پژوهشگران با ساخت مجموعه‌داده‌ای شامل ۱۲۰۲ رکورد از ۴۴۸ مقاله علمی، حدود ۱۵۰ میلیون ترکیب مجازی را بررسی کردند تا مواد بالقوه‌ای برای خازن‌های سرامیکی چندلایه (MLCC) و تجهیزات الکترونیکی خودروهای برقی پیدا کنند.
پیدا کردن یک ماده جدید برای استفاده در تجهیزات الکترونیکی می‌تواند به معنای جست‌وجو در میان تعداد تقریباً نامحدودی از ترکیبات شیمیایی باشد. پژوهشگران دانشگاه ملی سئول با استفاده از هوش مصنوعی تلاش کرده‌اند این فرآیند را ساده‌تر کنند. آن‌ها داده‌های پراکنده در صدها مقاله علمی را گردآوری کرده و با استفاده از این اطلاعات، مواد دی‌الکتریک بدون سربی را شناسایی کرده‌اند که در دماهای بالا نیز پایداری خود را حفظ می‌کنند.
تیم تحقیقاتی دانشکده مهندسی دانشگاه ملی سئول به سرپرستی پروفسور هو وون جانگ از دپارتمان مهندسی علوم مواد فعالیت کرده است. پژوهشگران اطلاعات استخراج‌شده از مطالعات منتشرشده را با یادگیری ماشین مبتنی بر اصول فیزیکی ترکیب کردند تا ترکیبات جدیدی از مواد دی‌الکتریک بدون سرب طراحی کنند. کوان‌وو سونگ، دانشجوی دوره یکپارچه کارشناسی ارشد و دکترا، نویسنده اول مقاله و مسئول هدایت کلی پروژه بود. یانگ‌مین کیم، دانشجوی دوره یکپارچه کارشناسی ارشد و دکترا، و جائه‌هیون کیم، پژوهشگر فوق‌دکترا، نیز در این پروژه مشارکت داشتند.
مواد دی الکتریک چه کاربردی دارند؟
دی‌الکتریک‌ها موادی عایق هستند که از عبور مستقیم جریان الکتریکی جلوگیری می‌کنند و در عین حال می‌توانند بار الکتریکی را ذخیره کنند. این مواد نقش مهمی در خازن‌های سرامیکی چندلایه یا MLCC دارند؛ قطعاتی که در گوشی‌های هوشمند، خودروهای برقی و بسیاری از تجهیزات الکترونیکی مورد استفاده قرار می‌گیرند.
هرچه ثابت دی‌الکتریک یک ماده بیشتر باشد، یک قطعه با اندازه یکسان می‌تواند انرژی الکتریکی بیشتری ذخیره کند. با این حال، یک ماده مناسب باید بتواند این عملکرد را هنگام افزایش دما نیز حفظ کند.
پژوهشگران برای یافتن ترکیبات امیدوارکننده، استخراج چندوجهی اطلاعات از منابع علمی را با یادگیری ماشین مبتنی بر فیزیک ترکیب کردند. این روش که «طراحی معکوس» نام دارد، ابتدا عملکرد موردنظر را مشخص می‌کند و سپس به‌صورت معکوس به دنبال ترکیباتی می‌گردد که بتوانند به این اهداف دست پیدا کنند.
محققان ابتدا ۱۲۰۲ رکورد مربوط به ویژگی‌های دی‌الکتریک را از ۴۴۸ مقاله علمی گردآوری کردند و سپس فضای شیمیایی مجازی شامل حدود ۱۵۰ میلیون ترکیب احتمالی را مورد بررسی قرار دادند. این فرآیند تعداد گزینه‌ها را به تنها ۳۷ ماده کاندید کاهش داد. در مرحله بعد، دو مورد از این مواد ساخته و به‌صورت آزمایشگاهی بررسی شدند که هر دو ثابت دی‌الکتریک بالا و پایداری قابل‌توجهی در دماهای بالا نشان دادند.
چالش بررسی میلیون‌ها ترکیب
تقاضا برای مواد دی‌الکتریک مقاوم در برابر حرارت در حال افزایش است؛ زیرا فناوری‌هایی مانند خودروهای برقی، تجهیزات الکترونیک قدرت و سیستم‌های هوافضا، بیش از گذشته در دماهای بالا فعالیت می‌کنند.
مواد فروالکتریک ریلکسر به‌طور ویژه امیدوارکننده هستند؛ زیرا پاسخ الکتریکی آن‌ها با تغییر دما به‌صورت تدریجی‌تری تغییر می‌کند. این ویژگی می‌تواند امکان دستیابی هم‌زمان به ثابت دی‌الکتریک بالا و عملکرد پایدار در بازه دمایی گسترده را فراهم کند.
با این حال، حتی در میان مواد بدون سرب نیز تعداد بسیار زیاد عناصر و نسبت‌های ترکیبی مختلف باعث می‌شود روش‌های سنتی آزمون‌وخطا بسیار زمان‌بر و پرهزینه باشند.
مشکل دیگر، پراکندگی داده‌ها است. اطلاعات مفید در متن، جداول و نمودارهای تعداد زیادی از مطالعات علمی قرار دارند و شرایط آزمایش، از جمله دما، فرکانس و ویژگی‌های نمونه‌ها، در مقالات مختلف یکسان نیستند. همین تفاوت‌ها باعث می‌شود استفاده مستقیم از اطلاعات منتشرشده برای آموزش مدل‌های یادگیری ماشین دشوار باشد.
هوش مصنوعی ۱۵۰ میلیون ترکیب را به ۳۷ گزینه کاهش داد!
پژوهشگران برای حل این مشکل، یک چارچوب یادگیری ماشین ایجاد کردند که اطلاعات موجود در مطالعات مختلف را در قالب یک مجموعه‌داده یکپارچه سازمان‌دهی می‌کند و هم‌زمان با استفاده از محدودیت‌های فیزیکی، ترکیباتی را که احتمال وجود یا ساخت آن‌ها پایین است حذف می‌کند.
مدل‌های زبانی بزرگ برای استخراج اطلاعات مربوط به ترکیبات شیمیایی و شرایط فرآوری از متن و جداول مقالات علمی مورد استفاده قرار گرفتند. همچنین نمودارها به داده‌های عددی تبدیل شدند تا پژوهشگران بتوانند ویژگی‌های دی‌الکتریک وابسته به دما را از آن‌ها استخراج کنند.
در نهایت، این اطلاعات به مجموعه‌ای شامل ۱۲۰۲ رکورد از ۴۴۸ مقاله تبدیل شد که در آن‌ها ترکیب مواد، شرایط فرآوری و ویژگی‌های دی‌الکتریک ثبت شده بود. پژوهشگران همچنین ۲۲ شاخص فیزیکی، از جمله اطلاعات مرتبط با ترکیب عناصر و ریزساختار مواد، به داده‌ها اضافه کردند تا مقایسه اطلاعات به‌دست‌آمده از مطالعات مختلف آسان‌تر شود.
سپس ۳۰ مدل یادگیری ماشین که به‌صورت مستقل آموزش داده شده بودند، با یکدیگر ترکیب شدند تا سه معیار مهم مرتبط با ثابت دی‌الکتریک و پایداری دمایی را به‌صورت هم‌زمان پیش‌بینی کنند. سیستم همچنین میزان توافق میان مدل‌ها را بررسی می‌کرد تا ترکیباتی که از اطمینان پیش‌بینی بالاتری برخوردار بودند، در اولویت قرار بگیرند.
پس از اعمال الزامات عملکردی و محدودیت‌های فیزیکی و شیمیایی از پیش تعیین‌شده روی حدود ۱۵۰ میلیون ترکیب مجازی، تنها ۳۷ ماده کاندید باقی ماندند. پژوهشگران سپس نسبت اجزای خانواده‌ای از ترکیبات را که بیشترین تعداد گزینه‌های منتخب را در خود داشت، بهینه کردند و در نهایت دو فرمولاسیون را برای آزمایش عملی انتخاب کردند.
دو ماده جدید استانداردهای دمای بالا را پشت سر گذاشتند
دو نمونه آزمایش‌شده شامل جایگزینی ۱ و ۲ درصد مولی قلع (Sn) بودند. این مواد در دمای اتاق به‌ترتیب ثابت دی‌الکتریک ۳۴۲۲ و ۳۳۰۷ را ثبت کردند.
افزودن مقدار کمی قلع توانست تعادل مناسبی ایجاد کند؛ به‌گونه‌ای که پایداری در برابر تغییرات دما افزایش یافت، بدون اینکه ثابت دی‌الکتریک به میزان قابل‌توجهی کاهش پیدا کند.
در مقایسه با تیتانات باریم (BaTiO₃) که یکی از مواد پرکاربرد در خازن‌های سرامیکی چندلایه امروزی است، ترکیبات جدید توانستند ثابت دی‌الکتریک بالای خود را در بازه دمایی گسترده‌تری با ثبات بیشتری حفظ کنند.
هر دو نمونه الزامات مربوط به پایداری در دمای بالا را برای استانداردهای X5R، X6R و X7R که در خازن‌های سرامیکی چندلایه مورد استفاده قرار می‌گیرند، برآورده کردند. ثابت‌های دی‌الکتریک ثبت‌شده نیز در میان بالاترین مقادیر گزارش‌شده برای مواد متعلق به همین خانواده ترکیبی قرار داشتند.
استانداردهای X5R، X6R و X7R به طبقه‌بندی پایداری دمایی مواد دی‌الکتریک مورد استفاده در خازن‌های سرامیکی چندلایه مربوط می‌شوند. این استانداردها به‌طور کلی مشخص می‌کنند که آیا ثابت دی‌الکتریک ماده در محدوده ±۱۵ درصد مقدار خود در دمای ۲۵ درجه سانتی‌گراد باقی می‌ماند یا خیر. این محدوده برای X5R از ۵۵- تا ۸۵ درجه سانتی‌گراد، برای X6R از ۵۵- تا ۱۰۵ درجه سانتی‌گراد و برای X7R از ۵۵- تا ۱۲۵ درجه سانتی‌گراد در نظر گرفته می‌شود.
قلع چگونه باعث افزایش پایداری شد؟
برای مشخص کردن دلیل بهبود عملکرد ماده با افزودن مقدار کمی قلع، پژوهشگران نتایج مدل‌های یادگیری ماشین را با آزمایش‌های مختلف از جمله میکروسکوپی نیروی پیزوپاسخ، طیف‌سنجی رامان و میکروسکوپی الکترونی با وضوح اتمی مقایسه کردند.
نتایج نشان داد که جایگزینی مقدار محدودی از قلع باعث گسترش ساختار بلوری و افزایش ناهمگنی الکتریکی در مقیاس اتمی می‌شود. به گفته پژوهشگران، همین تغییرات باعث افزایش پایداری ماده در برابر تغییرات دما می‌شوند.
فراتر از دو ماده تأییدشده، این پژوهش یک روش جدید برای تبدیل اطلاعات پراکنده در منابع علمی به یک مجموعه‌داده قابل استفاده برای طراحی مواد جدید ارائه می‌دهد. محققان معتقدند این روش می‌تواند برای اکسیدهای کاربردی، لایه‌های نازک و سایر سیستم‌های مواد نیز مورد استفاده قرار گیرد؛ به‌ویژه در مواردی که داده‌های ارزشمند آن‌ها در تعداد زیادی مقاله و قالب مختلف پراکنده شده است.
مواد دی‌الکتریک بدون سرب آزمایش‌شده در این مطالعه در آینده می‌توانند در ساخت خازن‌های سرامیکی چندلایه مقاوم در برابر دمای بالا و قطعات الکترونیکی مورد استفاده در خودروهای برقی، تجهیزات الکترونیک قدرت و سیستم‌های هوافضا نقش داشته باشند.
پروفسور هو وون جانگ گفت:
اهمیت این مطالعه صرفاً در پیش‌بینی عملکرد با استفاده از یادگیری ماشین نیست، بلکه در ترکیب اطلاعات پراکنده در مقالات مختلف و تبدیل آن‌ها به یک مجموعه‌داده آموزشی و سپس در نظر گرفتن قوانین فیزیکی و میزان سازگاری پیش‌بینی‌های مدل‌ها برای محدود کردن جست‌وجو تا رسیدن به گزینه‌هایی است که واقعاً قابلیت ساخت دارند.
او افزود:
امیدواریم راهبرد ارائه‌شده در این مطالعه، یعنی ترکیب استخراج چندوجهی اطلاعات از منابع علمی با یادگیری ماشین مبتنی بر فیزیک، فراتر از مواد دی‌الکتریک نیز مورد استفاده قرار گیرد و به کشف اکسیدهای کاربردی و مواد لایه‌نازک جدید کمک کند؛ حوزه‌هایی که داده‌های آن‌ها در مقالات و قالب‌های متعدد پراکنده شده و به یکپارچه‌سازی سیستماتیک نیاز دارند.
کوان‌وو سونگ، نویسنده اول این پژوهش و دانشجوی دوره یکپارچه کارشناسی ارشد و دکترا، از مرحله ساخت مجموعه‌داده مبتنی بر منابع علمی و توسعه مدل‌های یادگیری ماشین گرفته تا غربالگری مواد کاندید و اعتبارسنجی آزمایشگاهی، هدایت پروژه را بر عهده داشت. تحقیقات فعلی او نیز بر استفاده از یادگیری ماشین برای یافتن مواد الکترونیکی جدید، از جمله مواد دی‌الکتریک بدون سرب و ترکیبات مورد استفاده در MLCCها و همچنین مواد کانال اکسیدی برای ترانزیستورهای نیمه‌رسانا متمرکز است. او قصد دارد فعالیت‌های تحقیق و توسعه خود را در زمینه مواد الکترونیکی و دی‌الکتریک با عملکرد بالا ادامه دهد.
گروه تحقیقاتی پروفسور هو وون جانگ پیش از این نیز از هوش مصنوعی برای حل یک مسئله دیگر در حوزه کشف مواد استفاده کرده بود. این تیم در پژوهشی به سرپرستی جائه‌هیون کیم، پژوهشگر فوق‌دکترا و نویسنده اول، یک کاتالیزور الکترولیز آب مبتنی بر تک‌اتم‌های تنگستن و بدون استفاده از فلزات گران‌بها را برای تولید هیدروژن سبز کشف و به‌صورت آزمایشگاهی اعتبارسنجی کرده بود. این پژوهش نیز در مجله Nature Communications منتشر شده است.
منبع: Scitechdaily
