داخل المختبرات المدعومة بالذكاء الاصطناعي: عصر جديد لاكتشاف المواد

مثل عدد متزايد من الصناعات، فإن علم المواد هو أيضًا يتم مساعدته بواسطة الذكاء الاصطناعي (AI).

هنا، تقوم خوارزميات التعلم الآلي (ML) بتحليل مجموعات البيانات الضخمة وتحديد الأنماط لاقتراح مواد مرشحة واعدة في الحد الأدنى من الوقت، في حين تستهلك موارد أقل بكثير من طرق التجربة والخطأ.

العمل اليدوي التقليدي الذي يتطلب جهدًا بشريًا مكثفًا تم تعزيزه مع ظهور الأنظمة الحسابية، التي تسمح بإجراء حسابات معقدة، تشهد الآن ثورة كاملة من خلال العمليات الآلية والمتوازية والتكرارية التي تعتمد على الذكاء الاصطناعي والمحاكاة والأتمتة التجريبية. 

إن نضج تكنولوجيا الذكاء الاصطناعي، جنبًا إلى جنب مع الحوسبة عالية الأداء وتقنيات السحابة الهجينة، هو مساعدة علم المواد على دخول نموذج جديد تميزت ب الاكتشاف المتسارع للمواد الجديدة، والنمذجة التنبؤية لخصائص المواد، والتجريب المستقل. 

This paradigm shift enables researchers to transition from trial-and-error approaches to design, significantly reducing development cycles and paving the way for advanced materials in تطبيقات الطاقة والإلكترونيات والرعاية الصحية والاستدامة.

في الآونة الأخيرة، اتخذ باحثون من جامعة ولاية كارولينا الشمالية خطوة كبيرة إلى الأمام من خلال إنشاء مختبر ذاتي القيادة لتحقيق قفزة جديدة في أتمتة المختبر وتسريع اكتشاف المواد من قبل العلماء..

يقوم المختبر الآلي بجمع بيانات أكثر بعشر مرات من المختبر التقليدي اليدوي الأساليب. بفضل هذه الخطوة، أصبح بإمكان الباحثين إجراء تجارب كيميائية ديناميكية في الوقت الفعلي، مما يوفر الوقت والموارد أثناء تمكين إحراز تقدم أسرع.

لن تستغرق الاكتشافات المعملية الجديدة سنوات بعد الآن؛ بل إننا نتطلع إلى مستقبل حيث ستحدث الاختراعات في أيام.

مختبر مدعوم بالذكاء الاصطناعي: التعلم في الوقت الفعلي من أجل الاكتشاف في الوقت الفعلي

لكي التغلب على التحديات العالمية في مجال الطاقة النظيفة ورفاهية الإنسان والاستدامة، حرج لإجراء اكتشافات سريعة للمواد الوظيفية المتقدمة. الاكتشاف كما أن تصنيع المواد الجديدة وتركيبها يعدان أيضًا مفتاحًا للتكنولوجيات المبتكرة مثل البطاريات، ورقائق الكمبيوتر، والألواح الشمسية، و كثيرا أكثر من ذلك.

ونتيجة لذلك، كثيرا من التقدم قد حدث صنع في منصات تسريع المواد والمختبرات ذاتية القيادة.

وعلى الرغم من التقدم، فإن قدرة هذه المنصات والمختبرات على استكشاف مساحات المعلمات المعقدة محدودة. يتم إعاقته بسبب انخفاض معدل نقل البيانات. بطيء يؤدي نقل البيانات ومعالجتها إلى انخفاض الإنتاجية.

ومن ثم، قام باحثو جامعة ولاية كارولينا الشمالية "بإدخال تجارب التدفق الديناميكي كإستراتيجية لتكثيف البيانات لتصنيع المواد غير العضوية داخل مختبرات السوائل ذاتية القيادة من خلال رسم خرائط مستمرة لظروف التفاعل العابرة إلى ما يعادلها في الحالة المستقرة".

نشرت في الطبيعة الكيميائية الهندسة¹وتوضح الدراسة مختبرًا متطورًا للقيادة الذاتية يستخدم تجارب في الوقت الفعلي لجمع البيانات باستمرار، وبالتالي يصنعون اكتشاف المواد أسرع وأكثر كفاءة مع تقليل التكاليف والتأثير البيئي.

