اختصاصی بسپار/ به‌کارگیری هوش مصنوعی برای مدیریت و هم‌گام‌سازی داده‌های مواد و پیش‌برد توسعه مستربچ و آمیزه های پلیمری

بسپار/ ایران پلیمر Kafrit Group، تولیدکننده جهانی مستربچ و آمیزه، با MaterialsZone هم‌کاری کرد تا هوش مصنوعی را در مدیریت مواد اولیه و توسعه محصول خود به‌کار گیرد.

Kafrit Group، تولیدکننده جهانی مستربچ (Masterbatch) و آمیزه‌های سفارشی برای صنعت بسپار، از چندین کسب‌وکار در سراسر جهان در سه قاره تشکیل شده است. این شرکت به سراغ MaterialsZone رفت تا داده‌های مربوط به مواد شیمیایی، مواد اولیه، فرمول‌بندی‌ها و کالاهای نهایی خود را در همه این مجموعه‌های گوناگون، که هر یک سامانه داده محلی جداگانه‌ای داشتند، مدیریت کند (شکل ۱).

برگردان: مهندس عمادالدین درانی/ تحریریه بسپار emaddoddindorrani@gmail.com

به‌علاوه، این شرکت در پی شتاب‌دادن به پژوهش و توسعه، پدید آوردن یک منبع اطلاعاتی یگانه برای همه مواد بخش پژوهش و توسعه و نیز تقویت هم‌کاری میان گروه‌های خود بود. Kafrit می‌گوید هماهنگ‌سازی داده‌ها میان همه شرکت‌هایش نقطه عطف بزرگی بود که تحویل سریع‌تر محصولات جدید یا اصلاح‌شده، ارائه پیشنهادهای بهتر برای فرمول‌بندی و گزینش کاراتر مواد جای‌گزین را ممکن کرد. این شرکت دریافت که فرایند ساده‌سازی‌شده، هم‌خوانی با مقرراتی مانند REACH را نیز آسان‌تر می‌کند.[REACH کوتاه‌شده عبارت ثبت، ارزیابی، صدور مجوز و محدودسازی مواد شیمیایی (Registration, Evaluation, Authorisation and Restriction of Chemicals) است و به‌عنوان مجموعه‌ای از مقررات اتحادیه اروپا که تولیدکنندگان و واردکنندگان مواد شیمیایی را موظف می‌کند اطلاعات ایمنی و زیست‌محیطی مواد خود را ثبت و اعلام کنند.]

MaterialsZone با مشارکت Assaf Anderson بنیان‌گذاری شده است و هم‌اکنون مدیر ارشد فناوری این شرکت است. پیشینه دانشگاهی Anderson در حوزه پژوهش مواد است؛ وی مدرک کارشناسی در شیمی، کارشناسی ارشد در نانومواد و دکترا در فوتوشیمی (نورشیمی) دارد. او پیش از MaterialsZone پژوهش‌گر پسادکترا در موسسه فناوری نانو و مواد پیش‌رفته دانشگاه Bar-Ilan بود.

به‌کارگیری مدل‌های هوش مصنوعی هم‌اکنون شتاب چشم‌گیری به فرایند فرمول‌بندی داده است؛ به این ترتیب که آزمون و خطا را کم می‌کند و از راه بهره‌گیری از داده‌های مشترک و مدل‌های تقویت‌شده، هم‌کاری کاراتری را میان شرکت‌ها ممکن می‌سازد. از زمان گفت‌وگوی Plastics Technology با MaterialsZone، این شرکت چهار پروژه موفق پژوهش و توسعه راه‌بری‌شده را به پایان رسانده است که فرمول‌بندی و توسعه آمیزه‌های تازه را در بر می‌گرفت و زمان کلی پروژه‌های پژوهش و توسعه را ۷۰ درصد کاهش داد.

Anderson می‌گوید MaterialsZone کار خود با Kafrit را با پیونددادن اطلاعات میان چند واحد کسب‌وکار آغاز کرد. هنگامی که این دو شرکت هم‌کاری را شروع کردند، Kafrit شش شرکت زیرمجموعه داشت و این شمار از آن زمان تاکنون به نه رسیده است، با مجموعه‌هایی در سراسر جهان در آمریکا، کانادا، چین، سوئد، آلمان و اسرائیل. Anderson می‌گوید: «همه این مکان‌های گوناگون وجود داشتند و هر شرکت فهرست مواد اولیه و محصولات خود را جداگانه مدیریت می‌کرد.»

وی اشاره می‌کند که شرکت‌های زیرمجموعه‌ی گوناگون در واقع مانند شرکت‌هایی جدا از هم بودند که با وجود سامانه‌های اطلاعاتی ناهم‌گون می‌خواستند به یک مجموعه یگانه تبدیل شوند. یکی از نخستین گام‌هایی که MaterialsZone برداشت، پیونددادن فهرست‌ها و یکی‌کردن مواد خام شرکت‌های مختلف بود. Anderson می‌گوید: «همین کار به‌تنهایی ارزش زیادی پدید می‌آورد. آن‌ها می‌توانند مواد جایگزین را پیدا کنند و این مواد با داده‌های درهم‌آمیخته در جغرافیاهای گوناگون در دسترس هستند.»

این شرکت داده‌های مربوط به هم‌خوانی با مقررات را نیز گردآوری کرد، با این فکر که اگر یک نفر تکه‌ای از اطلاعات را گردآوری کند و فرد دیگری بتواند از کار انجام‌شده بهره ببرد، دیگران می‌توانند بر پایه این کارِ پیش‌تر انجام‌شده مواد را پالایش و گزینش کنند؛ به‌گونه‌ای که پژوهش را کل گروه پدید می‌آورد، نه افراد به‌تنهایی.

هم‌افزایی‌های بیش‌تری نیز از پیونددادن فهرست‌های محصول به دست آمد؛ کاری که می‌تواند محصولات هم‌پوشان را شناسایی کند و دسترسی نظام‌مند به همه مواد را از راه جست‌وجوی کلیدواژه‌ای، جست‌وجو بر پایه ویژگی‌ها یا دسته‌بندی‌ها فراهم آورد.

Anderson می‌گوید: «اکنون Kafrit Group از یک فهرست یک‌پارچه و هم‌ساز از مواد و تامین‌کنندگان بهره می‌برد. با توان‌مندکردن هوش مصنوعی برای بهره‌گیری از دانش مشترکِ برآمده از آزمایش‌ها، محصولات و فرمول‌بندی‌ها در سراسر گروه، آن‌ها می‌توانند کارایی فرایندهای پژوهش و توسعه و نیز توسعه محصول خود را به‌شدت بالا ببرند.»

خاستگاه MaterialsZone

در نخستین روزهای پژوهشی که سرانجام به شکل‌گیری این شرکت انجامید، Anderson یک «چیدمان آزمایشی» برای کشف مواد تازه ساخت و در سال ۲۰۱۳ برای نخستین بار یادگیری ماشین را به کار گرفت. او می‌گوید: «برای من واقعا همان‌جا بود که راه روشن شد؛ همه‌چیز داشت کنار هم قرار می‌گرفت و من توجه خود را روی این نقطه تلاقی گذاشتم.»

به‌ویژه، Anderson به محل برخورد داده‌های گوناگون مواد با یک‌دیگر، به یافتن راه‌های بهتر برای نگه‌داری داده‌ها و به این که کاربران چگونه می‌توانند با کمک هوش مصنوعی بهره بیش‌تری از داده‌های گرداوری‌شده ببرند، علاقه‌مند شد.

MaterialsZone در سال ۲۰۱۸ به ثبت رسید و پذیرش مشتریان بیرونی را آغاز کرد و از چیزی که Anderson آن را زیرساخت پژوهشی بومی با توان عملیاتی بالا (high-throughput) می‌نامد، به سامانه‌های ابرپایه‌ای گذر کرد که به آزمایش‌گاه‌های بیش‌تری در پیرامون خود خدمت می‌کردند. Anderson می‌گوید: «MaterialsZone مفهوم‌های مدیریت بهتر داده و یک‌پارچه‌سازی داده را برمی‌داشت و با آن‌ها محیط‌های مشترکی می‌ساخت که پژوهش‌گران می‌توانند در آن‌ها روی داده‌ها با هم کار کنند.»

دیدگاه Anderson این است که ساختار سنتی بسیاری از شرکت‌های مواد، ناب نیست. او می‌گوید: «وقتی به سازمان‌هایی می‌رسید که به‌طور کلی با مواد سروکار دارند، می‌بینید که معمولا داده‌هایی که برای تصمیم‌گیری نیاز دارند در دسترس نیست. قابل دست‌یابی نیست. نادرست است. دانش زیادی از دست می‌رود و دوباره‌کاری بسیاری انجام می‌شود. افراد یک فرمول‌بندی را بارها و بارها از نو توسعه می‌دهند.»

عامل تشدیدکننده این ناکارآمدی این واقعیت بود که بسیاری از شرکت‌ها با بخش‌های گوناگونی کار می‌کنند که کارهای مشابهی را جدا از هم انجام می‌دهند. Anderson می‌گوید: «فرایندهای جزیره‌ای بسیاری وجود دارد. وقتی به یک سازمان نگاه می‌کنید، می‌بینید ذی‌نفعان گوناگونی برای مواد اولیه با کارکردهای متفاوت است که باید جنبه‌های مختلفی از اطلاعات مواد را گرداوری یا نگه‌داری کنند؛ چه مقررات باشد، چه تدارکات، کنترل کیفیت، فرمول‌بندی یا ویژگی‌های فنی و فیزیکی مواد.»

