در دهه‌های اخیر، پیوند میان هوش مصنوعی و علم مواد، انقلابی در فرآیند کشف و طراحی مواد جدید ایجاد کرده است. مدل‌های یادگیری ماشین (ML) می‌توانند با تحلیل حجم عظیمی از داده‌ها، الگوهایی را کشف کنند که پیش‌بینی خواص مواد را با سرعتی بی‌سابقه ممکن می‌سازد. با این حال، این حوزه با چالش‌های منحصر به فردی روبروست. بسیاری از مدل‌های موفق بر پایگاه‌داده‌های بزرگ محاسباتی (مانند داده‌های حاصل از نظریه تابعی چگالی یا DFT) تکیه دارند که دقت آن‌ها به خود محاسبات وابسته است. از سوی دیگر، داده‌های تجربی که بازتاب دقیق‌تری از واقعیت هستند، اغلب محدود، پراکنده و ناقص می‌باشند.

این مقاله که توسط گروهی از پژوهشگران برجسته منتشر شده است، راهکاری نوآورانه برای این چالش ارائه می‌دهد. پژوهشگران با الهام از موفقیت مدل‌های یادگیری ماشین چندوجهی (Multimodal Machine Learning) مانند GPT-4 که قادر به درک همزمان متن و تصویر هستند، این مفهوم را به علم مواد تعمیم داده‌اند. در علم مواد، داده‌ها نیز دارای وجه‌های گوناگونی هستند، مانند ترکیب شیمیایی (Composition) و ساختار بلوری (Structure). این مقاله یک رویکرد جدید به نام یادگیری دووجهی ترکیب-ساختار را معرفی می‌کند که هدف آن بهبود پیش‌بینی خواص مواد بر اساس داده‌های تجربی است، حتی زمانی که اطلاعات ساختاری برای بخشی از داده‌ها در دسترس نیست. اهمیت این کار در توانایی آن برای بهره‌برداری حداکثری از داده‌های ارزشمند اما ناقص تجربی و برداشتن گامی بزرگ به سوی علم مواد داده‌محور است.

این مقاله حاصل همکاری تیمی از محققان برجسته در موسسه فناوری ماساچوست (MIT) است. نویسندگان مقاله، شنگ گونگ (Sheng Gong)، شو وانگ (Shuo Wang)، تایشان ژو (Taishan Zhu)، یانگ شائو-هورن (Yang Shao-Horn) و جفری سی. گراسمن (Jeffrey C. Grossman)، همگی از چهره‌های شناخته‌شده در زمینه علم مواد محاسباتی، هوش مصنوعی و کاربردهای انرژی هستند. پروفسور گراسمن و پروفسور شائو-هورن به دلیل تحقیقات پیشگامانه خود در زمینه مواد نوین برای انرژی، به ویژه باتری‌ها و سلول‌های خورشیدی، شهرت جهانی دارند. این پژوهش در تقاطع سه حوزه کلیدی قرار دارد:

• علم و مهندسی مواد: تمرکز بر درک و پیش‌بینی خواص فیزیکی و شیمیایی مواد.
• هوش مصنوعی و یادگیری ماشین: استفاده از الگوریتم‌های پیشرفته برای مدل‌سازی روابط پیچیده در داده‌ها.
• انفورماتیک مواد (Materials Informatics): یک زمینه بین‌رشته‌ای که از ابزارهای داده‌کاوی برای تسریع کشف مواد بهره می‌برد.

این مقاله یک چارچوب یادگیری ماشین نوین به نام شبکه دووجهی ترکیب-ساختار (COSNet) را معرفی می‌کند. هدف اصلی این مدل، افزایش دقت پیش‌بینی خواص مواد اندازه‌گیری‌شده به صورت تجربی است، به ویژه در شرایطی که اطلاعات ساختاری (مانند پارامترهای شبکه بلوری) برای همه نمونه‌ها موجود نیست. مدل‌های سنتی معمولاً تنها از ترکیب شیمیایی ماده برای پیش‌بینی استفاده می‌کنند (یادگیری تک‌وجهی) و از اطلاعات غنی نهفته در ساختار سه بعدی چشم‌پوشی می‌کنند.