وقد تلقت الدراسة دعمًا من مؤسسة العلوم الوطنية وبرنامج مبادرة فرص البحث بجامعة نورث كارولينا.

والآن، ماذا تعني مختبرات القيادة الذاتية (SDLs)؟ حسنًا، هذه منصات روبوتية تجمع بين التعلم الآلي والأتمتة وعلوم الكيمياء والمواد للعثور على المواد بسرعة أكبر. في هذه المنصات التجريبية المعيارية المدعومة بالتعلم الآلي، تُجرى سلسلة من التجارب، والتي ويتم اختيار من خلال خوارزمية التعلم الآلي، يتم إجراؤها بشكل تكراري لتحقيق الهدف المبرمج.

"تخيل لو أن العلماء تمكنوا من اكتشاف مواد مبتكرة للطاقة النظيفة، أو إلكترونيات جديدة، أو مواد كيميائية مستدامة في أيام بدلاً من سنوات، باستخدام جزء بسيط فقط من المواد وتوليد نفايات أقل بكثير من الوضع الراهن."

- المؤلف المشارك في البحث، ميلاد أبو الحسني، أستاذ الهندسة الكيميائية والبيولوجية الجزيئية في جامعة ولاية كارولينا الشمالية

وأضاف:

""إن هذا العمل يقربنا خطوة واحدة من هذا المستقبل." 

تمثل المختبرات ذاتية القيادة نهجًا تحويليًا لتسريع الاكتشاف العلمي، وتكتسب شعبية في مجالات الكيمياء وعلوم المواد. 

غالبًا ما تعتمد المختبرات ذاتية القيادة التي تستخدم مفاعلات التدفق المستمر على تجارب التدفق في الحالة الثابتة، حيث يتم دمج المواد الأولية المختلفة قبل حدوث التفاعلات الكيميائية، ويتدفق الخليط باستمرار من خلال قناة صغيرة. 

المنتج الذي يخرج منه ويتم بعد ذلك تمييزه بسلسلة من المستشعرات بمجرد اكتمال التفاعل.

وأشار أبو الحسني إلى أن "هذا النهج الراسخ للمختبرات ذاتية القيادة كان له تأثير كبير على اكتشاف المواد"، حيث شارك أن هذا سمح للعلماء "بتحديد مرشحي المواد الواعدة لتطبيقات محددة في غضون بضعة أشهر أو أسابيع، بدلاً من سنوات، مع تقليل التكاليف والتأثير البيئي للعمل". ولكنها لم تكن مثالية بأي حال من الأحوال، إذ لا تزال هناك مجالات للتحسين.

على وجه الخصوص، توقف النظام عن العمل عند حدوث التفاعل الكيميائي يحدث قبل أن تتمكن المادة الناتجة من be يتميز. يمكن أن يصل وقت الانتظار للمختبرات ذاتية القيادة إلى ساعة لكل تجربة تدفق ثابتة.

"لقد أنشأنا الآن مختبرًا ذاتي القيادة يستخدم تجارب التدفق الديناميكي، حيث يتم تغيير الخلطات الكيميائية باستمرار من خلال النظام و تتم مراقبتها "في الوقت الحقيقي."

– أبو الحسني 

ما هذا يعني غير أن إنهم يقومون بإلغاء عملية تشغيل عينات منفصلة عبر النظام واختبار كل منها منهم صورة واحدة؟ في الوقت بعد أن وصلوا إلى حالة ما. 

وبدلاً من ذلك، قاموا ببناء نظام ببساطة لا يتوقف عن الجري. تتحرك العينات بشكل مستمر عبر النظام. هذه وذلك لأن "النظام لا يتوقف أبدًا عن توصيف العينة"، ويمكن للباحث "التقاط البيانات حول ما يحدث في العينة كل نصف ثانية".

يمثل دمج تجارب التدفق الديناميكي داخل المختبرات السائلة ذاتية القيادة انحرافًا عن تجارب الدفعات التقليدية. 

على النقيض من الأساليب التقليدية، حيث يتم عزل نقاط البيانات يتم جمعها في ظل ظروف الحالة المستقرة، in تجارب التدفق الديناميكي, مبادئ الميكروفلويديك يتم استخدامها لـ بسرعة رسم خرائط لظروف التفاعل.

