پژوهشگران دانشگاه میشیگان با بهره‌گیری از ابررایانه‌های Argonne در حال توسعه مدل‌های بنیادین هوش مصنوعی هستند تا فرایند کشف مواد نوین برای باتری‌ها شتاب گیرد.
به گزارش تکناک، این پروژه به سرپرستی ونکات ویشواناتان (Venkat Vishwanathan) و با حمایت وزارت انرژی آمریکا (DOE) در آزمایشگاه ملی Argonne اجرا می‌شود و هدف آن دستیابی به ترکیبات تازه‌ای برای استفاده در طیف وسیعی از کاربردها از جمله لوازم الکترونیکی شخصی و تجهیزات پزشکی است.
برای چندین دهه، جست‌وجوی مواد بهتر برای باتری‌ها عمدتاً بر پایه آزمون و خطا و تکیه بر شهود دانشمندان انجام می‌شد. ویشواناتان در این باره گفت: «در بیشتر تاریخ کشف مواد باتری، شهود عامل اصلی پیشرفت بوده است. بسیاری از موادی که امروزه استفاده می‌شوند، در بازه‌ای کوتاه بین سال‌های ۱۹۷۵ تا ۱۹۸۵ کشف شدند و تاکنون تنها تغییرات جزئی در آنها ایجاد شده است.» این محدودیت، ضرورت بهره‌گیری از ابزارهای نوین مانند هوش مصنوعی را برجسته کرده است.
مدل‌های بنیادین هوش مصنوعی برخلاف مدل‌های سنتی، با هدف انجام مأموریت‌های خاصی مانند کشف دارو یا علوم اعصاب آموزش داده می‌شوند. این مدل‌ها قابلیت پیش‌بینی ویژگی‌های کلیدی مواد شیمیایی را با دقت بالا دارند. ویشواناتان توضیح داد: «مدل بنیادین ما درک جامعی از جهان مولکولی ایجاد کرده است و به همین دلیل در انجام وظایف ویژه مانند پیش‌بینی رسانایی، نقطه ذوب، نقطه جوش و حتی میزان اشتعال‌پذیری بسیار کارآمدتر عمل می‌کند.»
نسل آینده باتری‌ها برای دستیابی به توان بیشتر، دوام بالاتر و ایمنی بهتر، نیازمند الکترولیت‌ها و الکترودهای جدید هستند. اما تعداد ترکیبات شیمیایی بالقوه در این زمینه بیش از ۱۰⁶⁰ تخمین زده می‌شود، که بررسی آنها بدون کمک رایانه‌های فوق‌پیشرفته غیرممکن است.
تیم ویشواناتان یکی از بزرگ‌ترین مدل‌های هوش مصنوعی شیمیایی را با استفاده از ابررایانه Polaris آموزش داده است. این مدل با یادگیری از میلیاردها مولکول شناخته‌شده، الگوهایی را استخراج می‌کند که امکان پیش‌بینی ویژگی‌های ترکیبات ناشناخته را فراهم می‌آورد. پژوهشگران برای افزایش دقت، از سیستم متنی SMILES و ابزار تازه‌ای به نام SMIRK استفاده کرده‌اند. علاوه بر این، تیم تحقیقاتی در حال ساخت مدلی دیگر ویژه مواد الکترود با استفاده از ابررایانه قدرتمند Aurora است. این مدل‌ها می‌توانند بهترین کاندیداها را برای آزمایش‌های عملی پیشنهاد دهند و به این ترتیب روند تحقیقات برای کشف مواد نوین باتری‌ها را سریع‌تر و کارآمدتر کنند.
آموزش مدل‌های هوش مصنوعی روی میلیاردها مولکول به توان محاسباتی بسیار بالا نیاز دارد. گروه ویشواناتان از طریق برنامه INCITE وزارت انرژی به ابررایانه‌های ALCF دسترسی پیدا کرد و بر محدودیت‌های خوشه‌های کوچک‌تر و هزینه‌های بالای سرویس‌های ابری غلبه نمود. ابررایانه‌های ALCF با بهره‌گیری از هزاران GPU امکان اجرای بارهای محاسباتی سنگین را فراهم کردند. همچنین همکاری میان متخصصان Argonne و دانشمندان حوزه‌های دیگر مثل ژنومیک به بهینه‌سازی عملکرد و اشتراک‌گذاری نوآوری‌ها کمک کرد و باعث شد که دستاوردهای مهمی در تحقیقات باتری با اتکا به تجربیات میان‌رشته‌ای حاصل شود.
یکی از دستاوردهای مهم این پروژه ادغام مدل بنیادین با چت‌بات‌های مجهز به LLM مانند ChatGPT است. این قابلیت به دانشجویان و پژوهشگران اجازه می‌دهد بدون نیاز به کدنویسی، پرسش‌های خود را مطرح کنند، ایده‌های تازه را بیازمایند و بنیان‌های شیمیایی نوینی را کشف کنند. ویشواناتان در این زمینه گفت: «امروز هر دانشجو می‌تواند هر روز با یک متخصص برجسته الکترولیت گفت‌وگو کند و این ویژگی سطحی تازه از اکتشاف علمی را ممکن ساخته است.»
وی تصریح کرد: «این فناوری نگرش ما را به فرایند کشف مواد نوین باتری‌ها تغییر داده است. مدل‌های هوش مصنوعی می‌توانند به شکلی خلاقانه مولکول‌های تازه‌ای طراحی کنند، که حتی دانشمندان باتجربه را شگفت‌زده نماید. این دوران، عصر تازه‌ای برای پژوهش مواد مبتنی بر هوش مصنوعی است.»