COSNet با بهره‌گیری از رویکرد یادگیری دووجهی، قادر است به طور همزمان از هر دو وجه اطلاعاتی (ترکیب و ساختار) بیاموزد. این مدل به گونه‌ای طراحی شده است که حتی اگر اطلاعات ساختاری برای یک ماده در دسترس نباشد، همچنان می‌تواند با تکیه بر دانش آموخته‌شده از نمونه‌های کامل‌تر، پیش‌بینی دقیقی ارائه دهد. نتایج نشان می‌دهد که این رویکرد به طور قابل توجهی خطای پیش‌بینی را در طیف وسیعی از خواص مواد، از جمله هدایت یونی لیتیوم، شکاف باند، ضریب شکست و ثابت دی‌الکتریک، کاهش می‌دهد و از روش‌های مبتنی بر ترکیب به تنهایی، عملکرد بهتری دارد. علاوه بر این، مقاله تاکید می‌کند که افزایش داده (Data Augmentation) مبتنی بر در دسترس بودن وجه‌های مختلف داده، نقشی حیاتی در موفقیت این رویکرد ایفا می‌کند.

قلب این پژوهش، معماری مدل COSNet است که بر پایه مفهوم یادگیری دووجهی بنا شده است. در این چارچوب، هر ماده با دو نوع نمایش (وجه) مختلف توصیف می‌شود:

• وجه اول: ترکیب (Composition): این وجه به سادگی فرمول شیمیایی ماده است (مثلاً LiCoO₂). این اطلاعات تقریباً همیشه برای داده‌های تجربی در دسترس است و به عنوان ورودی پایه عمل می‌کند.
• وجه دوم: ساختار (Structure): این وجه اطلاعات مربوط به آرایش فضایی اتم‌ها در شبکه بلوری را در بر می‌گیرد. این اطلاعات بسیار غنی‌تر است اما به دست آوردن آن از طریق آزمایش‌هایی مانند پراش اشعه ایکس (XRD) دشوارتر و پرهزینه‌تر است، لذا در بسیاری از پایگاه‌داده‌های تجربی وجود ندارد.

مدل COSNet دارای دو شاخه پردازشی مجزا (انکودر) است؛ یکی برای پردازش اطلاعات ترکیب و دیگری برای اطلاعات ساختار. این دو شاخه به طور مستقل ویژگی‌های کلیدی را از هر وجه استخراج می‌کنند. سپس، خروجی‌های این دو شاخه در یک لایه نهایی با یکدیگر ترکیب (fuse) می‌شوند تا پیش‌بینی نهایی در مورد خاصیت مورد نظر (مثلاً شکاف باند) انجام شود.

نوآوری اصلی در نحوه آموزش این مدل نهفته است. COSNet روی یک مجموعه داده ترکیبی آموزش داده می‌شود که در آن برخی نمونه‌ها هر دو وجه ترکیب و ساختار را دارند، در حالی که برخی دیگر فقط اطلاعات ترکیب را دارند. در حین آموزش، مدل یاد می‌گیرد که چگونه از اطلاعات ساختاری در صورت وجود، نهایت استفاده را ببرد و در غیاب آن، چگونه دانش نهفته در وجه ترکیب را با الگوهای آموخته‌شده از ساختار مرتبط سازد. این انعطاف‌پذیری، COSNet را به ابزاری قدرتمند برای کار با داده‌های واقعی و ناقص دنیای آزمایشگاهی تبدیل می‌کند.

تحلیل‌های انجام شده در این مقاله به نتایج قابل توجهی منجر شد که برتری رویکرد دووجهی را به وضوح نشان می‌دهد. مهم‌ترین یافته‌ها عبارتند از:

