- Tohoku Üniversitesi ve MIT’den araştırmacılar, kuantum simülasyonları ile aynı doğrulukta ancak bir milyon kat daha hızlı çalışan yeni bir yapay zeka aracı geliştirdi.
- Bu araç, fotovoltaik ve kuantum malzemelerinin geliştirilmesini hızlandırma potansiyeline sahip.
GNNOpt adı verilen yapay zeka aracı, yalnızca kristal yapılarına dayanarak optik spektrumları doğru bir şekilde tahmin edebiliyor. Bu özellik, LED’ler, güneş pilleri, fotodetektörler ve fotonik entegre devreler gibi optoelektronik cihazların geliştirilmesinde büyük önem taşıyor.
Geleneksel yöntemlerin zorlukları aşılıyor
Malzemelerin optik özelliklerini anlamak, optoelektronik cihazların geliştirilmesi için olmazsa olmaz. Geleneksel hesaplama yöntemleri, karmaşık matematiksel hesaplamalar ve muazzam hesaplama gücü gerektiriyor. Bu da çok sayıda malzemenin hızlı bir şekilde test edilmesini zorlaştırıyor. Bu zorluğun üstesinden gelinmesi, enerji dönüşümü için yeni fotovoltaik malzemelerin keşfedilmesine ve optik spektrumları aracılığıyla malzemelerin temel fiziğinin daha derinlemesine anlaşılmasına yol açabilir.
Yapay zeka ile milyon kat daha hızlı analiz
Tohoku Üniversitesi’nden Doç. Dr. Nguyen Tuan Hung ve MIT Nükleer Bilim ve Mühendislik Bölümü’nden Doç. Dr. Mingda Li liderliğindeki ekip, bir malzemenin kristal yapısını girdi olarak kullanarak çok çeşitli ışık frekanslarında optik özellikleri tahmin eden yeni bir yapay zeka modeli geliştirdi.
“AI, fizik kavramlarını kavrayabiliyor”
Nguyen, “Optik, yoğun madde fiziğinin büyüleyici bir yönüdür ve Kramers-Krönig (KK) ilişkisi olarak bilinen nedensel ilişki tarafından yönetilir,” diyor. “Bir optik özellik bilindiğinde, KK ilişkisi kullanılarak diğer tüm optik özellikler türetilebilir. AI modellerinin bu ilişki aracılığıyla fizik kavramlarını nasıl kavrayabildiğini gözlemlemek ilgi çekici.”
Evrensel bir çözüm
Deneylerde tam frekans kapsamına sahip optik spektrumlar elde etmek, lazer dalga boylarının sınırlamaları nedeniyle zordur. Simülasyonlar da karmaşık ve yüksek yakınsama kriterleri gerektirir ve önemli hesaplama maliyetlerine neden olur. Sonuç olarak, bilim camiası uzun zamandır çeşitli malzemelerin optik spektrumlarını tahmin etmek için daha verimli yöntemler arıyor.
MIT’den kimya yüksek lisans öğrencisi Ryotaro Okabe, “Optik tahmin için kullanılan makine öğrenimi modellerine grafik sinir ağları (GNN’ler) denir,” diye belirtiyor. “GNN’ler, atomları grafik düğümleri ve atomlar arası bağları grafik kenarları olarak temsil ederek moleküllerin ve malzemelerin doğal bir temsilini sağlar.”
Veri temsilinde evrensellik
Yine de, GNN’ler malzeme özelliklerini tahmin etmek için umut vaat ederken, özellikle kristal yapıların temsillerinde evrensellikten yoksunlar. Bu bilmeceyi çözmek için Nguyen ve diğerleri, veri temsilini birleştirmek için birden fazla model veya algoritmanın oluşturulduğu evrensel bir topluluk yerleştirme tasarladı.
MIT’den elektrik mühendisliği ve bilgisayar bilimleri yüksek lisans öğrencisi Abhijatmedhi Chotrattanapituk, “Bu topluluk yerleştirme, insan sezgisinin ötesine geçiyor, ancak sinir ağı yapılarını etkilemeden tahmin doğruluğunu artırmak için geniş çapta uygulanabilir,” diye açıklıyor.
Veri biliminde devrim
Topluluk yerleştirme yöntemi, sinir ağı yapılarını değiştirmeden herhangi bir sinir ağı modeline sorunsuz bir şekilde uygulanabilen evrensel bir katman. Mingda Li, “Bu, evrensel yerleştirmenin herhangi bir makine öğrenimi mimarisine kolayca entegre edilebileceği ve potansiyel olarak veri bilimi üzerinde derin bir etki yaratabileceği anlamına geliyor,” diyor.
Bu yöntem, yalnızca kristal yapılara dayanarak oldukça hassas optik tahminlere olanak tanır ve bu da onu yüksek performanslı güneş pilleri için malzeme taraması ve kuantum malzemelerinin tespiti gibi çok çeşitli uygulamalar için uygun hale getirebilir.
Araştırmacılar ileriye dönük olarak, yalnızca kristal yapılara dayanarak malzeme özelliklerini tahmin etme yeteneğini geliştirmek için mekanik ve manyetik özellikler gibi çeşitli malzeme özellikleri için yeni veritabanları geliştirmeyi hedefliyor.
Derleyen: Enis Yabar
