هوش مصنوعی مسیرهای پنهان ساخت نانوبلورهای نیمه‌رسانا را آشکار کرد

به گزارش ایسنا، گروهی از دانشمندان از مؤسسه علم و فناوری دئگو–گیونگبوک (Daegu Gyeongbuk Institute of Science and Technology – DGIST) و دانشگاه سونگ‌کیون‌کوان (Sungkyunkwan University) موفق شده‌اند با ترکیب هوش مصنوعی و تحلیل داده‌های پیشرفته، پرده از مسیرهای پنهان واکنش‌های شیمیایی در سنتز نانوکریستال‌های نیمه‌رسانا بردارند؛ مسیرهایی که تاکنون به‌دلیل پیچیدگی بسیار، از دید پژوهشگران پنهان مانده بود.

این پژوهش به سرپرستی پروفسور «جونگو کانگ» از گروه فیزیک و شیمی DGIST و با همکاری تیم پروفسور «سوهی جونگ» از گروه علوم انرژی دانشگاه سونگ‌کیون‌کوان انجام شده است. آن‌ها فناوری تازه‌ای را توسعه داده‌اند که با استفاده از هوش مصنوعی، مسیرهای سنتز نانوکریستال‌های نیمه‌رسانا، موسوم به نقاط کوانتومی کلوئیدی را به‌صورت بصری و قابل فهم نمایش می‌دهد.

نتایج این مطالعه در Journal of the American Chemical Society منتشر شده و به‌عنوان پژوهشی داوری‌شده و مورد تأیید منابع علمی معتبر، توجه جامعه مواد پیشرفته و صنعت نیمه‌رسانا را به خود جلب کرده است.

نانوکریستال‌های نیمه‌رسانا ذراتی در ابعاد نانومتر هستند که به‌دلیل وابستگی خواص نوری آن‌ها به اندازه ذره، امکان کنترل دقیق رنگ و شدت جذب و گسیل نور را فراهم می‌کنند. این ویژگی سبب شده است نقاط کوانتومی به یکی از کلیدی‌ترین مواد برای نمایشگرهای با بازتولید رنگ بسیار بالا تبدیل شوند؛ به‌گونه‌ای که شرکت‌های بزرگی مانند سامسونگ دیسپلی (Samsung Display) آن‌ها را به‌عنوان مواد درخشان‌کننده نوآورانه در کانون توجه خود قرار داده‌اند. افزون بر نمایشگرها، اهمیت این مواد در حوزه دوربین‌ها و حسگرهای فروسرخ نیز به‌سرعت در حال افزایش است.

با وجود این اهمیت، شناخت دقیق مراحل شکل‌گیری هر نانوکریستال همواره یکی از چالش‌های اساسی پژوهشگران بوده است. واکنش‌های شیمیایی دخیل در سنتز این مواد بسیار پیچیده‌اند و داده‌های آزمایشگاهی معمولا ناقص و پراکنده هستند. در گذشته، دانشمندان ناچار بودند بر اساس داده‌های محدود، مسیر واکنش را حدس بزنند؛ رویکردی که شباهت زیادی به استنتاج غیرمستقیم داشت و به‌دلیل کمبود داده و رفتار غیرخطی واکنش‌ها، تفسیر نتایج را با عدم قطعیت همراه می‌کرد.

برای حل این مشکل، تیم پژوهشی رویکردی نوآورانه در پیش گرفت. آن‌ها از هوش مصنوعی مبتنی بر مدل‌های ترنسفورمر که به‌عنوان پیشرفته‌ترین فناوری در پردازش زبان طبیعی شناخته می‌شوند، در کنار تحلیل داده‌های توپولوژیک استفاده کردند. این ترکیب به هوش مصنوعی اجازه داد داده‌های ناقص را به‌طور خودکار تکمیل کند، ارتباطات پنهان میان مجموعه‌داده‌های مختلف را بیابد و کل جریان واکنش را با دقت بازسازی کند.

دستاورد مهم این روش، نمایش فرایندهای پیچیده شیمیایی در قالب یک نقشه واحد و قابل فهم است؛ نقشه‌ای که پژوهشگران آن را به نقشه خطوط مترو تشبیه می‌کنند. در این تصویرسازی، مسیرهای مختلف واکنش مانند خطوط مترو و نقاط انشعاب به‌صورت ایستگاه‌ها نمایش داده می‌شوند و درک رفتار سیستم را برای انسان بسیار ساده‌تر می‌کنند.

پژوهشگران برای آزمودن این فناوری، سنتز نانوکریستال‌های آرسنید ایندیوم را بررسی کردند؛ ماده‌ای نیمه‌رسانا که به‌عنوان گزینه‌ای مهم برای کاربردهای فروسرخ نسل آینده شناخته می‌شود. نتایج شگفت‌انگیز بود: برخلاف تصور پیشین که مسیر رشد این نانوکریستال‌ها را یگانه می‌دانست، تحلیل هوش مصنوعی نشان داد فرایند رشد به چند مسیر شاخه‌شاخه تقسیم می‌شود.

علاوه بر این، تیم تحقیقاتی دریافت موادی که در طول سنتز به واکنش افزوده می‌شوند، نقشی مشابه «چراغ راهنمایی» دارند. این مواد می‌توانند جریان واکنش را هدایت کرده و تعیین کنند که نانوکریستال در کدام مسیر رشد کند. چنین بینشی می‌تواند به کنترل دقیق‌تر خواص نهایی مواد منجر شود؛ موضوعی که برای طراحی مواد نیمه‌رسانای پیشرفته حیاتی است.

پروفسور جونگو کانگ در توضیح اهمیت این دستاورد گفته است: این پژوهش نشان می‌دهد که هوش مصنوعی می‌تواند به‌عنوان یک ناوبری نامرئی عمل کند و مسیرهای پنهانی را آشکار کند که مشاهده آن‌ها برای انسان بسیار دشوار است. به گفته او، این رویکرد می‌تواند نگاه پژوهشگران به واکنش‌های شیمیایی پیچیده را به‌طور بنیادین تغییر دهد.

پروفسور سوهی جونگ نیز تأکید کرده است: این فناوری بهره‌وری پژوهش را در حوزه‌های گوناگون توسعه مواد جدید به‌شدت افزایش می‌دهد و امکان طراحی هدفمند مواد را فراهم می‌کند.

به نقل از ستاد نانو، کاربردهای بالقوه این دستاورد تنها به نمایشگرها محدود نمی‌شود. از حسگرهای پیشرفته و دوربین‌های فروسرخ گرفته تا ادوات الکترونیکی نسل آینده، همگی می‌توانند از درک دقیق‌تر مسیرهای سنتز نانوکریستال‌ها بهره‌مند شوند. ترکیب هوش مصنوعی و شیمی، در این پژوهش نشان داده است که آینده توسعه مواد، بیش از پیش به تحلیل داده و الگوریتم‌های هوشمند گره خورده است.

انتهای پیام