پژوهشگران آکادمی علوم چین یک سیستم یادگیری عمیق پیچیده را توسعه دادهاند که به طور خودکار نواقص ریز را در مولیبدن دیسولفید (MoS₂) پیدا و طبقهبندی میکند. چرا این موضوع اهمیت دارد؟ MoS₂ یک «ماده دوبعدی» است—فوقالعاده نازک، با ضخامت تنها چند اتم—و یک کاندیدای برجسته برای ساخت نسل بعدی قطعات الکترونیکی کوچکتر، سریعتر و کارآمدتر محسوب میشود.
با این حال، عملکرد آن به شدت تحت تأثیر عیوب بسیار کوچک، مانند اتمهای گمشده یا اضافی، قرار دارد. پیش از این، دانشمندان مجبور بودند تصاویر میکروسکوپ تونلی روبشی (STM) را به زحمت و با دقت تجزیه و تحلیل کنند تا این عیوب را بیابند؛ فرآیندی که کند، خستهکننده و مستعد خطای انسانی بود.
این رویکرد جدید دو مدل قدرتمند هوش مصنوعی را با هم ترکیب میکند:
- مدل بخشبندی هرچیز (SAM): این مدل مانند یک کارآگاه فوق پیشرفته عمل میکند، تصاویر STM را اسکن کرده و هر منطقه مشکوکی را که ممکن است یک عیب باشد، مشخص مینماید.
- شبکه عصبی کانولوشنی (CNN): هنگامی که SAM یک عیب بالقوه را شناسایی میکند، CNN وارد عمل میشود. این شبکه به عنوان یک طبقهبند متخصص آموزش دیده است و با دقت نوع عیب را تشخیص میدهد—به عنوان مثال، آیا یک اتم گوگرد گمشده (جای خالی) است یا یک اتم اضافی (بینابینی).
نتایج شگفتانگیز هستند! این خط لوله هوش مصنوعی به دقت قابل توجه ۹۵.۰۶٪ دست یافت، حتی با وجود اینکه تنها بر روی مجموعه داده نسبتاً کوچکی شامل ۱۹۸ تصویر آموزش دیده بود. این یک مزیت بزرگ در علم مواد است، جایی که جمعآوری مقادیر زیادی از دادههای تجربی میتواند دشوار باشد. موفقیت این سیستم در پیشپردازش هوشمندانه تصاویر برای کاهش نویز و توانایی آن در غلبه بر ابزارهای بینایی کامپیوتری سنتی مانند OpenCV، به ویژه در شرایط کمبود داده، نهفته است.
این نوآوری تنها یک تمرین آکادمیک نیست. این رویکرد یک راهحل مقیاسپذیر ارائه میدهد که میتواند کنترل کیفیت در تولید نیمههادیها را متحول کرده و تحقیقات در زمینه مواد کوانتومی را تسریع بخشد؛ جایی که میتوان عیوب را به طور هدفمند برای ایجاد قابلیتهای جدید مهندسی کرد. این تیم قصد دارد مدل را برای شناسایی انواع بیشتری از عیوب در طیف وسیعتری از مواد گسترش دهد و راه را برای اکتشافات سریعتر و فناوری بهتر برای همه ما هموار کند.
درباره این تقاطع جذاب هوش مصنوعی و علم مواد از مطالعه اصلی منتشر شده در مجله Molecules بیشتر بیاموزید.