گسترش سریع هوش مصنوعی، صنعت مواد پیشرفته را با چالشهای نوینی مواجه کرده است. در حالی که الگوریتمها و قدرت محاسباتی همچنان محور اصلی بحثها هستند، زیرساختهای فیزیکی پشتیبان آنها، از جمله نیمهرساناها و مراکز داده، به مرزهای عملکردی و حرارتی خود نزدیک میشوند. این وضعیت نیاز به موادی را ایجاد کرده که بتوانند در شرایط سختتر، کارایی و پایداری بالاتری ارائه دهند.
مایک فینلی، مدیر ارشد فناوری و نوآوری شرکت ساینسکو (Syensqo)، در گفتوگو با امآیتی تکنالوجی ریویو، این همگرایی را تحولی بنیادین توصیف میکند. به گفته او، هوش مصنوعی از منظر مواد، فشار را بر تراشهها و مراکز داده به حداکثر رسانده است. با افزایش نیازهای فنی مانند مقاومت در برابر حرارت بالا، خلوص شیمیایی، عملکرد الکتریکی و پایداری بلندمدت، مواد مورد استفاده به سمت «قله هرم» فناوری حرکت میکنند. فینلی معتقد است که مواد پیشرفته دیگر صرفاً ابزار پشتیبان نیستند، بلکه تعریفکننده مرزهای امکانپذیری در فناوریهای آیندهاند.
راهحلهای نوین برای چالشهای زیرساختی#
ساینسکو در حال توسعه موادی برای معماریهای ولتاژ بالا در مراکز داده، مواد آببندی پیشرفته برای تولید نیمهرساناها و راهکارهای مدیریت حرارتی، از جمله سیالات مخصوص خنککننده غوطهوری مستقیم است. جالب توجه آنکه برخی از این نوآوریها قابلیت انتقال بین صنایع را دارند؛ برای مثال، موادی که برای خودروهای الکتریکی توسعه یافتهاند، اکنون در پاسخ به نیازهای فزاینده ولتاژ و چگالی انرژی در مراکز داده مورد استفاده قرار میگیرند.
تعریف عملکرد نیز در حال تغییر است. مشتریان انتظار دارند مواد جدید ضمن رعایت الزامات فنی، اثرات زیستمحیطی کمتری داشته باشند. فینلی تأکید میکند که هدف، حذف مبادله اجباری بین عملکرد و پایداری است. این بدان معناست که ملاحظات زیستمحیطی باید از ابتدای فرآیند تحقیق لحاظ شوند، نه اینکه به عنوان یک الزام اضافی پس از توسعه ماده، به آن افزوده شوند.
هوش مصنوعی؛ ابزار کشف مواد#
در سوی دیگر این معادله، خودِ هوش مصنوعی روشهای کشف مواد را متحول کرده است. ساینسکو از عاملهای هوش مصنوعی برای سنتز دیجیتال میلیونها ترکیب مولکولی احتمالی استفاده میکند. این سیستمها عملکرد و ویژگیهای پایداری این ترکیبات را پیشبینی کرده و آنها را به گروه کوچکتری برای آزمایش در آزمایشگاه محدود میکنند. این رویکرد به دانشمندان امکان میدهد تا «گستردهتر، عمیقتر و سریعتر» حرکت کنند و زمان بیشتری برای حل مسائل پیچیده مهندسی داشته باشند.
نگاه به آینده، چرخهای تقویتکننده را نشان میدهد: هوش مصنوعی به توسعه موادی کمک میکند که زیرساخت هوش مصنوعی را بهبود میبخشند و این زیرساخت بهبودیافته، به نوبه خود امکان پردازشهای پیشرفتهتر برای کشف مواد را فراهم میآورد. این حلقه بازخورد، پتانسیل تسریع نوآوری و گسترش افقهای فناوریهای آینده را دارد.
منبع: MIT Technology Review
دیدگاهها
برای گذاشتن دیدگاه وارد شو
دیدگاهها فقط از حسابهای کاربری پذیرفته میشوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.