کمک هوش مصنوعی به طراحی چارچوب آلی‌فلزی
پژوهشگران، فناوری مشابه به آنچه که در گوشی‌های تلفن همراه، استفاده می‌شود برای پیش‌بینی ویژگی‌های چارچوب‌های آلی فلزی استفاده کردند.
کد خبر: ۱۳۱۲۲۶۳
تاریخ: ۲۶ اسفند ۱۴۰۱ - ۰۸:۴۲
چگونه تلفن همراه شما، کلمه بعدی را که می‌خواهید در پیام‌های خود تایپ کنید را پیش‌بینی می‌کند؟ فناوری پشت این کار و همچنین در هسته بسیاری از برنامه‌های هوش مصنوعی، ترانسفورمر نامیده می‌شود. یک الگوریتم یادگیری عمیق که الگو‌های موجود در مجموعه داده‌ها را تشخیص می‌دهد.
اکنون، محققان EPFL و KAIST ترانسفورمری را برای چارچوب‌های فلزی-آلی (MOF) ایجاد کرده‌اند. با ترکیب پیوند ارگانیک با کره‌های فلزی، شیمیدانان می‌توانند میلیون‌ها ماده مختلف را با کاربرد‌های بالقوه در ذخیره‌سازی انرژی و جداسازی گاز سنتز کنند. این یافته‌ها در مجله Nature Machine Intelligence منتشر شده است.
"Moftransformer" به گونه‌ای طراحی شده است که محققانی که MOFها را مطالعه می‌کنند بسیار شگفت‌زده کرده است. این معماری مبتنی بر هوش مصنوعی به‌نام Google Brain است که می‌تواند زبان طبیعی را پردازش کند و هسته اصلی مدل‌های زبان محبوب مانند GPT-۳، Chatgpt را تشکیل می‌دهد. ایده اصلی این مدل‌ها این است که آن‌ها برای متن‌های زیادی از قبل مورد آموزش می‌بینند، بنابراین وقتی ما شروع به تایپ کردن روی گوشی می‌کنیم، کلمه بعدی را با دقت خوبی پیش‌بینی می‌کنند.
رهبر این پروژه گفت: ما می‌خواستیم این ایده را برای MOF پیاده‌سازی کنیم، اما به جای ارائه یک کلمه، ما می‌خواستیم این فناوری یک ویژگی را پیشنهاد دهد.
وی گفت: ما برای یادگیری ویژگی‌های اساسی، از قبل Moftransformer را با یک میلیون MOF فرضی از قبل آموزش دادیم. سپس این مدل آموزش داده شد تا ویژگی‌های صحیح MOF را ارائه دهد.
محققان سپس Moftransformer را برای کار‌های مربوط به ذخیره هیدروژن، مانند ظرفیت ذخیره‌سازی هیدروژن، ضریب انتشار آن و شکاف باند MOF تنظیم کردند.
این رویکرد نشان داد که Moftransformer می‌تواند با استفاده از داده‌های بسیار کمتری در مقایسه با روش‌های یادگیری ماشین معمولی، نتایج مناسبی را ارائه دهد. به دلیل پیش آموزش، MoftTransformer در حال حاضر بسیاری از خصوصیات کلی MOF را می‌شناسد. به دلیل این دانش، ما به داده‌های کمتری برای آموزش نیاز داریم. علاوه بر این، از همان مدل می‌توان برای همه خواص استفاده کرد، در حالی که در یادگیری ماشین معمولی، باید یک مدل جداگانه برای هر برنامه تهیه شود.
Moftransformer یک تغییردهنده بازی برای مطالعه MOF است و نتایج سریع‌تری با داده‌های کمتر و درک جامع‌تر از مواد ارائه می‌دهد. محققان امیدوارند که Moftransformer راه را برای توسعه MOFهای جدید با خواص بهبود یافته برای ذخیره هیدروژن و سایر برنامه‌ها هموار کند.
اکنون، محققان EPFL و KAIST ترانسفورمری را برای چارچوب‌های فلزی-آلی (MOF) ایجاد کرده‌اند. با ترکیب پیوند ارگانیک با کره‌های فلزی، شیمیدانان می‌توانند میلیون‌ها ماده مختلف را با کاربرد‌های بالقوه در ذخیره‌سازی انرژی و جداسازی گاز سنتز کنند. این یافته‌ها در مجله Nature Machine Intelligence منتشر شده است.
"Moftransformer" به گونه‌ای طراحی شده است که محققانی که MOFها را مطالعه می‌کنند بسیار شگفت‌زده کرده است. این معماری مبتنی بر هوش مصنوعی به‌نام Google Brain است که می‌تواند زبان طبیعی را پردازش کند و هسته اصلی مدل‌های زبان محبوب مانند GPT-۳، Chatgpt را تشکیل می‌دهد. ایده اصلی این مدل‌ها این است که آن‌ها برای متن‌های زیادی از قبل مورد آموزش می‌بینند، بنابراین وقتی ما شروع به تایپ کردن روی گوشی می‌کنیم، کلمه بعدی را با دقت خوبی پیش‌بینی می‌کنند.
رهبر این پروژه گفت: ما می‌خواستیم این ایده را برای MOF پیاده‌سازی کنیم، اما به جای ارائه یک کلمه، ما می‌خواستیم این فناوری یک ویژگی را پیشنهاد دهد.
وی گفت: ما برای یادگیری ویژگی‌های اساسی، از قبل Moftransformer را با یک میلیون MOF فرضی از قبل آموزش دادیم. سپس این مدل آموزش داده شد تا ویژگی‌های صحیح MOF را ارائه دهد.
محققان سپس Moftransformer را برای کار‌های مربوط به ذخیره هیدروژن، مانند ظرفیت ذخیره‌سازی هیدروژن، ضریب انتشار آن و شکاف باند MOF تنظیم کردند.
این رویکرد نشان داد که Moftransformer می‌تواند با استفاده از داده‌های بسیار کمتری در مقایسه با روش‌های یادگیری ماشین معمولی، نتایج مناسبی را ارائه دهد. به دلیل پیش آموزش، MoftTransformer در حال حاضر بسیاری از خصوصیات کلی MOF را می‌شناسد. به دلیل این دانش، ما به داده‌های کمتری برای آموزش نیاز داریم. علاوه بر این، از همان مدل می‌توان برای همه خواص استفاده کرد، در حالی که در یادگیری ماشین معمولی، باید یک مدل جداگانه برای هر برنامه تهیه شود.
Moftransformer یک تغییردهنده بازی برای مطالعه MOF است و نتایج سریع‌تری با داده‌های کمتر و درک جامع‌تر از مواد ارائه می‌دهد. محققان امیدوارند که Moftransformer راه را برای توسعه MOFهای جدید با خواص بهبود یافته برای ذخیره هیدروژن و سایر برنامه‌ها هموار کند.
انتهای پیام/