کنند.
• دقت بالا: پُلی‌برت در پیش‌بینی خواص پلیمرها از دقت بالایی برخوردار است و می‌تواند با بهترین روش‌های موجود رقابت کند.
• مقیاس‌پذیری: پُلی‌برت می‌تواند به راحتی در معماری‌های مقیاس‌پذیر، از جمله زیرساخت‌های ابری، مستقر شود. این امر امکان استفاده از پُلی‌برت را برای حجم زیادی از داده‌ها و کاربردهای مختلف فراهم می‌کند.

به طور خاص، محققان نشان دادند که پُلی‌برت می‌تواند خواصی مانند دمای انتقال شیشه‌ای (Tg) و مدول یانگ را با دقت بالایی پیش‌بینی کند. این خواص برای طراحی و انتخاب پلیمرها در بسیاری از کاربردها بسیار مهم هستند.

کاربردهای بالقوه پُلی‌برت بسیار گسترده است و می‌تواند تحولی در صنایع مختلف ایجاد کند. برخی از کاربردهای کلیدی عبارتند از:

• کشف پلیمرهای جدید: پُلی‌برت می‌تواند به محققان کمک کند تا به سرعت پلیمرهای جدید با خواص مطلوب را شناسایی کنند.
• بهینه‌سازی پلیمرهای موجود: پُلی‌برت می‌تواند برای بهینه‌سازی خواص پلیمرهای موجود، مانند افزایش استحکام یا بهبود پایداری حرارتی، استفاده شود.
• طراحی پلیمرها برای کاربردهای خاص: پُلی‌برت می‌تواند برای طراحی پلیمرهایی که به طور خاص برای کاربردهای خاص، مانند ساخت دستگاه‌های پزشکی یا پوشش‌های محافظ، طراحی شده‌اند، استفاده شود.

دستاورد اصلی این تحقیق، ارائه یک ابزار قدرتمند و کارآمد برای تسریع فرآیند کشف و توسعه پلیمرها است. پُلی‌برت می‌تواند به محققان و مهندسان کمک کند تا به سرعت پلیمرهای مناسب برای نیازهای خود را شناسایی کنند و از این طریق، نوآوری در صنایع مختلف را تسریع بخشند.

مدل پُلی‌برت یک گام مهم در جهت توسعه انفورماتیک پلیمر ماشین‌محور است. این مدل با استفاده از تکنیک‌های پردازش زبان طبیعی و یادگیری چندوظیفه‌ای، امکان پیش‌بینی سریع و دقیق خواص پلیمرها را فراهم می‌کند. پُلی‌برت پتانسیل این را دارد که تحولی در صنایع مختلف ایجاد کند و به محققان و مهندسان کمک کند تا پلیمرهای جدید با خواص مطلوب را به سرعت و کارآمدی بیشتری کشف کنند.

با توجه به یافته‌های این تحقیق، می‌توان انتظار داشت که در آینده شاهد توسعه و کاربرد گسترده‌تر مدل‌های مشابه پُلی‌برت در حوزه علم مواد و مهندسی شیمی باشیم. این مدل‌ها می‌توانند نقش مهمی در حل چالش‌های مربوط به طراحی و بهینه‌سازی مواد در صنایع مختلف ایفا کنند و به پیشرفت‌های قابل توجهی در زمینه‌هایی مانند انرژی، پزشکی و تولید پایدار منجر شوند.

در نهایت، این تحقیق نشان می‌دهد که با بهره‌گیری از قدرت هوش مصنوعی و یادگیری ماشین، می‌توان فرآیندهای سنتی کشف و توسعه مواد را به طور چشمگیری بهبود بخشید و امکان ساخت موادی با خواص سفارشی برای کاربردهای خاص را فراهم کرد.