کاربرد یادگیری ماشین در پیش بینی و طراحی خواص مواد جامد؛ رویکردی نوین در فیزیک حالت جامد

پیش بینی دقیق خواص مواد جامد یکی از مسائل بنیادین در فیزیک حالت جامد و علم مواد محسوب می شود، زیرا ارتباط پیچیده میان ترکیب شیمیایی، ساختار بلوری، نوع پیوند، آرایش الکترونی، نقص های شبکه و رفتار دینامیکی اتم ها، تعیین خواص نهایی مواد را با دشواری همراه می سازد. روش های متداول محاسباتی و تجربی، اگرچه اطلاعات ارزشمندی درباره ساختار و خواص مواد فراهم می کنند، در بررسی گسترده فضای ترکیبات و ساختارهای ممکن با محدودیت هایی از نظر زمان، هزینه و منابع محاسباتی مواجه هستند. در این میان، یادگیری ماشین به عنوان رویکردی داده محور، ظرفیت قابل توجهی برای شناسایی روابط پیچیده و غیرخطی میان توصیفگرهای ساختاری و شیمیایی و خواص فیزیکی مواد فراهم کرده است. هدف این مقاله، بررسی نقش و ظرفیت روش های یادگیری ماشین در پیش بینی خواص مواد جامد با تاکید بر مبانی فیزیکی ساختار و خواص الکترونیکی است. در این مطالعه، ابتدا ارتباط میان ساختار بلوری، پیوندهای بین اتمی، ارتعاشات شبکه، نقص های ساختاری و خواص ماکروسکوپی بررسی شده و سپس قابلیت الگوریتم های مختلف یادگیری ماشین، از روش های رگرسیونی و درختی تا شبکه های عصبی عمیق و گرافی، در مدل سازی روابط ساختار خاصیت مورد بحث قرار گرفته است. همچنین چالش هایی نظیر کیفیت و ناهمگونی داده ها، انتخاب ویژگی، بیش برازش، تعمیم پذیری، عدم قطعیت و تفسیرپذیری مورد توجه قرار گرفته اند. نتایج بررسی نشان می دهد که تلفیق دانش فیزیکی با روش های یادگیری ماشین می تواند ضمن کاهش هزینه محاسبات و آزمایش، فرآیند غربالگری و طراحی مواد را تسریع کرده و زمینه را برای پیش بینی هدفمند خواص الکترونیکی و کشف مواد جدید فراهم سازد. این رویکرد می تواند گامی موثر در گذار از پیش بینی صرف خواص به سمت طراحی معکوس و هوشمند مواد باشد.

کلیدواژه ها:

فیزیک حالت جامد ، یادگیری ماشین ، پیش بینی خواص مواد ، خواص الکترونیکی