Guided Diffusion by Optimized Loss Functions on Relaxed Parameters for Inverse Material Design
تقترح هذه الورقة طريقة مبتكرة للتصميم العكسي للمواد تعتمد على نماذج الانتشار الموجهة في فضاء باراميتري مستمر مُرخى، وذلك باستخدام التفاضل الضمني عبر محاكاة العناصر المحدودة لتوليد تصميمات لمواد مركبة متنوعة وعالية الدقة تلبي الخصائص الميكانيكية المستهدفة والقيود متعددة الأهداف بكفاءة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
غالباً ما يواجه المهندسون والعلماء لغزاً يعمل بشكل عكسي. عادةً، إذا كنت تعرف المكونات والوصفة، يمكنك التنبؤ بالطبق النهائي. في علم المواد، هذا الاتجاه الأمامي مباشر: إذا كنت تعرف خصائص الجسيمات الصغيرة داخل مادة مركبة وكيفية ترتيبها، يمكنك تشغيل محاكاة حاسوبية لحساب مدى صلابة أو ثقل المادة النهائية. لكن التحدي الحقيقي يكمن في الاتجاه العكسي. تخيل أنك بحاجة إلى مادة بصلابة معينة لدعم جسر أو وزن محدد للطفو في الماء، ويجب عليك العمل بشكل عكسي لمعرفة أي المكونات والترتيبات ستخلق تلك النتيجة بالضبط. هذا هو جوهر التصميم العكسي. تكمن الصعوبة في أن فضاء التصاميم الممكنة شاسع ومليء بالمآزق. يمكن للعديد من مجموعات المواد المختلفة أن تنتج نفس الصلابة، بينما البعض الآخر مستحيل البناء لأنه يتطلب جسيمات كسرية أو مواد غير موجودة في العالم الحقيقي. غالباً ما تعاني الطرق التقليدية هنا، حيث تعلق في حلول محلية أو تفشل في إيجاد التنوع الواسع من الخيارات التي يحتاجها المهندسون للاختيار من بينها.
قام فريق من الباحثين في جامعة أوغسبورغ بتطوير طريقة جديدة لحل هذه المشكلة باستخدام نوع من الذكاء الاصطناعي يُعرف باسم "نموذج الانتشار" (diffusion model). بدلاً من محاولة تخمين الإجابة مباشرة، تبدأ طريقتهم بنمط عشوائي وضوضائي تماماً ثم تقوم بتنقيحه ببطء ليصبح تصميماً قابلاً للاستخدام. فكر في هذه العملية مثل نحات يبدأ بكتلة خام من الحجر ويقوم تدريجياً بنحت الزوائد للكشف عن تمثال، ولكن بالعكس: يبدأ الذكاء الاصطناعي بالفوضى المحضة ويضيف الهيكل تدريجياً حتى يظهر شكل متماسك. لقد درب الباحثون هذا الذكاء الاصطناعي على آلاف الأمثلة للهياكل المجهرية المعقولة، ليعلموه ما يبدو عليه الترتيب الصحيح للمواد. يعمل هذا التدريب كدليل، مما يضمن عدم قيام الذكاء الاصطناعي بتوليد أشكال مستحيلة، مثل جسيمات متداخلة أو مواد غير موجودة.
