ذكاء اصطناعي يسرّع التنبؤ بخواص التوصيل الحراري للمواد بمعدل 1000 مرة

تُقدّر الأبحاث العلمية أن حوالي 70% من الطاقة المُنتجة عالميًا تُهدر على شكل حرارة. لو تمكّن العلماء من التنبؤ بشكل أفضل بكيفية انتقال الحرارة عبر أشباه الموصلات والعوازل، لأمكنهم تصميم أنظمة توليد طاقة أكثر كفاءة. لكن تكمن العقبة في صعوبة بالغة لنمذجة الخصائص الحرارية للمواد.

تكمن المشكلة في الفونونات، وهي جسيمات دون ذرية تحمل الحرارة. تعتمد بعض الخصائص الحرارية للمواد على قياس يُسمى “علاقة تشتت الفونون”، والذي يصعب الحصول عليه بشكل لا يصدق، ناهيك عن استخدامه في تصميم نظام ما.

تصدّى فريق من الباحثين من معهد ماساتشوستس للتكنولوجيا (MIT) وجهات أخرى لهذه التحدي بإعادة التفكير في المشكلة برمتها. نتج عن عملهم إطار عمل جديد للتعلم الآلي قادر على التنبؤ بعلاقات تشتت الفونونات بسرعة تصل إلى 1000 مرة أسرع من التقنيات الأخرى القائمة على الذكاء الاصطناعي، مع دقة مماثلة أو حتى أفضل. بالمقارنة بالطرق التقليدية غير المعتمدة على الذكاء الاصطناعي، يمكن أن تكون أسرع بمليون مرة.

هذه الطريقة يمكن أن تساعد المهندسين في تصميم أنظمة توليد طاقة تنتج طاقة أكبر بكفاءة أعلى. كما يمكن استخدامها لتطوير إلكترونيات دقيقة أكثر كفاءة، حيث أن إدارة الحرارة تظل عقبة رئيسية أمام تسريع عمل الأجهزة الإلكترونية.

يقول مينغدا لي، الأستاذ المشارك في قسم الهندسة النووية والهندسة النووية والمؤلف الرئيسي لبحث حول هذه التقنية: “الفونونات هي السبب الرئيسي لفقدان الحرارة، ومع ذلك، فإن الحصول على خصائصها يمثل تحديًا كبيرًا سواء من الناحية الحسابية أو التجريبية”.

انضم إلى لي في البحث المؤلفان المشاركان ريوتارو أوكابي، طالب دراسات عليا في الكيمياء؛ وأبهيجاتميدهي تشوتراتانابيترك، طالب دراسات عليا في الهندسة الكهربائية وعلوم الكمبيوتر؛ تومي جااكولا، أستاذ توماس سيبيل للهندسة الكهربائية وعلوم الكمبيوتر في معهد ماساتشوستس للتكنولوجيا؛ بالإضافة إلى باحثين آخرين في معهد ماساتشوستس للتكنولوجيا ومختبر أرجون الوطني وجامعة هارفارد وجامعة ساوث كارولينا وجامعة إيموري وجامعة كاليفورنيا في سانتا باربرا ومختبر أوك ريدج الوطني. نُشر البحث في دورية “Nature Computational Science”.

توقع الفونونات

يصعب التنبؤ بالفونونات الحاملة للحرارة لأن لديها مدى تردد واسع للغاية، كما تتفاعل الجسيمات وتنتقل بسرعات مختلفة.

علاقة تشتت الفونونات للمادة هي العلاقة بين طاقة وزخم الفونونات في بنيتها البلورية. لسنوات، حاول الباحثون التنبؤ بعلاقات تشتت الفونونات باستخدام التعلم الآلي، ولكن هناك حاجة للقيام بالعديد من الحسابات عالية الدقة والتي تُثقل نماذج التعلم الآلي.

يقول أوكابي: “إذا كان لديك 100 معالج وحدة معالجة مركزية وبضعة أسابيع، فربما يمكنك حساب علاقة تشتت الفونونات لمادة واحدة. يطمح المجتمع العلمي حقًا إلى طريقة أكثر كفاءة للقيام بذلك”.

تُعرف نماذج التعلم الآلي التي يستخدمها العلماء عادةً لهذه الحسابات باسم شبكات الأعصاب الرسومية (GNN). تقوم شبكة الأعصاب الرسومية بتحويل البنية الذرية للمادة إلى رسم بلوري يتكون من عدة عقد، تمثل ذرات، متصلة بحواف، تمثل الروابط بين الذرات.

هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي