رسوخ هوش مصنوعی در پرقدرت‌ترین فناوری جهان/ نانو جان تازه‌ای می‌گیرد
گروه علم و فناوری خبرگزاری آنا- نوید فرخی: فناوری هوش مصنوعی (AI) سال‌هاست که در حال توسعه است و این پیشرفت‌ها تنها محدود به خودِ هوش مصنوعی نیستند، بلکه در حوزه‌های مختلفی همچون صنایع، خدمات، حمل‌ونقل، تعمیر، نگهداری، ارتباطات، پردازش و... می‌توان آثار توسعه آن را مورد توجه قرار داد و یکی از این زمینه‌ها، فناوری‌های نانو است.
فناوری‌هایی که در مقیاس نانومتر کار می‌کنند، شامل سیستم‌های پیچیده‌ای هستند که به طور معمول متناسب با کارکردهای مختلف هوش مصنوعی نیستند. با این وجود، هوش مصنوعی در تمام علوم رسوخ کرده است و در برخی نقاط با فناوری نانو همگرایی خواهد داشت. کار ترکیبی در فناوری نانو و هوش مصنوعی همچنین می‌تواند تحقیقات در هر دو رشته را تقویت کند.
هم اکنون، هوش مصنوعی و فناوری نانو در حوزه‌های زیر در کنار هم کار می‌کنند:
ریزنگاری یا میکروسکوپی
اگرچه میکروسکوپ نیروی اتمی (AFM) در سال‌های اخیر پیشرفت‌های چشمگیری داشته است اما دریافت سیگنال‌های با کیفیت بالا از این دستگاه‌های تصویربرداری هنوز هم می‌تواند یک چالش باشد. مشکل غالب در این زمینه این است که بسیاری از برهمکنش‌های نمونه-سوزنی(که این میکروسکوپ‌ها به آن متکی هستند) بسیار پیچیده و متنوع هستند و در نتیجه رمزگشایی از آنها آسان نیست. هوش مصنوعی می‌تواند در این زمینه بسیار سودمند باشد.
یکی از مشارکت‌های هوش مصنوعی در زمینه فناوری نانو، در حوزه تصویربرداری تشخیصی عملکردی در میکروسکوپ پراب پویشی (FR-SPM) است. هوش مصنوعی برتی شناسایی مستقیم عملیات محلی از واکنش‌های طیف‌سنجی استفاده می‌کند. در این فرایند، شبکه‌های عصبی مصنوعی (ANN) با تحلیل مؤلفه‌های اصلی(PCA) تلفیق می‌شود تا داده‌های ورودی به شبکه عصبی ساده‌سازی شوند.
در تحقیقی دیگر، محققان دانشگاه تگزاس در براونزویل اخیراً از ایجاد یک کانال ریزسیالی با سطح قابل انتقال نانوساختار خبر داده‌اند که به طور خاص به سلول‌های سرطانی سینه متصل می‌شود. این کانال پس از اتصال می‌تواند امکان نمونه‌برداری و تصویربرداری را فراهم کند. این تصویربرداری از طریق یک الگوریتم هوش مصنوعی، ترکیب و بخش‌بندی می‌شود که براساس داده‌های موجود در سلول، به طور خودکار سرطانی بودن سلول را تعیین می‌کند. سیستم تصویربرداری جدید همچنین می‌تواند نمونه‌های پیشین را با سلول‌هایی که بی‌درنگ ارزیابی می‌شوند مقایسه کند.
مدل‌سازی شیمیایی
در حال حاضر از الگوریتم‌هایی استفاده می‌شود که چارچوب مولکول‌ها و مواد را به منظور کشف ویژگی‌های مختلف‌شان و چگونگی تعامل با آنها در محیط‌های گوناگون بررسی می‌کند و از الگوریتم‌های پیچیده یادگیری ماشین بهره می‌برد.
از منظر مدل‌سازی، پارامترهای مختلفی وجود دارد که باید برای تولید یک تصویر پویا از یک سیستم شیمیایی با یکدیگر همبستگی داشته باشند. هوش مصنوعی از طریق تکنیک‌های تصویربرداری می‌تواند با تجزیه‌وتحلیل بهتر اطلاعات و یادگیری از گذشته، تصویری دقیق‌تر از سیستم مورد مطالعه را ایجاد کند. به عنوان مثال، هوش مصنوعی قادر است درجه خطای مرتبط با هندسه یا مختصات یک سیستم یا ذره را به حداقل برساند. این امر به ویژه برای نانومواد مفید است زیرا بازآفرینی آثار و پدیده‌هایی مانند گرافین اغلب دشوار است.
