Malzeme keşfinde yorumlanabilir yapay zeka: Modellerin nasıl tahminlerde bulunduğunu ortaya çıkarmak

Japonya’dan araştırmacılar tarafından malzeme keşfinde kullanılan yapay zeka (AI) modellerinin öğrenilen özelliklerinin analiz edilerek yorumlanmasına yönelik bir yöntem geliştirildi. Yöntem, atomik yapısal veriler ve optik absorpsiyon spektrumları üzerine eğitilmiş bir yapay zeka modelinden temel özellikleri çıkarıyor ve ardından benzer yapısal ve spektral özelliklere sahip malzemeleri gruplandırıyor. Bu yaklaşım, atomik düzenlemelerin diğer malzeme özelliklerini nasıl etkilediğini ortaya çıkaracak şekilde genişletilebilir ve daha verimli malzeme tasarımının önünü açabilir.

Son yıllarda yapay zeka (AI), malzemelerin atomik yapılarına göre nasıl davranacağını tahmin etmek için güçlü bir araç olarak ortaya çıktı; araştırmacıların yeni malzemeleri daha hızlı keşfetmesine ve deneme yanılma yöntemlerine bağımlılığı azaltmasına yardımcı oldu. Ancak bu modellerin çoğu “kara kutu” gibi çalışıyor. Doğru tahminler yapabiliyorlar ama bu tahminlerin nasıl yapıldığını açıklamıyorlar. Bu, bir malzemenin yapısı ile özellikleri arasındaki ilişkilerin anlaşılmasını zorlaştırmakta ve bu modellerin yeni tasarımların geliştirilmesine rehberlik etmede ne kadar yararlı olduğunu sınırlamaktadır.

Şimdi dergide yayınlanacak bir çalışmada Gelişmiş Akıllı KeşifJaponya Bilim Enstitüsü’nden (Bilim Tokyo) araştırmacılar, bu modelleri daha yorumlanabilir hale getirmek için bir yöntem geliştirdiler. Yaklaşımları, eğitimli bir yapay zeka modelini analiz ederek ve kristal yapının optik spektrumlarla nasıl ilişkili olduğuna dair öğrendiği temel özellikleri çıkararak çalışıyor. Bu özellikleri kullanarak araştırmacılar daha sonra benzer optik spektrumları ve yapısal özellikleri paylaşan malzemeleri gruplandırdılar.

Çalışma, Japonya Tohoku Üniversitesi Malzeme Araştırma Enstitüsü’nden Profesör Yu Kumagai ile işbirliği içinde, Bilim Tokyo Malzeme ve Yapı Laboratuvarı’ndan Yardımcı Doçent Akira Takahashi, Profesör Fumiyasu Oba (ayrıca KISTEC, Japonya’da proje lideri) ve yüksek lisans öğrencisi Arata Takamatsu (araştırma sırasında) tarafından yürütüldü.

Takahashi, “Önerilen sınıflandırma yöntemimiz, yapay zeka tahmin modellerinin nasıl tahminler yaptığını, yani istenen spektral şekiller için temel faktörleri çıkararak ve böylece malzeme tasarımı için yararlı fiziksel ve kimyasal bilgiler sağlayarak, nasıl tahminlerde bulunduğunun ayrıntılı olarak anlaşılmasına olanak tanıyor” diyor.

Spektral veriler neden daha zordur?

Bir malzemenin özellikleri genellikle bazı parametrelere bağlıdır ve spektral veriler kullanılarak tanımlanır; örneğin, ışığın malzemeyle farklı dalga boylarında nasıl etkileşime girdiğini yakalayan optik absorpsiyon spektrumları. Tek bir sayıyla temsil edilen özelliklerle karşılaştırıldığında, spektral veriler çok daha zengin ve daha karmaşıktır; bu da onların geleneksel yapay zeka yöntemleri kullanılarak yorumlanmasını zorlaştırır.

Araştırmacılar, 2.681 metal oksit, kalkojenit ve ilgili bileşiklerden elde edilen verileri kullanarak atomik yapıdan optik absorpsiyon spektrumlarını tahmin etmek için eğitilmiş, mevcut bir grafik sinir ağı mimarisi olan atomistik çizgi grafik sinir ağını (ALIGNN) kullandılar. Eğitilen modelden, iç katmanlarından özellikler çıkardılar ve öğeleri benzerliğe göre gruplandıran bir yöntem olan hiyerarşik kümelemeyi uyguladılar.

Bu onların malzemeleri element bileşimi, atomik koordinasyon, bağ uzunlukları ve bağ açıları ve benzer spektral şekiller gibi yapısal özellikleri paylaşan farklı gruplara ayırmalarına olanak sağladı. Özellikle model, girdi olarak oksidasyon durumları veya elektronik konfigürasyonlar verilmeden, bu kalıpları yalnızca atom yapısından öğrendi; bu da yapı ve özellikler arasında dahili olarak anlamlı ilişkiler yakaladığını gösteriyor.

Malzeme tasarımı için daha geniş kullanımlar

Optik özellikler birçok uygulamada önemli bir rol oynar. Pigmentler ve boyalar için önemli olan bir malzemenin görünümünü etkilerler ve güneş pilleri ve fotodetektörler gibi cihazlarda ışıkla nasıl etkileşime gireceğini belirlerler. Bu spektrumları hangi temel türlerin ve yapısal özelliklerin şekillendirdiğini anlamak, bu tür malzemeler için rasyonel tasarım yönergeleri oluşturmanın anahtarıdır.

Dahası, yaklaşım optik spektrumla sınırlı değildir: Bir malzemenin yapısının sıcaklık veya basınç gibi farklı koşullar altında davranışını nasıl etkilediğini belirlemek için genişletilebilir ve spesifik ve kullanışlı özelliklere sahip malzemelerin tasarlanması için yeni olasılıklar açılabilir. Burada optik absorpsiyon için gösterildiği gibi, yaklaşım bir dizi spektral özelliğe uygulanarak araştırmacıların farklı malzemeler tarafından paylaşılan ortak faktörleri belirlemesine ve istenen spektral özelliklerin kökenlerini çıkarmasına olanak tanır.

Takahashi, “Makine öğrenimi modellerinin spektral özellikler hakkında öğrendiklerini yorumlamak zor oldu. Bu çalışmada, bu tür içgörüleri elde etmek için genel bir yöntem geliştirdik ve bunun malzeme araştırmaları için geniş ölçüde yararlı olacağına inanıyoruz” diye bitiriyor Takahashi.