پیش از زمان: هوش مصنوعی محدود به تحقیقات قبل از سال 2018، کاتالیزور هیدروژن را در آزمایش‌های بعدی گزارش کرد.

توسط مرکز تعالی ARC برای علم و نوآوری کربن

ویرایش شده توسط Swati Mestri، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

محققان از هوش مصنوعی برای شناسایی کاتالیزورهای امیدوارکننده تنها با استفاده از دانش علمی که سال ها قبل از کشف واقعی آنها در دسترس بود، استفاده کرده اند. یافته های آنها می تواند جستجو برای تولید هیدروژن کارآمدتر و سایر فرآیندهای شیمیایی ارزشمند را تسریع بخشد.

پیش بینی آینده یک علم نادقیق است. خروجی فقط می تواند تئوری باشد زیرا آینده هنوز اتفاق نیفتاده است. اما اگر بتوانید یک پیش‌بینی را در برابر آینده‌ای که قبلا رخ داده است آزمایش کنید، چه؟ محققان مرکز عالی علم و نوآوری کربن ARC راهی مبتکرانه برای انجام این کار یافته اند.

در واقع، برای حرکت به جلو، ساعت را به عقب برگرداندند: آنها ادبیات علمی مورد استفاده سیستم خود را به اطلاعات منتشر شده قبل از یک تاریخ خاص محدود کردند، سپس از آن خواستند الکتروکاتالیست های امیدوارکننده را شناسایی کند.

نتایج نشان می‌دهد که برخی از پیشرفت‌های علمی فردا ممکن است در مجموعه عظیم تحقیقاتی که قبلا منتشر شده است پنهان شده باشد.

این تحقیق که در ACS Catalysis منتشر شده است، بررسی می‌کند که چگونه مدل‌های زبان بزرگ (LLM) می‌توانند به دانشمندان کمک کنند تا الکتروکاتالیست‌های امیدوارکننده را شناسایی کنند - موادی که واکنش‌های شیمیایی مرتبط با الکتریسیته را تسریع می‌کنند.

تیم تحقیقاتی متشکل از اعضای مرکز، دکتر یران جیائو، پروفسور یان جیائو و پروفسور شی ژانگ کیائو، همراه با همکارانی از علوم کامپیوتر، بر روی آلیاژهای با آنتروپی بالا (HEAs) با پشتیبانی از کربن متمرکز شدند. این مواد معمولا از پنج یا چند فلز مختلف در نسبت‌های نسبتا مشابه، همراه با تکیه‌گاه‌های مبتنی بر کربن تشکیل شده‌اند.

برهمکنش بین فلزات متعدد و مواد مبتنی بر کربن می تواند خواص منحصر به فردی ایجاد کند و آنها را به عنوان نامزدهای امیدوارکننده ای برای کاربردهایی مانند تولید هیدروژن تبدیل کند.

اما یافتن ترکیب مناسب یک چالش بزرگ است. به گفته Yiran Jiao، زمانی که دانشمندان عناصر مختلف، نسبت آنها و ساختارهایی که تشکیل می دهند را محاسبه کنند، تعداد ترکیبات احتمالی HEA می تواند به میلیون ها نفر برسد. این باعث می شود آزمایش هر احتمالی غیرعملی باشد.

برای مبارزه با این، محققان به طور سنتی بر محاسبات نظری، دانش علمی موجود و آزمون و خطا از طریق آزمایش برای شناسایی نامزدهای امیدوارکننده تکیه می‌کنند.

هر رویکرد با محدودیت هایی همراه است. شبیه‌سازی‌های کامپیوتری می‌توانند تعداد زیادی از مواد را آزمایش کنند، اما شرایط شبیه‌سازی شده آن‌ها همیشه منعکس‌کننده آنچه در آزمایشگاه اتفاق می‌افتد، نیست. آزمایش آزمایشی قابل اعتمادتر است، اما سنتز و ارزیابی مواد جدید زمان و تلاش قابل توجهی را می طلبد.

محققان همچنین تمایل دارند ترکیبی از عناصری را که قبلا به خوبی با هم کار می کنند، ترجیح دهند، که می تواند به معنای نادیده گرفته شدن ترکیبات کمتر آشکار با خواص بالقوه ارزشمند باشد.