به تصویر کشیدنِ خصوصیات ساختاری نانومواد نیز با استفاده از شبکه‌های عصبی مصنوعی حل شده است. به عنوان مثال، از این الگوریتم‌ها برای تعیین پیکربندی ساختار نانولوله‌های کربنی با تعیین خصوصیات ساختاری استفاده شده است. علاوه بر این، به تصویر کشیدن خصوصیت‌های مختلف لایه نازک(thin film) موضوعی است که با استفاده از هوش مصنوعی، یادگیری ماشین و شبکه‌های عصبی به طور واضح‌تری امکان‌پذیر خواهد بود. لایه نازک به لایه‌ای از مواد اطلاق می‌شود که ضخامتی بین کسری از نانومتر (تک لایه) تا چند میکرومتر دارد.
رایانش مبتنی بر نانو
جای تعجب نیست که هوش مصنوعی با توجه به آینده کامپیوترهای مبتنی بر نانو(که در آن محاسبات از طریق سازوکارهای در مقیاس نانو انجام می‌شود) بسیار مفید خواهد بود. در حال حاضر، دستگاه‌های مبتنی بر نانو به روش‌های مختلفی می‌توانند یک کار را اجرا کنند و این روش‌ها می از عملیات فیزیکی تا روش‌های محاسباتی را تحت پوشش قرار می‌دهند. نانوکامپیوترها، الگوریتم‌های محاسباتی پیچیده را در سیستم‌های فیزیکی پیچیده اجرا می‌کنند و از پردازه‌های یادگیری ماشین می‌توان برای تولید و نمایش اطلاعات جدید استفاده کرد، اطلاعاتی که کاربردهای گوناگونی دارد.
طبقه‌بندی خواص مواد در مقیاس نانو
موضوع دیگری که به لطف هوش مصنوعی قابل تحقق است، رده‌بندی خصوصیات ساختاری نانومواد است. به عنوان مثال، از الگوریتم‌های شبکه عصبی برای تعیین ریخت‌شناسی سطحی نانولوله کربنی استفاده می‌شود. استفاده از شبکه‌های عصبی به دلیل غیرخطی بودنِ تحلیل سیگنال در سیستم لایه‌ای، برای پردازش چنین سیستم‌های پیچیده‌ای مناسب است.
همچنین تعیین خصوصیات مواد طبقه‌بندی‌شده تابعی (FMG) با کمک شبکه‌های عصبی مصنوعی امکان‌پذیر است. یکی از مدل‌های شبکه عصبی مناسب برای دستیابی به مشخصات فیزیکیِ دقیقِ تقویت‌کننده‌های نوری نیمه‌هادی QD مانند تقویت پالس و ویژگی‌های اختلاط چهار موج(four-wave mixing) است. خصوصیات نوری یا اپتیک به دو دلیل عمده توسط تکنیک‌های هوش مصنوعی قابل تحلیل است. اولاً رشد سریع ارتباطات پهن‌باند، چندرسانه‌ای و اینترنت با شبکه‌های نوری ارتباط نزدیکی دارد. ثانیاً، با افزایش پیچیدگی این نوع سیستم‌ها، هوش مصنوعی به ابزاری فوق‌العاده مفید تبدیل می‌شود.
واکنش‌های شیمیایی حوزه دیگری است که مزایای استفاده از روش‌های مبتنی بر هوش مصنوعی به عنوان ابزار طبقه‌بندی در آن به کار رفته است. برای نمونه، شبکه‌های عصبی مصنوعی می‌توانند پارامترهای داده سینتیک شیمیایی مانند ثابتِ سرعت یا غلظت واکنش‌دهنده‌ها را ارزیابی کنند.
هوش مصنوعی در شبیه‌سازی در مقیاس نانو
یکی از اصلی‌ترین مشکلاتی که دانشمندان هنگام کار در مقیاس نانو با آن دست‌وپنجه نرم می‌کنند، شبیه‌سازی سیستم مورد مطالعه است. تفاوت بین تصاویر ماکروسکوپی و نانوسکوپی این است که نمی‌توان تصاویر نوری واقعی را در مقیاس نانو به دست آورد. تصاویر در این مقیاس باید تفسیر شوند و شبیه‌سازی‌های عددی گاهی بهترین راه حل هستند.
برنامه‌های بسیاری وجود دارد که به طور دقیق سیستم‌های مختلف را که در آن اثرات اتمی(atomic effects) وجود دارد شبیه‌سازی می‌کنند. وقتی این تکنیک‌ها به درستی به کار گرفته شوند به دست آوردن یک تصویر دقیق سودمند است. با این حال در بسیاری از موارد، استفاده از آنها همچنان دشوار است و برای به دست آوردن نمایش دقیق، باید پارامترهای زیادی را در نظر گرفت. در این زمینه، هوش مصنوعی می‌تواند برای بهبود کیفیت شبیه‌سازی‌ها و سهولت در دستیابی و تفسیر آنها مفید باشد.
انتهای پیام/۴۱۶۰
انتهای پیام/