Physics-guided auxiliary multi-task learning for temperature-dependent thermoelectric 𝑧𝑇 curve prediction
تقدم هذه الورقة إطار عمل للتعلم المساعد متعدد المهام والموجه بالفيزياء، يتنبأ بدقة بمنحنيات الأداء الكهروحراري المعتمدة على درجة الحرارة (بما في ذلك و و و) من تكوين المواد، محققاً دقة عالية في كل من مجموعات بيانات التحقق الداخلية والخارجية لتسهيل الفحص الفعال للمواد واختيار نافذة التشغيل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تخيل عالماً يمكن فيه التقاط الحرارة المهدرة من محركات السيارات، أو الأفران الصناعية، أو حتى من جسم الإنسان، وتحويلها مباشرة إلى كهرباء لتشغيل أجهزتنا. هذا هو الوعد الذي تقدمه المواد الكهروحرارية، وهي فئة من المواد التي تعمل كجسور صلبة بين الحرارة والكهرباء. لعقود من الزمن، بحث العلماء عن المادة المثالية لجعل هذه التكنولوجيا فعالة بما يكفي لتغيير طريقة تزويد عالمنا بالطاقة. كان التحدي دائماً يتمثل في عملية توازن دقيقة: يجب أن تكون المادة الكهروحرارية الجيدة موصلة جيدة للكهرباء وفي الوقت نفسه تمنع تدفق الحرارة. فإذا كانت تنقل الحرارة بسهولة كبيرة، فإن فرق درجة الحرارة اللازم لتوليد الطاقة يتلاشى. وإذا كانت تعيق الكهرباء، فلن يتدفق التيار. ويُقاس أداء هذه المواد برقم واحد يرتفع وينخفض اعتماداً على درجة الحرارة، مما يشكل منحنى يخبر المهندسين بدقة أين وكيف ستعمل المادة.
المشكلة هي أن العثور على المادة المناسبة أمر صعب للغاية. لمعرفة كيفية سلوك مادة ما، يجب على الباحثين قياس خصائصها عبر نطاق واسبع من درجات الحرارة، وهي عملية بطيئة ومكلفة، وغالباً ما تكون غير متسقة لأن المختبرات المختلفة تستخدم طرقاً مختلفة. وبينما ساعدت الحواسيب في التنبؤ بخصائص المواد، إلا أنها واجهت صعوبة في رصد العلاقة المعقدة والمتغيرة بين التركيب الكيميائي للمادة وأدائها مع ارتفاع وانخفاض درجة حرارتها. فالطرق الحالية غالباً ما تتعامل مع كل نقطة درجة حرارة كحقيقة معزولة، مما يفقدها الصورة الأكبر لكيفية تغير أداء المادة كمنحنى كامل.
لقد طور باحث في جامعة هنان نهجاً جديداً لحل هذا اللغز من خلال تعليم الكمبيوتر فهم القصة الكاملة لأداء المادة. فبدلاً من مجرد تخمين قيمة مادة ما عند درجة حرارة واحدة، قام ببناء نظام يتنبأ بمنحنى الأداء الكامل من التركيب الكيميائي للمادة. جمع الباحث مجموعة ضخمة من البيانات التجريبية، وقام بتنظيف وتنظيم آلاف القياسات من مئات المواد المختلفة لإنشاء مجموعة تدريب موثوقة. ثم صمم نموذج ذكاء اصطناعي متخصص يتعلم قواعد الفيزياء جنباً إلى جنب مع البيانات. هذا النموذج لا يحفظ الأرقام فحسب؛ بل يتم توجيهه بواسطة القوانين الأساسية التي تربط الكهرباء والحرارة والجهد، مما يضمن أن تنبؤاته منطقية من الناحية الفيزيائية.
جوهر هذا الأسلوب الجديد هو تقنية تسمى "التعلم متعدد المهام"، حيث يتعلم الكمبيوتر التنبؤ بعدة خصائص مرتبطة في آن واحد. فهو ينظر إلى الصيغة الكيميائية للمادة ودرجة حرارتها، ثم يقدر في وقت واحد قدرة المادة على توليد الجهد، وتوصيل الكهرباء، وتوصيل الحرارة. ومن خلال تعلم هذه الخصائص المترابطة معاً، يفهم النموذج كيفية تأثير كل منها على الآخر. والأهم من ذلك، أن الباحث برمج النظام ليعطي اهتماماً إضافياً للمواد الأكثر قيمة—تلك التي تمتلك أعلى قمم في الأداء. كما أضاف فحصاً "ناعماً" يجبر الكمبيوتر على ضمان أن تنبؤاته للخصائص الفردية تكتمل بشكل صحيح لتشكل النتيجة النهائية للأداء، مما يمنع الذكاء الاصطناعي من ارتكاب أخطاء رياضية مستحيلة.
تظهر النتائج أن هذا النهج الموجه بالفيزياء يعمل بشكل جيد للغاية. فعند اختباره على مواد لم يسبق له رؤيتها، نجح النموذج في التنبؤ بشكل منحنيات الأداء، بما في ذلك مكان حدوث ذروة الأداء ومدى ارتفاع تلك الذروة. وفي اختبار صارم طُلب فيه من النموذج التنبؤ بسلوك مجموعات كاملة من المواد التي لم يتم تدريبه عليها، حقق مستوى عالياً من الدقة، حيث حدد بدقة اتجاهات الأداء في معظم الحالات. والأكثر إثارة للإعجاب هو أنه عندما اختبر الباحث النموذج على أربع مواد محددة موجودة في الأدبيات العلمية والتي كانت خارج نطاق بيانات التدريب الخاصة به تماماً، كانت التنبؤات شبه مثالية، حيث طابقت البيانات المرصودة بهامش خطأ ضئيل جداً.
يمثل هذا العمل خطوة مهمة للأمام في اكتشاف المواد لأنه ينقل التركيز من تخمين نقاط بيانات فردية إلى فهم السلوك الكامل للمادة عبر نطاق تشغيلها. ومن خلال الجمع بين كميات هائلة من البيانات الواقعية وقواعد الفيزياء الراسخة، أنشأ الباحث أداة يمكنها فحص آلاف التركيبات الكيميائية بسرعة للعثود على المرشحين الأكثر واعدية لحصاد الطاقة. لا يخبر النموذج العلماء فقط أي المواد جيدة، بل يخبرهم بالضبط كيف ستعمل تلك المواد مع تغير درجات الحرارة، مما يسمح للمهندسين باختيار المادة المناسبة للمهمة المناسبة بثقة أكبر بكثير. إن القدرة على التنبؤ بمنحنى كامل يعتمد على درجة الحرارة من مجرد صيغة كيميائية بسيطة يمكن أن تسرع تطوير أجهزة كهروحرارية فعالة، مما يقربنا من مستقبل لا تضيع فيه الحرارة المهدرة، بل تُستغل لخدمتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.