یک مدل هوش مصنوعی که از تکنیک ترمیم تصویر اقتباس شده است میتواند اتمهای گمشده در ساختارهای بلوری را با نرخ موفقیت گزارششده ۹۷ درصد بازسازی کند.
یک ساختار بلوری ممکن است تقریباً کامل به نظر برسد اما همچنان برای شبیهسازیهای رایانهای غیرقابل استفاده باشد، زیرا برخی از اتمهای آن گم شدهاند. هیدروژن منبع مکرر این شکافهاست و محققان اکنون یک تکنیک هوش مصنوعی را که برای ترمیم تصاویر استفاده میشود، برای پیشبینی محل این اتمهای پنهان اقتباس کردهاند.
این رویکرد توسط تیمی به رهبری جووانی پیتسی از مرکز محاسبات علمی، نظریه و داده PSI، با همکاری محققانی از دانشگاههای پارما و مودنا در ایتالیا توسعه یافته است. این روش که در نشریه npj Computational Materials توصیف شده است، بینایی رایانهای را که در آن هوش مصنوعی اطلاعات بصری را تشخیص و تفسیر میکند، بر ساختارهای بلوری ناقص اعمال میکند.
سیستمهای هوش مصنوعی تخصصی از قبل به تحقیقات مواد کمک میکنند. به عنوان مثال، MatterGen مایکروسافت میتواند ساختارهای بلوری پیچیدهای را از اطلاعات اولیه درباره اینکه کدام عناصر باید شامل شوند و نسبت آنها بسازد. محققان سپس میتوانند از ساختارهای تولیدشده در شبیهسازیهای رایانهای برای بررسی مواد بالقوه استفاده کنند.
روش جدید در عوض بر پر کردن موقعیتهای گمشده در ساختارهایی تمرکز دارد که قبلاً به صورت تجربی شناخته شدهاند. تکمیل این رکوردها میتواند موادی را که قبلاً غیرقابل دسترس بودند برای شبیهسازی در دسترس قرار دهد یا مدلهای موجود را به طور قابل توجهی بهبود بخشد و از جستجو برای خواص مفید در زمینههایی مانند ذخیرهسازی هیدروژن و احتمالاً ابررساناهای جدید حمایت کند.
هیدروژن گمشده مواد امیدوارکننده را کنار میگذارد
«برای شبیهسازیهای ما از خواص مواد، به اطلاعات موجود در پایگاههای داده تکیه میکنیم که به ما میگویند هر اتم در ساختار بلوری کجا قرار دارد»، تیمو رینتس، دانشجوی دکترا در گروه جووانی پیتسی، میگوید.
هیدروژن یک دشواری مداوم ایجاد میکند. اگرچه اغلب بخشی از شبکه بلوری است، روشهای استاندارد پراش پرتو ایکس که برای تعیین آرایش اتمی استفاده میشوند، آن را به راحتی تشخیص نمیدهند. در نتیجه، تجسمهای بلوری ممکن است اتمهای هیدروژن را به طور نادرست قرار دهند یا آنها را به کلی حذف کنند.
شبیهسازیها برای پیشبینی ویژگیهایی مانند رسانایی الکتریکی و حرارتی به مختصات اتمی دقیق نیاز دارند. «اگر اطلاعات مربوط به اتمهای هیدروژن از دست رفته باشد، این یک مشکل است»، جووانی پیتسی میگوید. «اغلب، دقیقاً به همین دلیل نمیتوانیم از چند هزار ماده بالقوه جالب برای شبیهسازیهای خود استفاده کنیم.»
محققان برای بازیابی آن اطلاعات گمشده به هوش مصنوعی روی آوردند.
یک ابزار تصویری اتمهای گمشده را پیدا میکند
راهحل آنها از مدلهای انتشار (diffusion models) استفاده شده در بینایی رایانهای وام گرفته شده است. وقتی این سیستمها بخش غایب یک تصویر را بازسازی میکنند، این فرآیند به عنوان ترمیم تصویر (inpainting) شناخته میشود. برای مثال، یک مدل ممکن است پنجه سگی را که در عکس اصلی پنهان شده بود، بازسازی کند.