من خلال إنشاء تدفق مستمر من البيانات، فإنه يوسع بشكل كبير البيانات التجريبية التي يمكن الوصول إليها.

وأوضح أبو الحسني أن الفريق الآن يحصل 20 نقطة بيانات حول ما تنتجه التجربة، بدءًا من نقطة واحدة بعد 0.5 ثانية من وقت رد الفعل، ثم نقطة واحدة بعد ثانية واحدة من وقت رد الفعل، وهكذا، على عكس صورة واحدة؟ نقطة البيانات التي سوف دولار فقط واحصل على خصم XNUMX% على جميع بعد ١٠ ثوانٍ من وقت رد الفعل. وأضاف:

يشبه الأمر الانتقال من لقطة واحدة إلى فيلم كامل للتفاعل لحظة حدوثه. فبدلاً من انتظار انتهاء كل تجربة، يعمل نظامنا باستمرار ويتعلم باستمرار. 

إن امتلاك هذا الكم الهائل من البيانات يمكن أن يُحدث تأثيرًا هائلًا على أداء أي مختبر مُدار بالذكاء الاصطناعي. فالبيانات، في نهاية المطاف، أساسية لأي خوارزمية. فالذكاء الاصطناعي مُتعطش للبيانات، وبناءً على البيانات التي يُنتجها، يتغذى، تقوم الخوارزمية بإجراء التنبؤات.

بحسب أبو الحسني:

"إن الجزء الأكثر أهمية في أي مختبر للقيادة الذاتية هو خوارزمية التعلم الآلي التي يستخدمها النظام للتنبؤ بالتجربة التي يجب إجراؤها بعد ذلك." 

وعلى هذا النحو، يسمح نهج تدفق البيانات لعقل التعلم الآلي في مختبر القيادة الذاتية باتخاذ قرارات أسرع وأكثر ذكاءً، "والتركيز على المواد والعمليات المثالية في جزء بسيط من الوقت".

وتحدد جودة البيانات أيضًا مدى دقة التوقعات. لذلك ، من خلال بفضل وجود المزيد من البيانات التجريبية عالية الجودة، يمكن للخوارزمية تقديم تنبؤات أكثر دقة، وثم it علبة حل مشكلة بسرعة. 

"وهذا له فائدة إضافية تتمثل في تقليل كمية المواد الكيميائية اللازمة للتوصل إلى حل." 

– أبو الحسني

لإثبات قدرات نظامهم، طبّق الفريق تجارب التدفق الديناميكي على نقاط الكم الغروانية من سيلينيد الكادميوم. واستُخدم هذا النظام كمنصة اختبار نظرًا لكونه نظامًا غير عضوي راسخًا، لا يعتمد على معايير محددة فحسب، بل يتمتع أيضًا بإمكانيات تكنولوجية هائلة.

وفي هذه الحالة، وجد الفريق أن مختبرهم، الذي يتضمن نظام تدفق ديناميكي، حقق "تحسنًا كبيرًا في كفاءة جمع البيانات".

وقد أنتجت بيانات أكثر بعشر مرات على الأقل من مختبرات القيادة الذاتية الأخرى التي استخدمت تجارب التدفق في الحالة الثابتة. وعلاوة على ذلك، بمجرد التدريب، تمكن مختبر القيادة الذاتية من اكتشاف أفضل المرشحين في المحاولة الأولى.

هذا الإنجاز، كما قال أبو الحسني، "لا يقتصر على السرعة فحسب"، بل يشمل أيضًا تحقيق الاستدامة. فمن خلال تقليل العدد المطلوب من التجارب، يُقلل النظام بشكل كبير من استهلاك المواد الكيميائية و النفايات، وتعزيز ممارسات بحثية أكثر استدامة. قال أبو الحسني:

لا يقتصر مستقبل اكتشاف المواد على سرعة الإنجاز فحسب، بل يشمل أيضًا مدى مسؤوليتنا في الوصول إلى ذلك الهدف. نهجنا يعني تقليل المواد الكيميائية، وتقليل النفايات، وتقديم حلول أسرع لأصعب تحديات المجتمع.

الدور المتنامي للذكاء الاصطناعي في علم المواد: اكتشافات حديثة مثيرة

الذكاء الاصطناعي يحول الصناعات في جميع أنحاء العالم، وهذا يشمل علم المواد، الذي يعد أساسيا للعديد من الابتكارات التكنولوجية والتحديات المجتمعية. 