این ذی‌نفعان اغلب همه داده‌ها را در جاهای پراکنده و با سامانه‌های اطلاعاتی گوناگون نگه می‌دارند. برخی از شرکت‌های مواد که این جزیره‌ها و شیوه‌ها و روش‌های ناهم‌خوان ذخیره داده را می‌بینند، به دنبال راه‌حل بهتری هستند. Anderson توضیح می‌دهد: «در نهایت افراد می‌گویند: می‌خواهم همه را کنار هم بیاورم؛ سامانه‌های اطلاعاتی را به هم پیوند دهم و برای هر ماده، هر محصول یا هر فرمول‌بندی یک ورودی یگانه بسازم و به همه اجازه دهم زاویه‌ای را که نیاز دارند ببینند.»

روشی تازه برای توسعه مواد

MaterialsZone در حال حاضر از هوش مصنوعی برای گردآوری داده بیش‌تر بهره می‌گیرد؛ اطلاعات مرتبط را از برگه‌های داده فنی و گواهی‌های شناخت (certificate of analysis) بیرون می‌کشد و داده‌های بی‌ساختار گزارش‌های گذشته را ساختارمند می‌کند. (گواهی شناخت سندی است که تولیدکننده همراه هر محموله می‌دهد و در آن نتیجه آزمون‌های کنترل کیفیت آن محموله مشخص گزارش می‌شود. مترجم) Anderson می‌گوید در این ساختار تازه، سامانه چیزهایی را تولید می‌کند که «توصیف‌گر» (descriptor) نامیده می‌شوند و نشان‌گرهای فنی، فیزیکی و حتی مولکولی را در بر می‌گیرند. «این‌ها می‌توانند کمک کنند هوش مصنوعیِ تحلیلی کاراتر شود و هوش مصنوعی تحلیلی همان جایی است که می‌توانید در آن هم‌بستگی‌ها را پیدا کنید یا برون‌داد یک چارچوب مجازی را بیابید و پیش‌بینی کنید.»

شکل ۲- Assaf Anderson، مدیر ارشد فناوری MaterialsZone، در سال ۲۰۱۳ به‌کارگیری «چیدمان آزمایشی» برای اعمال یادگیری ماشین در توسعه مواد را آغاز کرد. منبع: MaterialsZone

با این توان‌مندی، که پژوهش و توسعه راه‌بری‌شده (Guided R&D) نام دارد، این برنامه می‌تواند فرمول‌بندی‌های احتمالی مواد را پیشنهاد دهد و کارکرد آن‌ها را به‌صورت مجازی پیش‌بینی کند. این کار به سامانه امکان می‌دهد طراحی آزمایش‌ها را با هوش مصنوعی درهم آمیزد، اما هوش مصنوعی می‌تواند شمار و نوع آزمایش‌های لازم در توسعه مواد را نیز ساده و کم کند.

Anderson می‌گوید: «اندیشه این است که به پژوهش‌گران پیشنهاد شود چگونه یک مجموعه آزمایش بسازند، اما اگر فقط طبق کتاب پیش بروید، تکرارها و چرخه‌های بسیاری لازم است تا کارکرد درست پیدا شود. اما اگر هوش مصنوعی را همراه با این آزمایش به کار ببرید، در عمل شمار آزمون‌ها را کم می‌کنید، چون هوش مصنوعی کم‌کم داده کافی برای ساختن یک مدل پیش‌بین گرد می‌آورد و می‌گوید: خب، از این آزمایش بگذر. به آن نیازی ندارم، یا این آزمایش را انجام بده تا مدل آموزش ببیند.» Anderson می‌گوید از این پس، پژوهش‌گران می‌توانند بهترین پیش‌بینی‌ها را انجام دهند و چرخه توسعه را بیش از ۵۰ درصد کوتاه کنند.

Anderson می‌گوید: «توصیف‌گرهای مولکولی، که در اصل می‌توانند شمار حلقه‌های آروماتیک، طول زنجیر، شمار الکترون‌های ظرفیت و شمار پیوندهای مزدوج باشند، به هوش مصنوعی تحلیلی داده می‌شوند و آن به شما می‌گوید برای نمونه مهم‌ترین پارامتر از نظر سنتز چیست. کدام مولکول یا گروه فعال بهترین برون‌داد را از نظر کارکرد نهایی برای شما به بار می‌آورد؟»

منبع: Tony Deligio, “Applying AI to Manage, Synchronize Material Data and Power Material Development”, Plastics Technology, July, 2025.