روشهای قدیمیتر کل تصویر را با اطلاعات تصادفی معروف به نویز میپوشاندند و سپس صحنه کامل را بازسازی میکردند. رویکردهای مدرن نویز قویتری را در ناحیه ناشناخته متمرکز میکنند در حالی که بخشهای قابل مشاهده را بسیار کمتر مختل میکنند.
این فرآیند انتخابی به مدل یک نقطه شروع قابل اعتماد میدهد. به جای بازآفرینی همه چیز، میتواند از اطلاعات اطراف برای استنتاج آنچه در شکاف متعلق است استفاده کند.
XtalPaint فقط شکافها را بازسازی میکند
اگرچه ترمیم تصویر انتخابی در بینایی رایانهای به خوبی تثبیت شده است، قبلاً برای بازسازی موقعیتهای اتمی گمشده در دسترس نبود. گروه پیتسی با توسعه XtalPaint، یک مدل متنباز اقتباسشده از MatterGen مایکروسافت، به این مشکل پرداخت.
«این روش مزایای بینایی رایانهای مدرن و بازسازی بلور را ترکیب میکند: نویز فقط به موقعیتهای ناشناخته درون بلور اضافه میشود – موقعیتهای شناختهشده در طول فرآیند تا حد زیادی بدون تغییر باقی میمانند»، تیمو رینتس توضیح میدهد.
از آنجا که XtalPaint بیشتر ساختار موجود را حفظ میکند، میتواند در طول بازسازی از اتمهای شناختهشده به عنوان راهنما استفاده کند، به جای اینکه از یک بلور به شدت مختلشده شروع کند.
«با بازسازی گامبهگام، XtalPaint میتواند از همان ابتدا خود را با بلور موجود جهتدهی کند»، رینتس میگوید. «این امر نرخ موفقیت را افزایش میدهد و همچنین توان محاسباتی را ذخیره میکند.»
آزمایشها به نرخ موفقیت ۹۷ درصد میرسند
محققان XtalPaint را با گرفتن ساختارهای بلوری با موقعیتهای هیدروژن شناختهشده، حذف آن مختصات و از مدل خواستن برای بازگرداندن آنها آزمایش کردند.
در ۸۷ درصد از آزمایشها، XtalPaint آرایش قبلاً شناختهشده را بازیابی کرد. در ده درصد دیگر، پیکربندیهایی تولید کرد که از نظر انرژی پایدارتر از ساختارهای ثبتشده بودند.
«در مجموع، این به معنای نرخ موفقیت ۹۷ درصد برای XtalPaint است»، رینتس میگوید.
این مدل اکنون میتواند برای بازیابی مختصات هیدروژن گمشده در پایگاههای داده مواد استفاده شود. «ما اکنون میتوانیم از روش خود، برای مثال، برای تکمیل ساختارها در پایگاههای داده با موقعیتهای هیدروژن گمشده استفاده کنیم»، پیتسی میگوید.
پیتسی و همکارانش همچنین از این روش برای شناسایی خطاهای پایگاه داده که میتوانند هنگام انتقال اطلاعات از مقالات علمی اصلی رخ دهند، استفاده کردهاند. کاربرد بالقوه آن فراتر از هیدروژن است. همین رویکرد میتواند موقعیتهای لیتیم و سدیم، دو عنصری که در جستجوی مواد باتری جدید مهم هستند، را بازسازی کند.
مرجع: «مدلهای انتشار مبتنی بر امتیاز برای ترمیم دقیق ساختار بلوری و بازسازی موقعیتهای هیدروژن» نوشته تیمو رینتس، آریانا کانتارلا، مارنیک برکس، پیترو بونفا و جووانی پیتسی، ۱۱ ژوئن ۲۰۲۶، npj Computational Materials.
DOI: 10.1038/s41524-026-02090-1
این تحقیق توسط NCCR MARVEL، یک مرکز ملی شایستگی در تحقیق، با بودجه بنیاد ملی علوم سوئیس (شماره کمک هزینه ۲۰۵۶۰۲) پشتیبانی شد. این کار توسط بورس کارشناسی ارشد پتانسیلهای MARVEL INSPIRE پشتیبانی شد.