اختصاصی بسپار/ چشم‌اندازی بر چالش‌ها، پیشرفت ها و قابلیت‌های یادگیری ماشینی در پلیمرها

بسپار/ایران پلیمر هوش مصنوعی و یادگیری ماشینی (ML) به طور پیوسته در علوم و مهندسی، هر سال بیش از پیش توجه‌ها را به سوی خود جلب می‌کنند. علم بسپار نیز از این قاعده مستثنی نیست، اگرچه پیاده‌سازی خوارزمیک(الگوریتم‌)های داده‌محور در این زیرشاخه، چالش‌های منحصر به فردی را به همراه دارد که مانع از کاربرد گسترده‌ی این روش‌ها در مطالعه‌ی سامانه‌های بسپاری می‌شود. در این مطالعه‌ی دورنمایانه، چندین چالش اساسی برای پیاده‌سازی یادگیری ماشینی در علم بسپار را از جمله ساختار و نمایش بسپارها، پتانسیل و محدودیت‌های آن‌ها و محدودیت در دسترس بودن داده‌ها مورد بحث قرار گرفته است. مطالعات امیدوارکننده‌ای با هدف حل این پرسمان بررسی می‌شوند. هم‌‌چنین پژوهش‌های معاصر که توان یادگیری ماشینی را در علم بسپار به‌رغم موانع موجود نشان می‌دهند، مورد بحث قرار می‌گیرند. در نهایت، چشم‌اندازی برای یادگیری ماشینی در علم بسپار در آینده مطرح خواهد شد.

مقدمه
هوش مصنوعی (AI) به سرعت در حال تبدیل شدن به یکی از ارکان اصلی عصر نوین است. از وظایف روزمره مانند زیست‌سنجی (Biometric) هویت برای گوشی‌های هوشمند یا مسیریابی‌ها با استفاده از GPS، تا کاربردهای کم‌تر رایج مانند تعیین وضعیت حفاظتی آب‌راه‌ها یا مدیریت حلقه‌های ماهواره‌ای. نشریه‌ی Nature، 9 رویداد علمی قابل توجه در سال 2024 را شناسایی کرد که به طور مشخص شامل پیشرفت‌های هوش مصنوعی و ابررایانه‌های فوق سریع بود، اما سایر رویدادهای ذکر شده نیز احتمالا از هوش مصنوعی به‌عنوان یک ابزار کمکی استفاده کردند. به‌عنوان مثال، هوش مصنوعی می‌توانست برای جمع‌آوری داده‌ها در طول همه‌گیری کووید-19 برای ساخت واکسن‌های موثرتر و دستیابی به الگوهای جمعیتی که ممکن است به سیاست‌گذاری برای پیشگیری و مدیریت بهتر همه‌گیری‌های آینده کمک کند، مورد استفاده قرار گیرد. علاوه بر این، هوش مصنوعی در حال حاضر برای کمک به طراحی معکوس بسپارهای زیست‌تخریب‌پذیر و مدیریت پسماند‌های بسپاری استفاده می‌شود.

یادگیری ماشینی، زیرمجموعه‌ای از هوش مصنوعی است که به دلیل قدرت تحلیلی و پیش‌بینی‌کنندگی، سادگی نسبی ادغام، فراوانی خوارزمیک‌ها و کارایی در رشته‌های مختلف از جمله علم مواد، رایج شده است. یادگیری ماشینی به طور کلی به سه دسته تقسیم می‌شود: یادگیری نظارت‌شده (Supervised learning)، یادگیری نظارت‌نشده (Unsupervided learning) و یادگیری تقویتی (Reinforcement learning). این دسته‌ها بر اساس نوع داده‌های آموزشی و اهداف مدل تعیین می‌شوند.

در یادگیری نظارت‌شده، مدل بر روی داده‌هایی آموزش داده می‌شود که با شناسه‌ی کلیدی برچسب‌گذاری شده‌اند و مدل‌ها و الگوهایی را توسعه می‌دهد که ویژگی‌ها را با شناسه‌ی کلیدی مرتبط می‌کند. یادگیری نظارت‌شده به‌ویژه برای وظایف طبقه‌بندی و وایازش(رگرسیون) مفید است. در یادگیری نظارت‌نشده، مدل بر روی داده‌های بدون برچسب آموزش داده می‌شود و آزاد است تا الگوها را بدون هدف خاصی پیدا کند. این امر یادگیری نظارت‌نشده را به‌ویژه برای خوشه‌بندی و کاهش ابعاد مناسب می‌کند. در نهایت، در یادگیری تقویتی، به مدل اجازه داده می‌شود تا اقدامی انجام دهد که منجر به دریافت امتیاز می‌شود. مدل رفتار خود را در تلاش برای به حداکثر رساندن امتیاز از طریق یک فرایند تکراری عمل-پاداش تطبیق می‌دهد. به همین دلیل، یادگیری تقویتی برای یادگیری وظایف، رباتیک و تصمیم‌گیری سریع مناسب است.