تیم تحقیقاتی در صدد یافتن راه دیگری برآمدند. رویکرد آنها از مدل‌های زبانی بزرگ برای جمع‌آوری اطلاعات از نشریات علمی استفاده کرد، سپس آن اطلاعات را برای شناسایی الگوها و روابطی که می‌توانست به مواد جدید امیدوارکننده اشاره کند، تجزیه و تحلیل کرد.

یران جیائو می گوید: «مقدار زیادی از اطلاعات در نشریات تحقیقاتی وجود دارد. "شما نمی توانید آنها را یکی یکی مرور کنید تا همه دانش را استخراج کنید. این چیزی است که مدل های زبان بزرگ می توانند به ما کمک کنند."

اما Yiran Jiao تخمین می زند که بررسی و استخراج اطلاعات تنها از 100 مقاله علمی می تواند چندین ساعت طول بکشد. در مقابل، رویکرد تحقیقاتی جدید این تیم می‌تواند اطلاعات هزاران نشریه را در یک بازه زمانی مشابه استخراج کند.

او توضیح می‌دهد: «ما در تلاش بودیم تا نامزدهای احتمالی را از میلیون‌ها ترکیب به شاید ۱۰ یا ۲۰ کاهش دهیم. این می تواند زمان و تلاش مورد نیاز برای بررسی آنها را تا حد زیادی کاهش دهد."

اما استخراج اطلاعات تنها گام اول بود. محققان همچنین یک روش محاسباتی جدید برای تجزیه و تحلیل الگوها و روابط موجود در آن اطلاعات ایجاد کردند. این به آنها اجازه داد تا پیش بینی کنند که کدام ترکیب فلزات ممکن است کاتالیزورهایی با پایداری و فعالیت بیشتر تولید کند، از جمله ترکیباتی که هرگز به صورت تجربی آزمایش نشده بودند.

برای آزمایش این رویکرد، محققان سیستم را به دانش علمی موجود تا سال 2017 محدود کردند، سپس پیش‌بینی‌های آن را با تحقیقات منتشر شده پس از آن مقایسه کردند. در یک مثال، این سیستم یک کاتالیزور امیدوارکننده را شناسایی کرد که کروم، کبالت، آهن، منگنز و نیکل را ترکیب می‌کرد. این آلیاژ که با نام CrCoFeMnNi شناخته می شود، متعاقبا به عنوان یکی از نمونه های پیشگام از آلیاژهای با آنتروپی بالا که برای الکتروکاتالیز هیدروژن استفاده می شود، گزارش شد.

یان جیائو می‌گوید: «ما هنوز به انسان‌ها نیاز داریم تا خروجی هوش مصنوعی را بررسی کنند، زیرا همیشه قابل اعتماد نیست. مدل‌های زبان بزرگ می‌توانند اطلاعات نادرست تولید کنند یا چیزهایی را پیشنهاد کنند که وجود ندارند. برای رفع این مشکل، محققان 100 نمونه از خروجی هوش مصنوعی را به صورت دستی ارزیابی کردند و نتایج صحیح و نادرست را شناسایی کردند. آنها سپس از این نمونه ها برای آموزش و اصلاح سیستم استفاده کردند و دقت آن را بهبود بخشیدند.

با این مقدار نسبتا کمی از ورودی انسانی، سیستم تصفیه شده قادر به استخراج اطلاعات علمی معنی دار از بیش از 5000 مقاله تحقیقاتی بود که نشان می دهد چگونه تخصص انسانی می تواند توانایی هوش مصنوعی را برای تجزیه و تحلیل دانش علمی در مقیاسی بسیار بزرگتر بهبود بخشد.

تولید هیدروژن از طریق شکافتن آب به برق نیاز دارد و الکتروکاتالیست‌ها به انجام موثر واکنش‌های شیمیایی کمک می‌کنند. یافتن کاتالیزورهایی که فعال تر و پایدارتر هستند می تواند عملکرد فناوری های تولید هیدروژن را بهبود بخشد، که به طور بالقوه می تواند هزینه ها را کاهش دهد و فرآیند را از نظر تجاری جذاب تر کند.

