استفاده از هوش مصنوعی و یادگیری ماشین برای طراحی پیش بینی و بهینه سازی ریزساختار و خواص نانوکامپوزیتهای پلیمری

نانوکامپوزیتهای پلیمری، به دلیل وابستگی خواص ماکروسکوپی شان به برهم کنش های فصل مشترک در مقیاس نانو، از جمله پیچیده ترین مواد مهندسی برای طراحی هدفمند به شمار می روند. توسعه سنتی این مواد بر آزمون و خطای تجربی متکی است؛ رویکردی پرهزینه و زمان بر که در برابر ماهیت چند مقیاسی و چندمتغیره این مواد ناکارآمد است. در سال های اخیر هوش مصنوعی و یادگیری ماشین به عنوان راهکاری برای عبور از این محدودیت مطرح شده اند اما بخش عمده مطالعات مروری موجود رویکردی پراکنده و توصیفی اتخاذ کرده و صرفا به فهرست کردن کاربردهای مجزای پیش بینی خواص بسنده می کنند، بدون آنکه تصویری یکپارچه از این تحول یا معیاری برای سنجش قابلیت اعتماد واقعی این مدل ها ارائه دهند؛ دغدغه اصلی این مقاله نیز همین شکاف است. هدف این مقاله ارائه دیدگاهی جامع و یکپارچه از تحول زنجیره ی فرآیند ریزساختار - خواص ← بهینه سازی تحت تاثیر هوش مصنوعی است با تمرکز ویژه بر دو محور نخست ادغام فیزیک مواد در معماری یادگیری ماشین (یادگیری ماشین فیزیک آگاه به عنوان راهی برای افزایش قابلیت اعتماد و تعمیم پذیری مدل ها) و دوم کاربرد این مدل ها در طراحی معکوس ریزساختار برای دستیابی مستقیم به عملکرد هدف محور به جای پیش بینی صرف خواص. بررسی نشان می دهد مدل های ادغامی و فیزیک آگاه به دقت هایی تا R۲=۰.۹۸ دست یافته اند در حالی که چارچوب های طراحی معکوس مانند RAPIDLY ۲.۰ و پلتفرم PIML توانسته اند فضای طراحی را هدفمند جست وجو کرده و نیاز به آزمایش تجربی را تا ۸۲% کاهش دهند. گذار به پلتفرم های کشف خودکار مواد و سامانه های حلقه بسته نیز مرز میان طراحی محاسباتی و سنتز آزمایشگاهی را کمرنگ تر کرده است. با این حال، کمبود داده های تجربی باکیفیت، ناهمخوانی روش های تفسیرپذیری (SHAP و LIME)، فاصله میان دقت آماری و اعتبار تجربی و هزینه مدل سازی چند مقیاسی همچنان چالش های اصلی این حوزه اند. نتیجه اصلی مقاله این است که آینده این حوزه نه در الگوریتم های پیچیده تر بلکه در توسعه همزمان زیرساخت داده، استاندارد چارچوب های فیزیک آگاه و سامانه های حلقه بسته با اعتبارسنجی تجربی گسترده نهفته است.

کلیدواژه ها:

نانوکامپوزیتهای پلیمری ، یادگیری ماشین ، طراحی معکوس ، یادگیری ماشین فیزیک آگاه ، کشف خودکار مواد