مقدمه

پیش‌بینی ساختار کریستالی یکی از چالش‌های اساسی در علم مواد است که به ویژه در توسعه مواد جدید و نوآورانه اهمیت دارد. در سال‌های اخیر، روش‌های یادگیری ماشین به عنوان ابزاری مؤثر در شناسایی ساختارهای جدید معرفی شده‌اند. با این حال، این روش‌ها به شدت به پایگاه‌های داده ساختاری موجود وابسته هستند که می‌تواند توانایی آن‌ها در شناسایی نوع‌های کاملاً جدید ساختار را محدود کند. به همین دلیل، توسعه روش‌های جدیدی که بتوانند به طور مستقل از پایگاه‌های داده عمل کنند، ضروری به نظر می‌رسد.

فهرست مطالب

  1. روش‌های یادگیری ماشین
  2. روش MMIGA
  3. مطالعه موردی: سیستم La-Co-Pb
  4. خلاصه و نتیجه‌گیری
  5. سوالات متداول

روش‌های یادگیری ماشین

روش‌های یادگیری ماشین به طور کلی به شناسایی الگوها و ارتباطات در داده‌ها کمک می‌کنند، اما در زمینه پیش‌بینی ساختار کریستالی، این روش‌ها معمولاً به پایگاه‌های داده تاریخی متکی هستند. این وابستگی می‌تواند به عدم توانایی در شناسایی ساختارهای جدید منجر شود. به همین دلیل، نیاز به توسعه روش‌های جدیدی که بتوانند به طور مستقل از پایگاه‌های داده عمل کنند، احساس می‌شود.

روش MMIGA

در این مقاله، ما یک الگوریتم ژنتیکی چندحدی تکراری (MMIGA) را توسعه داده‌ایم که یک پتانسیل بین‌اتمی مبتنی بر شبکه‌های عصبی مصنوعی (ANN-ML) را با یک طرح جریمه الهام‌گرفته از متادینامیک ترکیب می‌کند. این روش به ما این امکان را می‌دهد که ساختارهای جدید و غیرمنتظره را پیش‌بینی کنیم.

مطالعه موردی: سیستم La-Co-Pb

ما روش MMIGA را در یک سیستم سه‌تایی پیچیده La-Co-Pb آزمایش کردیم که با عدم اختلاط Co-Pb و یک چشم‌انداز انرژی پیچیده شناخته می‌شود. این الگوریتم به موفقیت ساختار Pbam زمین‌شناسی ترکیب La4Co4Pb را پیش‌بینی کرد که قبلاً توسط پیش‌بینی‌های مبتنی بر پایگاه‌های داده نادیده گرفته شده بود. همچنین، این روش توانست چندین فاز متاستابل رقیب را شناسایی کند.

علاوه بر این، ما این روش را برای پیش‌بینی ساختار La5CoPb2 به کار گرفتیم که یک ترکیب جدید در تلاش‌های قبلی برای سنتز فاز La3CoPb کشف شد. با استفاده از تنها اطلاعات ترکیبی، روش MMIGA به طور موفقیت‌آمیز ساختار ارتورمبیک La5CoPb2 را پیش‌بینی کرد و تطابق دقیقی با ساختار تعیین‌شده به طور مستقل توسط پراش پرتو ایکس داشت.

خلاصه و نتیجه‌گیری

روش MMIGA با نقشه‌برداری کارآمد از حداقل جهانی و حالت‌های متاستابل مرتبط، بینش‌های نظری حیاتی را در انتخاب فاز برای مواد نوین کوانتومی و مغناطیسی ارائه می‌دهد. این پیشرفت‌ها می‌توانند به توسعه مواد جدید با خواص بهبود یافته در صنعت، به ویژه در صنایع داخلی ایران کمک کنند.

مشاوره در پیش‌بینی ساختار کریستالی

اگر به دنبال درک عمیق‌تری از ساختارهای کریستالی و پروژه‌های تحقیقاتی مرتبط هستید، تیم ما آماده است تا در مراحل مشاوره و طراحی پژوهش به شما کمک کند. با ما تماس بگیرید تا شما را در مسیر تحقق اهدافتان راهنمایی کنیم.

تماس بگیرید

روش MMIGA با نقشه‌برداری کارآمد از حداقل جهانی و حالت‌های متاستابل مرتبط، بینش‌های نظری حیاتی را در انتخاب فاز برای مواد نوین کوانتومی و مغناطیسی ارائه می‌دهد. این پیشرفت‌ها می‌توانند به توسعه مواد جدید با خواص بهبود یافته در صنعت، به ویژه در صنایع داخلی ایران کمک کنند.

سوالات متداول

چرا روش‌های یادگیری ماشین در پیش‌بینی ساختار کریستالی مهم هستند؟

این روش‌ها می‌توانند به شناسایی الگوها و ارتباطات در داده‌های ساختاری کمک کنند و به ما در توسعه مواد جدید یاری رسانند.

الگوریتم MMIGA چگونه عمل می‌کند؟

این الگوریتم ترکیبی از یک پتانسیل بین‌اتمی مبتنی بر شبکه‌های عصبی و یک طرح جریمه تکراری است که به ما اجازه می‌دهد ساختارهای جدید را پیش‌بینی کنیم.

چگونه می‌توان از این پیشرفت‌ها در صنعت استفاده کرد؟

با توسعه مواد جدید با خواص بهبود یافته، این روش‌ها می‌توانند به صنایع مختلف از جمله الکترونیک و انرژی کمک کنند.

منابع و پیوندهای مرتبط

بر اساس مقاله منتشر شده در arXiv، نویسندگان این مطالعه شامل Ling Tang، Weiyi Xia، Tyler J. Slade، Paul C. Canfield و Cai-Zhuang Wang هستند و در تاریخ 1 ژوئیه 2026 منتشر شده است.

اگر در زمینه پیش‌بینی ساختار کریستالی به دنبال همکاری هستید، به گروه دانش بنیان خط (شرکت توسعه فناوری مواد خط) به آدرس https://khatgroup.ir مراجعه کنید.