به گزارش آهن نیوز؛ محققان با استفاده از سیستم هوش مصنوعی، پیش‌بینی‌های بسیار دقیقی را با سرعت ۲۵/ ۰ ثانیه برای هر پلیمر انجام دادند.
بنابراین، امکان پیش‌بینی جامع برای تعداد زیادی از پلیمرهای مدنظر در مدت زمان محدود فراهم شد. این بررسی‌ها منجر به ایجاد مدلی به نام پلی‌برت شد.
پلی‌برت (PolyBERT) یک مدل یادگیری مبتنی بر هوش مصنوعی است که شناسایی مولکول‌های پلیمر را تسریع می‌کند. این مدل، ساختارهای شیمیایی و اتصالات اتمی را شناسایی می‌کند.
روش شناسایی، مانند مدل‌هایی است که برای ترجمه متون استفاده می‌شوند. به بیان کلی، این مدل اتصالات را به زبان نوشتاری ویژه‌ای تبدیل می‌کند که با کمک آن می‌توان سرعت تولید پلیمرها را افزایش داد.
پلیمرها، دسته بزرگی از مواد، شامل مولکول‌های کوچکی به نام منومر هستند که به هم متصل شده و زنجیره‌های بلندی را تشکیل می‌دهند و در بسیاری از محصولات و کالاهایی که در زندگی روزمره استفاده می‌کنیم وجود دارند.
از سال‌ها پیش مردم از پلیمرها در زندگی خود استفاده می‌کردند، اما تقریبا تا جنگ جهانی دوم به خوبی آن را نمی‌شناختند.
مواد نسبتا کمی برای ساخت کالای مورد نیاز برای زندگی متمدن موجود بود. فولاد، شیشه، چوب، سنگ، آجر و بتن برای بیشتر ساخت‌وسازها. افزایش سریع تقاضا برای محصولات تولیدی باعث معرفی مواد جدیدی شد.
این مواد جدید پلیمری هستند و تاثیر آنها بر شیوه زندگی کنونی تقریبا غیرقابل محاسبه است. محصولات ساخته شده از پلیمرها در اطراف ما بسیارند: از لباس‌های ساخته شده از الیاف مصنوعی، فنجان‌های پلی‌اتیلن، فایبرگلاس، کیسه‌های پلاستیکی، رنگ‌های پلیمری، چسب اپوکسی، بالشتک فوم پلی‌اورتان، دریچه‌های قلب سیلیکونی گرفته تا ظروف پخت و پز با روکش تفلون. این لیست تقریبا بی‌پایان است.
شیمیدانان پلیمرهایی را طراحی و سنتز کرده‌اند که از نظر سختی، انعطاف‌پذیری، دمای نرم شدن، حلالیت در آب و زیست تخریبپذیری متفاوت هستند.
آنها مواد پلیمری‌ای تولید کرده‌اند که به استحکام فولاد در عین حال سبک‌تر و مقاوم‌تر در برابر خوردگی هستند. خطوط لوله نفت، گاز طبیعی و آب اکنون به طور معمول از لوله‌های پلاستیکی ساخته می‌شوند.
در سال‌های اخیر، خودروسازان استفاده خود از قطعات پلاستیکی را افزایش داده‌اند تا خودروهای سبک‌تری بسازند که سوخت کمتری مصرف می‌کنند.
سایر صنایع مانند صنایعی که در ساخت منسوجات، لاستیک، کاغذ و مواد بسته‌بندی دخیل هستند بر اساس شیمی پلیمر ساخته شده‌اند.
علاوه بر تولید انواع جدیدی از مواد پلیمری، محققان در فکر توسعه روش‌های ویژه‌ای هستند که برای سنتز صنعتی در مقیاس بزرگ پلیمرهای تجاری مورد نیاز است. بدون چنین روش‌هایی، فرآیند پلیمریزاسیون در موارد خاص بسیار کند خواهد بود.
در این بین، آزمایشگاه جورجیا تک، یک راه‌حل جدید پیشنهاد داده است که نوید می‌دهد چگونه دانشمندان و تولیدکنندگان می‌توانند پلیمرهای حیاتی را به کمک مواد شیمیایی ایجاد کنند.
پلی‌برت و جهش در تحقیقات پلیمری
تلاش مشترکی که توسط بنیاد ملی علوم ایالات متحده نیز پشتیبانی می‌شود، یک پیشرفت خارق‌العاده به دست آورده است، یک مدل یادگیری ماشینی به نام پلی‌برت.
پلی‌برت که توسط مهندس رانپی رامپراساد درجورجیا تک هدایت می‌شود، نشان‌دهنده یک تغییر پارادایم در انفورماتیک پلیمری است.