با محدود کردن میلیون‌ها ترکیب احتمالی مواد به تعداد کمی از نامزدهای امیدوارکننده، رویکرد محققان می‌تواند زمان و منابع مورد نیاز برای بررسی مواد جدید را به میزان قابل توجهی کاهش دهد. با این حال، این مطالعه شامل پیش‌بینی‌های محاسباتی بود تا آزمایش‌های تجربی جدید.

بنابراین، این تیم پیشرفت‌هایی در تولید هیدروژن صنعتی نشان نداده‌اند یا صرفه‌جویی در هزینه‌های بالقوه را تعیین نکرده‌اند. این رویکرد برای هدایت تحقیقات علمی در نظر گرفته شده است، نه جایگزین کار تجربی مورد نیاز برای تعیین اینکه آیا یک ماده مطابق پیش‌بینی عمل می‌کند یا خیر.

هیدروژن ممکن است فقط شروع باشد - رویکرد اساسی می تواند به طور بالقوه برای طیف وسیع تری از مواد و واکنش های الکتروشیمیایی اعمال شود.

یک احتمال کاهش دی اکسید کربن است که در آن CO2 به محصولات شیمیایی مفید تبدیل می شود. کاتالیزورهای مؤثرتر می توانند این فرآیندها را کارآمدتر و از نظر تجاری جذاب تر کنند و به طور بالقوه فرصت های جدیدی برای تبدیل CO2 جذب شده به محصولات شیمیایی ارزشمند ایجاد کنند. یران جیائو می‌گوید این تیم همچنین به احتمال بلندپروازانه‌تری علاقه‌مند است: اینکه آیا هوش مصنوعی می‌تواند به دانشمندان در شناسایی واکنش‌های شیمیایی کاملا جدید کمک کند، نه صرفا یافتن مواد بهتر برای واکنش‌هایی که قبلا به خوبی شناخته شده‌اند.

شاید جالب ترین نتیجه این تحقیق چیزی باشد که ناشناخته مانده است. این تیم با نشان دادن اینکه رویکرد آنها می‌تواند مواد امیدوارکننده‌ای را که متعاقبا توسط دانشمندان دیگر گزارش شده‌اند شناسایی کند، چندین نامزد الکتروکاتالیست‌کننده که قبلا کشف نشده بودند را برای تحقیق توصیه کرده‌اند. این سیستم پیش‌بینی می‌کند که این مواد می‌توانند پایداری و فعالیت بهتری را برای تولید هیدروژن ارائه دهند و به طور بالقوه بهتر از نامزدهای موجود عمل کنند.

اما این پیش‌بینی‌ها هنوز به صورت تجربی تأیید نشده‌اند. اکنون این فرصتی برای محققان تجربی است: کاندیدهای شناسایی شده توسط هوش مصنوعی را انتخاب کنند، آنها را ترکیب کنند و کشف کنند که آیا مطابق انتظار عمل می کنند یا خیر.

نتایجی که این تیم تاکنون تولید کرده است نشان می‌دهد که ممکن است اکتشافات ارزشمندی از قبل در دانش علمی ما منتظر باشند. آزمون بعدی این است که آیا همان دانش می تواند به دانشمندان کمک کند تا چیزهای واقعا جدیدی پیدا کنند یا خیر.

Yiran Jiao و همکاران، طراحی الکتروکاتالیست با آنتروپی بالا با پشتیبانی از کربن از طریق مدل‌های زبان بزرگ، ACS Catalysis (2026). DOI: 10.1021/acscatal.6c00635

ارائه شده توسط مرکز تعالی ARC برای علم و نوآوری کربن

سواتی مستری دارای مدرک لیسانس در مهندسی الکترونیک است و از سال 2019 به عنوان ویرایشگر محتوا کار کرده است. او ویرایش اسناد تحقیقاتی در زمینه فناوری، مراقبت های بهداشتی و علم مواد را تجربه کرده است و علاقه خاصی به فناوری و فضا دارد. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →