هوش مصنوعی اتمهایی را پیدا میکند که پرتوهای ایکس قادر به مشاهده آنها نیستند
پژوهشگران با الگوبرداری از فناوری ترمیم تصاویر، سامانهای هوش مصنوعی ساختهاند که میتواند جایگاه اتمهای گمشده در ساختار بلوری، بهویژه اتمهای هیدروژن، را با نرخ موفقیت گزارششده ۹۷ درصد بازسازی کند. به گزارش آذرنگار، ساختار یک بلور ممکن است در نگاه اول تقریباً کامل به نظر برسد، اما نبود حتی بخشی از اطلاعات اتمی […]
پژوهشگران با الگوبرداری از فناوری ترمیم تصاویر، سامانهای هوش مصنوعی ساختهاند که میتواند جایگاه اتمهای گمشده در ساختار بلوری، بهویژه اتمهای هیدروژن، را با نرخ موفقیت گزارششده ۹۷ درصد بازسازی کند.
به گزارش آذرنگار، ساختار یک بلور ممکن است در نگاه اول تقریباً کامل به نظر برسد، اما نبود حتی بخشی از اطلاعات اتمی میتواند آن را برای شبیهسازیهای رایانهای غیرقابل استفاده کند. اتمهای هیدروژن یکی از رایجترین عوامل ایجاد این خلأ اطلاعاتی هستند. اکنون پژوهشگران یک روش هوش مصنوعی مورد استفاده برای ترمیم تصاویر را با هدف پیشبینی محل این اتمهای پنهان سازگار کردهاند.
این روش توسط تیمی به سرپرستی جووانی پیتزی از مرکز محاسبات علمی، نظریه و داده در مؤسسه پاول شرر سوئیس (PSI) و با همکاری پژوهشگرانی از دانشگاههای پارما و مودنا در ایتالیا توسعه یافته است. جزئیات این پژوهش در نشریه npj Computational Materials منتشر شده است.
روش جدید با استفاده از فناوری بینایی ماشین، یعنی توانایی هوش مصنوعی برای شناسایی و تفسیر اطلاعات بصری، ساختارهای بلوری ناقص را بررسی میکند.
چرا هیدروژن در ساختارهای بلوری گم میشود؟
پژوهشگران حوزه مواد برای شبیهسازی خواص مواد به پایگاههای دادهای متکی هستند که محل دقیق هر اتم در ساختار بلوری را ثبت کردهاند.
تیمو رنتس، دانشجوی دکتری در گروه پژوهشی جووانی پیتزی، میگوید:
«برای شبیهسازی خواص مواد، به اطلاعاتی در پایگاههای داده نیاز داریم که نشان دهد هر اتم در کدام بخش از ساختار بلور قرار گرفته است.»
هیدروژن در این زمینه چالش مهمی ایجاد میکند. اگرچه این عنصر اغلب بخشی از شبکه بلوری است، روشهای استاندارد پراش پرتو ایکس که برای تعیین آرایش اتمها استفاده میشوند، معمولاً هیدروژن را بهراحتی شناسایی نمیکنند.
در نتیجه، تصاویر و مدلهای ساختار بلوری ممکن است جایگاه اتمهای هیدروژن را نادرست نشان دهند یا اساساً آنها را حذف کنند.
این مسئله برای شبیهسازیها اهمیت زیادی دارد؛ زیرا پیشبینی ویژگیهایی مانند رسانایی الکتریکی و حرارتی به مختصات دقیق اتمها وابسته است.
جووانی پیتزی در اینباره میگوید:
«اگر اطلاعات مربوط به اتمهای هیدروژن وجود نداشته باشد، با یک مشکل جدی روبهرو میشویم. در بسیاری از موارد، چند هزار ماده بالقوه جالب را دقیقاً به همین دلیل نمیتوانیم در شبیهسازیهای خود استفاده کنیم.»
پژوهشگران برای بازیابی این اطلاعات ناقص، به سراغ هوش مصنوعی رفتند.
الگوبرداری از فناوری ترمیم تصاویر
راهکار پژوهشگران بر پایه مدلهای انتشار یا Diffusion Models است؛ مدلهایی که در حوزه بینایی ماشین برای بازسازی بخشهای حذفشده تصاویر استفاده میشوند.
برای مثال، یک سامانه ترمیم تصویر میتواند بخش پنهانشدهای مانند پنجه سگ را بر اساس اطلاعات اطراف آن بازسازی کند. در روشهای قدیمیتر، کل تصویر با اطلاعات تصادفی یا «نویز» پوشانده میشد و سپس سامانه تلاش میکرد تمام تصویر را از ابتدا بازسازی کند.
اما روشهای جدیدتر، نویز بیشتری را فقط به ناحیه ناشناخته وارد میکنند و بخشهای قابل مشاهده تصویر را تا حد زیادی دستنخورده نگه میدارند.
این فرایند انتخابی به مدل اجازه میدهد از ساختارهای اطراف بخش گمشده بهعنوان راهنما استفاده کند و تنها همان قسمت ناشناخته را بازسازی کند.
XtalPaint؛ بازسازی فقط بخشهای گمشده
اگرچه روش «ترمیم انتخابی» در بینایی ماشین شناختهشده است، پیش از این کاربرد گستردهای برای بازسازی جایگاههای اتمی گمشده در ساختارهای بلوری نداشت.
گروه پیتزی برای حل این مشکل، سامانهای متنباز به نام XtalPaint توسعه داد. این مدل از فناوری MatterGen شرکت مایکروسافت الهام گرفته و برای بازسازی ساختارهای بلوری ناقص سازگار شده است.
تیمو رنتس توضیح میدهد:
«این روش، مزایای بینایی ماشین مدرن و بازسازی ساختارهای بلوری را با یکدیگر ترکیب میکند. نویز فقط به جایگاههای ناشناخته در ساختار بلوری افزوده میشود و جایگاههای شناختهشده در طول فرایند تا حد زیادی ثابت باقی میمانند.»
از آنجا که XtalPaint بیشتر ساختار اولیه را حفظ میکند، میتواند در تمام مراحل بازسازی از اتمهای شناختهشده بهعنوان راهنما استفاده کند و کار را از یک ساختار بهشدت مختلشده آغاز نکند.
رنتس میگوید:
«XtalPaint با بازسازی مرحلهبهمرحله میتواند از همان ابتدا خود را با ساختار بلوری موجود هماهنگ کند. این ویژگی هم نرخ موفقیت را افزایش میدهد و هم توان محاسباتی کمتری نیاز دارد.»
نرخ موفقیت ۹۷ درصدی در آزمایشها
پژوهشگران برای ارزیابی عملکرد XtalPaint، ساختارهای بلوریای را انتخاب کردند که جایگاه اتمهای هیدروژن در آنها از قبل مشخص بود. سپس مختصات هیدروژن را حذف کردند و از مدل خواستند آنها را بازسازی کند.
نتایج نشان داد:
- در ۸۷ درصد از آزمایشها، XtalPaint آرایش قبلی اتمهای هیدروژن را بازسازی کرد.
- در ۱۰ درصد دیگر، مدل ساختارهایی ایجاد کرد که از نظر انرژی، پایدارتر از ساختارهای ثبتشده بودند.
- در مجموع، پژوهشگران نرخ موفقیت ۹۷ درصدی را برای این سامانه گزارش کردند.
تیمو رنتس میگوید:
«در مجموع، این نتایج به معنای نرخ موفقیت ۹۷ درصدی برای XtalPaint است.»
کاربرد در کشف مواد جدید
به گفته پژوهشگران، اکنون میتوان از این مدل برای تکمیل اطلاعات ناقص در پایگاههای داده مواد استفاده کرد؛ بهویژه پایگاههایی که جایگاه اتمهای هیدروژن در ساختارهای بلوری آنها ثبت نشده است.
جووانی پیتزی میگوید:
«اکنون میتوانیم از این روش، برای مثال، برای تکمیل ساختارهای موجود در پایگاههای داده و افزودن جایگاههای گمشده هیدروژن استفاده کنیم.»
پژوهشگران همچنین از XtalPaint برای شناسایی خطاهای موجود در پایگاههای داده استفاده کردهاند؛ خطاهایی که ممکن است هنگام انتقال اطلاعات از مقالات علمی اصلی به پایگاههای داده ایجاد شوند.
کاربرد این روش به هیدروژن محدود نمیشود. XtalPaint میتواند برای بازسازی جایگاه عناصری مانند لیتیوم و سدیم نیز به کار رود؛ دو عنصری که در جستوجو برای توسعه مواد جدید باتری اهمیت زیادی دارند.
تکمیل دقیق ساختارهای بلوری میتواند دسترسی پژوهشگران به هزاران ماده ناشناخته یا ناقص را افزایش دهد و مسیر شبیهسازی و کشف مواد جدید برای کاربردهایی مانند ذخیرهسازی هیدروژن، باتریهای پیشرفته و حتی ابررساناهای جدید را هموارتر کند.
منبع علمی
Timo Reents, Arianna Cantarella, Marnik Bercx, Pietro Bonfà, Giovanni Pizzi
Score-based diffusion models for accurate crystal-structure inpainting and reconstruction of hydrogen positions
npj Computational Materials، ۱۱ June 2026
DOI: 10.1038/s41524-026-02090-1
این پژوهش با حمایت مرکز ملی شایستگی در پژوهش MARVEL و بنیاد ملی علوم سوئیس انجام شده است.