این ابزار نوآورانه که با مجموعه داده‌های عظیمی شامل ۸۰میلیون ساختار شیمیایی پلیمری آموزش دیده است، از تکنیک‌های پیشرفته الهام گرفته و از پردازش زبان طبیعی برای رمزگشایی «زبان» پیچیده پلیمرها استفاده می‌کند.
رمزگشایی زبان شیمیایی
رویکرد پلی‌برت مبتکرانه است. این مدل ساختارهای شیمیایی و اتصال اتمی را به عنوان شکل منحصر به فردی از زبان شیمیایی تفسیر می‌کند.
با اقتباس از موفقیت مدل‌های زبان، مانند مدل‌هایی که برای ترجمه متون استفاده می‌شوند، پلی‌برتنیز از معماری Transformer استفاده می‌کند. این معماری مدل را قادر می‌سازد تا الگوهای پیچیده، روابط و نوع دستوری که ساختارهای پلیمری را در سطوح اتمی و بالاتر تعریف می‌کنند، ثبت کند.
افزایش سرعت با پلی‌برت
قدرت پلی‌برت در سرعت آن است. در مقایسه با روش‌های سنتی، پلی‌برت افزایش سرعت شگفت‌انگیزی بیش از دو برابر را نشان می‌دهد.
این سرعت جدید، پلی‌برت را به عنوان یک گزینه ضروری برای خطوط لوله انفورماتیک پلیمری با کارآیی بالا مطرح می‌کند.
غربالگری سریع فضاهای پلیمری گسترده، که در گذشته یک فعالیت زمان‌بر بود، اکنون به لطف قابلیت‌های پردازش سریع پلی‌برت امکان‌پذیر است.
تسریع نوآوری و مسیر پیش رو
با پیشرفت مداوم فناوری واحد پردازش گرافیکی، کارآیی محاسباتی پلی‌برت آمادگی ارتقا به درجات بالاتری را نشان می‌دهد.
محققان پیش‌بینی می‌کنند که زمان محاسبه اثر انگشت پلی‌برت مجددا کاهش می‌یابد و تجزیه و تحلیل سریع‌تر و جامع‌تر ترکیب‌های پلیمری را تسهیل می‌کند.
چشم‌انداز NSF و آینده کشف پلیمر
دبورا رودریگز، مدیر برنامه در اداره فناوری، نوآوری و مشارکت NSF، اهمیت این پیشرفت را این گونه بیان کرد: محققانی که توسط برنامه مشارکت NSF برای تحقیقات در زمینه نوآوری تامین مالی شده‌اند، از قدرت هوش مصنوعی برای کشف دنیای پیچیده توسعه پلیمرها استفاده می‌کنند.
با استفاده از توانایی‌های پلی‌برت، اکنون محققان می‌توانند به سرعت طیف وسیعی از پلیمرهای متنوع را بدون نیاز به آزمایش‌های تخصصی بررسی کنند.
طلوع جدیدی برای علم پلیمر
تجسم توانایی‌های پلی‌برت، لحظه‌ای مهم در حوزه تحقیقات پلیمری را رقم زده است. همان‌طور که پلی‌برت به تکامل خود ادامه می‌دهد، تسریع نوآوری، ساده‌سازی تلاش‌های تحقیقاتی و هموار کردن راه برای مواد جدیدی که می‌توانند صنایع را تغییر دهند و زندگی ما را غنی‌تر کنند، را نوید می‌دهد.
ادغام هوش مصنوعی و علوم پلیمری نوید عصر جدیدی از اکتشاف است، جایی که زبان مواد شیمیایی توسط ماشین‌ها رمزگشایی می‌شود و ما را قادر می‌سازد تا پلیمرها را با دقت و کارآیی بی‌سابقه طراحی و مهندسی کنیم.
توسعه پلی‌برت نشان‌دهنده یک جهش بزرگ رو به جلو در حوزه تحقیقات پلیمر است. با استفاده از قدرت هوش مصنوعی و پردازش زبان، محققان اکنون به ابزاری مجهز شده‌اند که می‌تواند به سرعت پیچیدگی‌های شیمی پلیمرها را بررسی کند.
این سرعت و کارآیی جدید، پتانسیل تغییر صنایع و متحول کردن موادی را که در زندگی روزمره خود با آن مواجه می‌شویم، دارد.
همان‌طور که فناوری به پیشرفت خود ادامه می‌دهد، مشارکت بین هوش مصنوعی و علم پلیمر بدون شک ابعاد گسترده‌تری را آشکار می‌کند و درهایی را به روی سطوحی از نوآوری می‌گشاید که زمانی غیرقابل تصور بودند.
انتهای پیام/
نظر شما