ونتيجة لذلك، استعمال لقد كان للذكاء الاصطناعي دور كبير في اكتشاف وتطوير المواد الجديدة يحدث لسنوات عديدة الان، ولكن لديها بالتأكيد اكتسبت زخمًا في السنوات الأخيرة مع تطور التكنولوجيا يصبح أكثر تقدمًا وقدرة. 

"مع استمرار التطوير، نتوقع أن تعمل الروبوتات والأتمتة على تحسين سرعة ودقة وإمكانية تكرار التجارب عبر أدوات وتخصصات متنوعة، مما يؤدي إلى توليد البيانات التي يمكن لأنظمة الذكاء الاصطناعي تحليلها لتوجيه المزيد من التجارب."

- الدكتور جيمس كاهون، أحد المؤلفين المشاركين في ورقة البحث "تحويل مختبرات العلوم إلى مصانع اكتشاف آلية.^{2 "}

وبناء على ذلك، دعونا نلقي نظرة على بعض التقدم الرئيسي المحرز في علم المواد هذا العام عبر تطبيقات مختلفة.

بالنسبة للمبتدئين، وكما شاركنا مؤخرًا، بمساعدة الذكاء الاصطناعي، تمكن العلماء من تصميم أجهزة إرسال حرارية معقدة ثلاثية الأبعاد يمكنها يجلب درجات الحرارة الداخلية والمساعدة حفظ تكاليف الطاقة. يمكن للمواد التي تم إنشاؤها باستخدام تقنية التعلم الآلي المصممة حديثًا أن تجد تطبيقات في المباني السكنية والتجارية، والمركبات الفضائية، والأقمشة والمنسوجات، والسيارات، والمزيد.

"من خلال أتمتة العملية وتوسيع مساحة التصميم، يمكننا إنشاء مواد ذات أداء متفوق لم يكن من الممكن تصورها من قبل."

- الرئيس المشارك للدراسة، يويبينج تشنغ

تطوير مواد معدنية جديدة ذات قوة فائقة

قبل بضعة أشهر، قام العلماء وذكرت استخدام الذكاء الاصطناعي لتصميم MPEA جديد أو عنصر رئيسي متعدد سبائك، التي . وجدت في مكونات الطائرات، والمحولات الحفازة، واستبدال الركبة.

The newly designed MPEA comes with superior mechanical properties, which Sanket Deshmukh, associate professor in chemical engineering at Virginia Tech, said, “demonstrates how frameworks and explainable AI can unlock new possibilities in materials design."

لتفسير التحليل صنع من خلال نموذج الذكاء الاصطناعي، ديشموك وفريقه مستعمل تحليل SHAP (تفسيرات SHapley الإضافية)، والذي سمح لمساعدتهم على فهم كيفية تفاعل العناصر المختلفة وبيئاتها المحلية تؤثر خصائص MPEAs، بدوره، توفير المزيد من الرؤية والتنبؤات الدقيقة.

بالإضافة إلى تسريع اكتشاف السبائك المعدنية المتقدمةويعتقد ديشموك أن دمج التعلم الآلي مع الخوارزميات التطورية والتحقق التجريبي يمكن أن يساعدنا أيضًا في إنشاء أدوات "يمكن توسيع نطاقها لتشمل أنظمة مواد معقدة مثل المواد السكرية - المواد البوليمرية التي تحتوي على الكربوهيدرات".

كشف أسرار النمو الشجري في الأغشية الرقيقة

استخدم بحث³ نجح فريق من الباحثين من جامعة طوكيو للعلوم (TUS) في تطوير نموذج ذكاء اصطناعي قابل للتفسير يتنبأ بنمو الشجيرات (نمط تفرع يشبه الشجرة) في الأغشية الرقيقة، وهو ما يشكل عقبة رئيسية في تصنيعها على مساحة كبيرة ويحد من تسويقها.

من خلال الكشف عن الظروف والآليات المحددة وراء تفرع الشجيرات، يساعد نموذج الذكاء الاصطناعي على تحسين عملية نمو الأغشية الرقيقة. أجهزة الأغشية الرقيقة هي حرج in التكنولوجيا مثل أشباه الموصلات.

