Kore’deki araştırmacılar, belirli hedef materyalleri sentezlemek için gerekli öncü malzemeleri otomatik olarak tanımlayan bir teknoloji geliştirdiler.
Kore Kimyasal Teknoloji Araştırma Enstitüsü’nden (KRICT) kıdemli araştırmacı Goyoung S. NA liderliğindeki ortak bir araştırma ekibi ve Kore İleri Bilim ve Teknoloji Enstitüsü’nden (Kaist) Profesör Chanyoung Park Gerekli öncü malzemeler sadece pahalı malzeme tanımlayıcıları ve kimyasal analiz olmadan hedef malzemenin kimyasal formülüne dayanmaktadır.
Öncül malzemeler, istenen hedef malzemenin sentez sürecinde gerekli olan tüm temel malzemelere atıfta bulunur.
Son yıllarda, malzeme keşfi, piller ve yarı iletkenler de dahil olmak üzere çeşitli endüstrilerde önemli bir görev haline gelmiştir. Geleneksel olarak, sentez için doğru ara malzemeleri bulmak maliyetli ve tekrarlayan deneyler gerektirmiştir. Bununla birlikte, bu malzemeleri verimli bir şekilde tanımlamak için AI kullanma talebi artan bir talep vardır.
Malzeme sentez süreçlerini tahmin etmek için mevcut AI tabanlı teknolojiler öncelikle ilaç bileşikleri gibi organik maddelere odaklanmıştır, oysa inorganik materyaller üzerinde yapılan araştırmalar nispeten yetersiz olmuştur. Bunun nedeni, metaller, karmaşık yapılara ve çeşitli element bileşimlerine sahip olmak gibi inorganik bileşiklerin sentez yollarını belirlemeyi zorlaştırmasıdır.
Araştırma ekibi, sadece kimyasal formülünü kullanarak hedef materyalin gerekli öncü malzemelerini tahmin etmenin ters sürecini öğrenebilen yenilikçi bir AI teknolojisi geliştirdi.
Daha önce Krict, 2022’de “Chemai” platformunu geliştirdi ve aktardı, bu da kullanıcıların gelişmiş programlama becerileri ve pahalı donanım altyapıları olmadan sentez bilgilerini tahmin etmelerini sağladı.
Bu yeni geliştirilen teknoloji, atomik düzenlemeler ve bağlanma bilgileri gibi inorganik malzemelerin karmaşık 3D yapılarının ortaya koyduğu zorlukların üstesinden gelmektedir. Bunun yerine, AI hedef materyalde bulunan elementlerin tiplerini ve oranlarını analiz eder ve daha kolay sentez reaksiyonlarını kolaylaştıran öncüleri tanımlamak için termodinamik oluşum enerji farklılıklarını hesaplar.
Önceki materyal tahminlerinin doğruluğunu artırmak için ekip, kimyasal verilerde uzmanlaşmış derin bir sinir ağı kullanmıştır. AI modeli, malzeme sentez süreçlerini ve öncü materyalleri detaylandıran yaklaşık 20.000 yayınlanmış araştırma makalesi üzerinde eğitilmiştir.
AI modeli, eğitim veri kümesinde sağlanmayan yaklaşık 2.800 sentez deneyinde test edilmiştir. Değerlendirme sonuçları, GPU hızlanması kullanılarak sadece 0.01 saniye içinde vakaların% 80’inden fazlasında gerekli öncü materyalleri başarıyla tahmin ettiğini göstermiştir.
İleriye baktığımızda, araştırma ekibi% 90 tahmin doğruluğu elde etmek için Krict’in araştırma projeleri aracılığıyla eğitim veri kümesini genişletmeyi planlıyor. 2026 yılına kadar AI tabanlı materyaller keşfi için web tabanlı bir kamu hizmeti kurmayı hedefliyorlar. Gelecekteki araştırmalar, hem öncü materyalleri hem de sentez yollarını sadece hedef malzemenin kimyasal formülüne dayanan öngören tamamen otomatik malzeme keşfine odaklanacaktır.
Araştırma ekibi, “Belirli malzeme türleriyle sınırlı olan geleneksel öncü tahmin AI modellerinin aksine, AI’mız hedef malzemelerin uygulamalarına bakılmaksızın öncü materyalleri evrensel olarak tahmin edebilir.”
Krict Başkanı Young-Kuk Lee, “Bu araştırmanın çeşitli endüstrilerdeki yeni malzeme gelişiminin verimliliğini artırması bekleniyor.”
Çalışma şu adreste yayınlandı Arxiv ön hazırlık sunucusu.