در این دسته‌های کلی، خوارزمیک‌های زیادی برای انجام وظایف مختلف طراحی شده‌اند. بررسی جزئی این روش‌ها فراتر از محدوده‌ی این چشم‌انداز است، اما به خوبی در مقالات علمی پوشش داده شده است. لازم به ذکر است که این روش‌ها قصد رسیدن به اهداف مختلفی را دارند که ممکن است شامل تصمیم‌گیری، کاهش ابعاد مدل، خوشه‌بندی، وایازش یا پیش‌بینی باشد. یک مدل واحد می‌تواند بر روی چندین مجموعه داده برای بهبود کارکرد اجرا شود، فرایندی که به‌عنوان تجمیع (Bagging) شناخته می‌شود؛ یا چندین مدل بر روی یک مجموعه داده اجرا شوند که به‌عنوان برهم‌‌چین(Stacking) شناخته می‌شود. رویکردهای مختلف باید بر اساس داده‌های موجود و نتیجه‌ی هدف انتخاب شوند. یادگیری ماشینی در مدیریت و یافتن الگوهای معنادار در مجموعه‌های داده‌ی عظیم که تفسیر انسانی در آن ناتوان است، برتری دارد. بنابراین برای سامانه‌هایی با برهم‌کنش‌های پیچیده و هم‌چنین نیاز به محاسبات زیاد دارند و نیز برای مقابله با متغیرهای متعدد به‌طور هم‌زمان مفید است.

در حوزه‌ی علم مواد، یادگیری ماشینی برای پیش‌بینی خواص، طراحی منطقی مواد ، خودکارسازی مشخصه‌یابی، استخراج دانش از طریق متن‌کاوی، توسعه پتانسیل‌های بین اتمی برای شبیه‌سازی‌های اتمی و تسریع شبیه‌سازی‌های (ab initio) (که خواص مواد را تنها بر پایه مکانیک کوانتومی و بدون استفاده از داده‌های تجربی محاسبه می‌کنند) استفاده شده است. به‌عنوان مثال، Abu-Mualla و همکاران یک مدل یادگیری ماشینی زایا را توسعه دادند که می‌تواند مواد فراساختاری (Metamaterial) مکانیکی جدیدی را ضمن اطمینان حاصل کردن از قابلیت تولید آن‌ها ایجاد کند. Gu و همکاران از یادگیری ماشینی برای طراحی منطقی بلورهای پروسکایت (Perovskite crystals) (بلورهای پروسکایت موادی با ساختار ABX₃ هستند که خواص نوری و الکترونیکی عالی دارند و در خانک(سلول)‌های خورشیدی و اپتوالکترونیک کاربرد دارند-مترجم) برای کاربردهای خانک‌‌های خورشیدی استفاده کردند و 962 ساختار پیش‌بینی‌شده را تولید کردند. Shetty و همکاران نشان دادند که مدل‌های یادگیری ماشینی پردازش زبان طبیعی تا چه اندازه در گردآوری داده‌های ارزشمند از متون علمی و نمایش داده‌ی بهینه از آن‌ها کارامد هستند.
نمونه‌ای خیره‌کننده از توانمندیِ یادگیری ماشین، کشف نزدیک به ۴۰۰ هزار ساختار بلوریِ پایدارِ غیرآلی به‌دستِ شبکه‌ی عصبی GNoME (یادگیری عمیق گوگل) است. شماری از این ساختارها سپس در یک آزمایشگاه کاملا خودکار در آزمایشگاه ملی لارنس برکلی، با بهره‌گیری از رباتیک و یادگیری ماشین، راستی‌آزمایی شد؛ به‌گونه‌ای که در جریان این آزمایش، روزانه بیش از دو ماده نوظهور در عمل ساخته می‌شد. گرچه این کار زیر ذره‌بین نقد قرار گرفته و درباره اعتبار برخی ادعاها بحث‌هایی درگرفته است، هم‌چنان چشم‌اندازی از آینده را مطرح می‌کند که یادگیری ماشینی می‌تواند برای علم مواد رقم بزند. تاکنون بیش‌ترین پیشرفت‌های چشمگیرِ کاربرد یادگیری ماشینی در علم مواد به حوزه‌ی مواد غیرآلی مربوط بوده است؛ زیرا ساختارهای این مواد تکرارپذیر و پیش‌بینی‌پذیر است و داده‌های فراوانی درباره‌ی ویژگی‌های آن‌ها و سازوکارهای بنیادیِ شکل‌دهنده به این ویژگی‌ها در دسترس است.

در بخش‌های بعدی، کاربردهای موفق یادگیری ماشینی با وجود موانع موجود بررسی و نشان داده خواهد شد که این فناوری هم‌اکنون چگونه در مشخصه‌یابی آزمایشی تقویت‌شده (بخش مشخصه‌یابی آزمایشی با پشتیبانی یادگیری ماشینی)، در یاری‌رسانی به محاسبات، شبیه‌سازی و مدل‌سازی (بخش یادگیری ماشینی کنونی برای شبیه‌سازی و مدل‌سازی) و در کاربردهای مهندسی مرتبط با زیست‌پایداری، ساخت مواد انرژی‌محور و حوزه‌ی سلامت بخش (یادگیری ماشینی معاصر در کاربردهای مهندسی) به‌کار می‌رود؛ سپس چشم‌انداز آینده‌ی یادگیری ماشینی در حوزه‌ی علم بسپار در بخش (چشم‌انداز) ترسیم خواهد شد. برای درک مسیر کلی، نقشه راه تصویری (شکل 1) مفید خواهد بود.

شکل 1

(ادامه دارد …)

برگردان: مهندس عمادالدین درانی
emaddoddindorrani@gmail.com

متن کامل این مقاله را در شماره 276 ماهنامه بسپار که در نیمه مهر ماه 1404 منتشر شده است، می خوانید.

در صورت تمایل به دریافت نسخه نمونه رایگان و یا دریافت اشتراک با شماره های ۰۲۱۷۷۵۲۳۵۵۳ و ۰۲۱۷۷۵۳۳۱۵۸ داخلی ۳ سرکار خانم ارشاد تماس بگیرید. نسخه الکترونیک این شماره از طریق طاقچه  و  فیدیبو  قابل دسترسی است.