يدمج نموذج الذكاء الاصطناعي الجديد طريقة التعلم الآلي المسماة تحليل المكونات الأساسية (PCA) وتقنية الطوبولوجيا المسماة التماثل المستمر مع تحليل الطاقة الحرة. 

من خلال دمج الطوبولوجيا والطاقة الحرة، تُقدم طريقتنا نهجًا متعدد الاستخدامات لتحليل المواد. ومن خلال هذا التكامل، يُمكننا إقامة صلة هرمية بين البنى الدقيقة على المستوى الذري والوظائف العيانية عبر مجموعة واسعة من المواد، مما يُمهد الطريق للتطورات المستقبلية في علم المواد."

- البروفيسور ماساتو كوتسوغي من قسم علوم وتكنولوجيا المواد في جامعة توستماسترز

اكتساب فهم أفضل للجسيمات النانوية

فريق من العلماء من جامعات متعددة معا إلى تطوير طريقة⁴ إلى أفضل فهم السلوك الديناميكي للجسيمات النانوية، والتي تعد اللبنات الأساسية للإلكترونيات والأدوية والمواد الصناعية.

لقد مزجت المجهر الإلكتروني مع الذكاء الاصطناعي لتصور بنية وحركات الجزيئات بدقة زمنية غير مسبوقة.

وكما أوضح بيتر أ. كروزير، أستاذ علوم وهندسة المواد في جامعة ولاية أريزونا:

"يمكن للمجهر الإلكتروني التقاط الصور بدقة مكانية عالية، ولكن بسبب السرعة التي يتغير بها التركيب الذري للجسيمات النانوية أثناء التفاعلات الكيميائية، فنحن بحاجة إلى جمع البيانات بسرعة عالية جدًا لفهم وظائفها."

ولتخفيف هذه الضوضاء، قاموا بتطوير طريقة الذكاء الاصطناعي التي تقوم بإزالتها تلقائيًا، "مما يتيح تصور ديناميكيات المستوى الذري الرئيسية".

وفي الوقت نفسه، تعمل مجموعة بحثية من جامعة جراتس للتكنولوجيا على رفع بناء الهياكل النانوية إلى مستوى جديد باستخدام الذكاء الاصطناعي.

لهذا السبب هم تطوير نظام الذكاء الاصطناعي الذي يتعلم ذاتيًا والذي يضع الجزيئات الفردية بشكل مستقل وبسرعة وفي حق التوجيه باستخدام المجاهر النفقية الماسحة، وهي عملية صعبة وتستغرق وقتًا طويلاً، للسماح لل القادم بناء "الهياكل الجزيئية المعقدة للغاية، بما في ذلك الدوائر المنطقية في نطاق النانومتر."

الهدف النهائي هو بناء حظائر كمية، وهي عبارة عن هياكل نانوية على شكل بوابة يمكنها حبس الإلكترونات، واستخدامها لبناء الدوائر المنطقية لدراسة كيفية عملها على المستوى الجزيئي. 

اكتشاف مواد كهروضوئية أفضل

بديل مستدام للخلايا الشمسية التقليدية القائمة على السيليكون، خلايا البيروفسكايت الشمسية إظهار وعد كبير باعتباره الجيل القادم من تكنولوجيا الطاقة الكهروضوئية لتحويل ضوء الشمس إلى كهرباء. 

يمكن زيادة فعاليتها بشكل أكبر من خلال الجزيئات التي تنقل الشحنات الموجبة، ولكن هناك ملايين الجزيئات المختلفة، مما يعني التوليف واختبارهم جميعا. ومع ذلك، من خلال الاستفادة من الذكاء الاصطناعي مع التوليف الآلي عالي الإنتاجية، تمكن فريق من الباحثين من معهد كارلسروه للتكنولوجيا (KIT) من اكتشف جزيئات عضوية جديدة⁵ في غضون أسابيع قليلة، مع 150 تجربة مستهدفة فقط.

وتساهم المواد المكتشفة حديثًا أيضًا في زيادة كفاءة الخلية الشمسية المرجعية بنحو نقطتين مئويتين.