يكمن الابتكار الحقيقي لهذا العمل في كيفية توجيه الذكاء الاصطناعي أثناء عملية الإنشاء. بمجرد أن يبدأ الذكاء الاصطناعي في تشكيل شكل ما، يقوم الباحثون بربطه بمحاكاة فيزيائية تحسب صلابة المادة. إذا لم تكن الصلابة دقيقة تماماً، ترسل المحاكاة إشارة عائدة إلى الذكاء الاصطناعي، تخبره بكيفية تعديل النمط بالضبط للوصول إلى الهدف. يحدث هذا في حلقة مستمرة: يقترح الذكاء الاصطناعي تصميماً، يختبره محرك الفيزياء، ويتعلم الذكاء الاصطناዊ من النتيجة لجعل النسخة التالية أفضل. والأهم من ذلك، كان على الباحثين حل مشكلة معقدة أولاً. يتعامل العالم الحقيقي مع عناصر منفصلة، مثل الجسيمات الكاملة وأنواع محددة من المطاط أو المعدن، والتي يصعب على الحواسيب تعديلها بسلاسة. ولتجاوز ذلك، قام الفريق بتخفيف القواعد مؤقتاً، مما سمح للذكاء الاصطناعي بالعمل مع شبكة مستمرة حيث يمكن لكل بكسل صغير أن يمتلك أي خاصية يريدها. جعل هذا الرياضيات سهلة للحاسوب. وبمجرد أن يجد الذكاء الاصطناعي حلاً جيداً في هذا العالم المستمر والمخفف، يقوم الباحثون بترجمته مرة أخرى إلى العالم الحقيقي، عبر مطابقة القيم المستمرة لأقرب المواد الحقيقية وعدّ الجسيمات لإنشاء تصميم نهائي قابل للبناء.
نتائج هذا النهج مثيرة للإعجاب. في الاختبارات التي شملت تصاميم ثنائية وثلاثية الأبعاد، نجحت الطريقة في توليد هياكل مواد مختلفة تطابق الصلابة المستهدفة بدقة عالية جداً. بالنسبة لأهداف الصلابة المتوسطة إلى العالية، وجد الباحثون أن التصاميم المولدة كانت ضمن واحد بالمائة من القيمة المطلوبة. والأهم من ذلك، أن الطريقة لم تجد حلاً واحداً فحسب؛ بل وجدت العديد من الحلول. أنتج الذكاء الاصطناعي مجموعة متنوعة من التصاميم، بعضها يستخدم مواد أساسية مختلفة، وبعضها الآخر يستخدم أحجام جسيمات أو ترتيبات مختلفة، وكلها تحقق نفس الهدف. هذا التنوع حيوي للمهندسين، الذين يحتاجون غالباً إلى خيارات توازن بين الأداء وعوامل أخرى مثل التكلفة أو الوزن. كما أظهر الباحثون أنه يمكنهم أن يطلبوا من الذكاء الاصطناعي تقليل كثافة المادة في الوقت نفسه مع مطابقة الصلابة، وذلك ببساطة عن طريق تغيير هدف المحاكاة دون الحاجة لإعادة تدريب الذكاء الاصطناعي. تشير هذه المرونة إلى أن النموذج المدرب نفسه يمكن استخدامه لمهام مختلفة تماماً، مثل تصميم مواد لمقاومة الحرارة أو الموصلية الكهربائية، بمجرد تغيير إشارة التغذية الراجعة أثناء عملية التوليد.
بينما ركزت الدراسة على المحاكاة الخطية، وهي نوع محدد من الحسابات الفيزيائية، فإن هذا النهج يوضح طريقة قوية جديدة للجمع بين الذكاء الاصطناعي والقوانين الفيزيائية. لم يعتمد الباحثون على تخمين مسبق مدرب للإجابة، بل استخدموا المحاكاة الفيزيائية نفسها لتوجيه الذكاء الاصطناعي نحو الحل. وهذا يعني أن النظام لا يحتاج إلى إعادة التدريب في كل مرة يتغير فيها الهدف، مما يجعله أداة متعددة الاستخدامات لاكتشاف المواد في المستقبل. يؤكد هذا العمل أنه من خلال تخفيف قيود فضاء التصميم بقدر كافٍ للسماح بالتوجيه الرياضي السلس، ثم رسم النتائج مرة أخرى في الواقع، فمن الممكن التنقل في المشهد المعقد للتصميم العكسي بكفاءة. تشير النتائج إلى أن هذه الطريقة يمكنها اقتراح نطاق واسع من تصاميم المواد القابلة للتطبيق والمتنوعة وعالية الدقة، مما يفتح مساراً جديداً لإنشاء المواد المتقدمة اللازمة للهندسة والتكنولوجيا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.