• کاهش چشمگیر خطای پیش‌بینی: مدل COSNet در مقایسه با مدل‌های پیشرفته‌ای که فقط از اطلاعات ترکیب استفاده می‌کنند، به طور مداوم خطای پیش‌بینی را برای خواص مختلف کاهش داد. این بهبود در پیش‌بینی خواص متنوعی مشاهده شد:
  • هدایت یونی لیتیوم: یک پارامتر حیاتی برای طراحی الکترولیت‌های جامد در باتری‌های نسل جدید.
  • شکاف باند (Band Gap): خاصیتی کلیدی برای مواد نیمه‌رسانا در کاربردهای اپتوالکترونیک و سلول‌های خورشیدی.
  • ضریب شکست و ثابت دی‌الکتریک: پارامترهای مهم برای طراحی مواد اپتیکی و قطعات الکترونیکی.
  • انرژی و گشتاور مغناطیسی: خواص بنیادی برای درک پایداری و رفتار مغناطیسی مواد.
• نقش حیاتی افزایش داده: پژوهشگران دریافتند که موفقیت مدل به شدت به استراتژی افزایش داده مبتنی بر وجه (Modal-based Data Augmentation) وابسته است. این استراتژی به مدل اجازه می‌دهد تا از پایگاه‌داده‌های بزرگ محاسباتی (که کامل هستند) برای یادگیری اولیه الگوهای ساختاری استفاده کند و سپس این دانش را به داده‌های محدود تجربی منتقل نماید.
• توانایی مقابله با داده‌های ناقص: مهم‌ترین دستاورد COSNet، توانایی آن در مدیریت هوشمندانه اطلاعات ناقص است. این مدل نشان داد که می‌تواند با موفقیت از دانش ساختاری موجود در بخشی از داده‌ها برای بهبود پیش‌بینی‌ها در کل مجموعه داده، از جمله نمونه‌های فاقد اطلاعات ساختاری، بهره‌برداری کند.

پیامدهای این پژوهش فراتر از یک پیشرفت آکادمیک است و کاربردهای عملی گسترده‌ای در زمینه علم مواد دارد:

• تسریع در کشف مواد جدید: با پیش‌بینی دقیق‌تر خواص، محققان می‌توانند فضای گسترده‌ای از ترکیبات شیمیایی ممکن را به سرعت غربال کرده و تنها کاندیداهای امیدوارکننده را برای سنتز و آزمایش‌های پرهزینه انتخاب کنند. این امر به طور قابل توجهی چرخه کشف مواد را کوتاه می‌کند.
• طراحی الکترولیت‌های جامد بهتر: پیش‌بینی دقیق هدایت یونی لیتیوم می‌تواند به شناسایی الکترولیت‌های جامد جدید با عملکرد بالا برای ساخت باتری‌های ایمن‌تر و با چگالی انرژی بالاتر منجر شود.
• توسعه مواد اپتوالکترونیک: توانایی پیش‌بینی دقیق شکاف باند و ضریب شکست، راه را برای طراحی مواد جدید برای کاربردهایی مانند LED، لیزر و فوتوولتائیک هموار می‌کند.
• ایجاد پل بین تئوری و آزمایش: این رویکرد به طور مؤثری شکاف بین پایگاه‌داده‌های بزرگ محاسباتی و داده‌های محدود اما دقیق تجربی را پر می‌کند. COSNet می‌تواند به اعتبارسنجی نتایج محاسباتی و همچنین غنی‌سازی داده‌های تجربی کمک کند.

این مقاله با معرفی چارچوب یادگیری دووجهی ترکیب-ساختار، گامی مهم در جهت تکامل انفورماتیک مواد برداشته است. مدل COSNet نشان می‌دهد که با بهره‌گیری هوشمندانه از وجه‌های مختلف داده، حتی زمانی که داده‌ها ناقص هستند، می‌توان به مدل‌های پیش‌بینی‌کننده بسیار دقیق‌تر و کاربردی‌تری دست یافت. این کار ثابت می‌کند که آینده علم مواد داده‌محور نه تنها به حجم داده‌ها، بلکه به توانایی ما در درک و یکپارچه‌سازی انواع مختلف اطلاعات بستگی دارد.

چشم‌انداز آینده این حوزه بسیار روشن است. این رویکرد را می‌توان به وجه‌های اطلاعاتی دیگر نیز گسترش داد. برای مثال، می‌توان اطلاعات مربوط به تصاویر میکروسکوپی (مانند SEM و TEM)، پارامترهای فرآیند سنتز یا داده‌های طیف‌سنجی را به عنوان وجه‌های جدید به مدل اضافه کرد. چنین مدل‌های چندوجهی پیشرفته‌ای می‌توانند درک ما از روابط پیچیده میان ساختار، فرآیند و خواص مواد را متحول کرده و عصر جدیدی از طراحی هوشمند مواد را آغاز کنند.