ولتحقيق هذه الغاية، لجأ العلماء إلى قاعدة بيانات تحتوي على مليون جزيء افتراضي، واختاروا عشوائيا 13,000 ألف جزيء منها قبل اختيار 101 منها. المختارين كان أعظم الاختلافات في خصائصهم، وهم تم تصنيعها مع الأنظمة الروبوتية قبل استخدمهم لإنتاج الخلايا الشمسية.

وضع الأساس لاكتشاف المواد المدعوم بالذكاء الاصطناعي

في حين أن كل هذه الاكتشافات هي يجري صنعه، لكي يتمكن الذكاء الاصطناعي من تحقيق ذلك بالفعل، فهو يحتاج إلى البيانات. هذه يتضمن بيانات حول المواد بالإضافة إلى بيانات من عمليات المحاكاة واسعة النطاق. 

في حين أن العديد من قواعد البيانات هذه متاحة، إلا أنها معزولة إلى حد كبير، وبالتالي تحتاج إلى معيار "حتى يتمكن المستخدمون من التواصل مع كل مكتبات البيانات هذه وفهم المعلومات التي يتلقونها،" وقال جيان ماركو ريجنانيز، أستاذ في معهد المادة المكثفة وعلوم النانو في جامعة لوفين في بلجيكا:

لذا، في الصيف الماضي، كان هناك تعاون دولي كبير صدر نسخة موسعة من معيار OPTIMADE لتسهيل اكتشاف المواد المعتمدة على الذكاء الاصطناعي.

The OPTIMADE (مفتوح تكامل قواعد البيانات لـ تصميم المواد) المعيار هو المدعومة من خلال شبكة دولية كبيرة من المؤسسات وقواعد البيانات المادية. بهدف توفير وصول أسهل للمستخدمين إلى قواعد بيانات المواد الرائدة والأقل شهرة، تم إصدار نسخة جديدة منه كانت مقدمة والتي يمكنها تسريع اكتشاف المواد الجاري تنفيذها بواسطة الذكاء الاصطناعي.

الاستثمار في الذكاء الاصطناعي لاكتشاف المواد

متى البحث عن الاستثمار في هذه المساحة، الأبجدية شركة. (GOOGL ) مملوكة لشركة جوجل هو ذلك أصدرت أداة ذكاء اصطناعي تُسمى Gnome. ذكرت العثور 2.2 مليون بلورة جديدة مع ذلك. ثم هناك Microsoft (MSFT )، والتي قدمت MatterGen و MatterSim لإنشاء مواد مرشحة جديدة والتحقق من صحتها.

ولكن هناك شركة عملاقة أخرى في مجال الذكاء الاصطناعي أطلقت نموذجها الخاص لرفع نطاق ودقة أبحاث المواد.

شركة NVIDIA (NVDA )

إنها شركة إنفيديا، شركة الذكاء الاصطناعي الرائدة. في أواخر العام الماضي، أعلنت الشركة أدخلت NVIDIA ALCHEMI (مختبر الذكاء الاصطناعي للابتكار في الكيمياء والمواد).

تهدف المنصة إلى تسريع البحث والتطوير في الكيمياء وعلوم المواد من خلال قوة الذكاء الاصطناعي، ولتحقيق ذلك، فهو يتضمن واجهات برمجة التطبيقات وخدمات الاستدلال السريع. هذه سوف يتيح إنشاء ونشر الجنرال نماذج الذكاء الاصطناعي لاستكشاف عالم المواد الواسع واقتراح مرشحين جدد، و التطوير و استعمال من النماذج البديلة ل يحقق التوازن بين القادم التكلفة من الحساب ودقة. وسوف أيضا السماح ل أدوات معلوماتية سهلة الوصول ونماذج أساسية مدربة مسبقًا لـ أدوات الفحص والمحاكاة السريعة يتدرب و ضبط دقيق نماذج الذكاء الاصطناعى لـ حالات استخدام جديدة.

من خلال ALCHEMI، تهدف NVIDIA إلى تسريع سير عمل الاكتشاف و"الدخول في عصر جديد من الاكتشافات الرائدة التي تدعم مستقبلًا أكثر استدامة وصحة".

إنفيديا شركة ذات قيمة سوقية تبلغ 4.22 تريليون دولار أمريكي، ويتداول سهمها عند حوالي 173.5 دولارًا أمريكيًا، بارتفاع بنسبة 28.8% منذ بداية العام. يبلغ ربح السهم الواحد (لآخر 3.10 أشهر) 55.73، ونسبة السعر إلى الربحية (لآخر 0.02 أشهر) XNUMX، وعائد توزيعات الأرباح الموزعة XNUMX%.

أحدث أخبار وتطورات أسهم شركة NVIDIA Corporation (NVDA)

خاتمة

مع الذكاء الاصطناعي والأتمتة والحوسبة عالية الأداء تعال سويايدخل علم المواد عصره الأكثر تحولاً، مما يمثل تحولاً ضرورياً للغاية من الاعتماد على الإنسان المحاولة و الخطأ to, autonomous discovery.

في خضم هذا، تُحدث المختبرات المُدعّمة بالذكاء الاصطناعي والمنصات التجريبية ذاتية القيادة تغييرًا جذريًا في طريقة العلماء، ليس فقط في اكتشاف المواد، بل وفي اختبارها وتحسينها أيضًا. علاوة على ذلك، ومع مبادرات مثل ALCHEMI من NVIDIA، وGnome من Google، وMatterGen من Microsoft، تُراهن شركات التكنولوجيا الكبرى أيضًا على الذكاء الاصطناعي لتغذية الموجة القادمة من الابتكار!

انقر هنا لمعرفة كل شيء عن الاستثمار في الذكاء الاصطناعي.

المراجع:

1. ديلجادو-ليكونا، ف.؛ الصيعري، أ.؛ ديكرسون، ه.؛ كليم، ب. غوراي، أ.؛ كانتي، ر.ب. بينيت، JA؛ جها، ب. موخين، ن.؛ لي، J.؛ لوبيز-جواجاردو، EA؛ صادقي، س.؛ باتيني، ف؛ أبو الحسني، م. تكثيف البيانات المستندة إلى التدفق لتسريع اكتشاف المواد غير العضوية المستقلة. الهندسة الكيميائية الطبيعية، نُشرت على الإنترنت في 14 يوليو 2025. https://doi.org/10.1038/s44286-025-00249-z
2. أنجيلوبولوس، أ.؛ كاهون، ج. ف.؛ ألتيروفيتز، ر. تحويل مختبرات العلوم إلى مصانع اكتشاف آلية. مجلة روبوت العلوم. 2024، 9(95)، eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. نغمة، م. ساتو، س.؛ كوني، س. أوباياشي، أنا. هيراوكا، Y.؛ أوجاوا، Y.؛ فوكيدوم، ه.؛ فوجياتو، AL؛ ميتسوماتا، سي؛ ناجاوكا، ر. فارادواج، أ.؛ فارادواج، بي آر؛ ماتسودا، أنا. كوتسوجي، م.؛ وآخرون. ربط الهيكل والعملية في النمو التشعبي باستخدام التماثل المستمر مع تحليل الطاقة. الخيال العلمي. تكنول. ظرف. ماطر. طرق 2025، 5 (1)، المادة 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. كروزير، PA؛ ليبوفيتش، م.؛ هالواي، ب. تان، م. توماس، صباحا؛ فنسنت، J.؛ موهان، س. موراليس، صباحا؛ كولكارني، SA؛ ماتيسون، دي إس؛ وانغ، Y.؛ فرنانديز-غراندا، C. تصور ديناميكيات سطح الجسيمات النانوية وعدم استقرارها من خلال إزالة الضوضاء العميقة. علوم 2025 387 (شنومكس)، شنومكس-شنومكس. https://doi.org/10.1126/science.ads2688
5. وو، J.؛ توريسي، L.؛ همم.؛ ريزر، ص. تشانغ، J.؛ روشا أورتيز، JS؛ وانغ، ل.؛ شيه، Z .؛ تشانغ، ك. بارك، بي دبليو؛ باراباش، أ.؛ تشاو، Y.؛ لو، J.؛ وانغ، Y.؛ لوير، L.؛ دينغ، L. ‑ L .؛ هوش، J. A.؛ جولدي، دي إم؛ بيريز أوخيدا، M. E.؛ سيوك، S. I.؛ فريدريش، ب. Brabec, C. J. يكتشف سير عمل التصميم العكسي مواد نقل الثقب المصممة لخلايا البيروفسكايت الشمسية. العلوم 2024، 386(6727)، 1256-1264. https://doi.org/10.1126/science.ads0901