Son derece verimli karmaşık sistem malzeme tasarımı için kendi kendini optimize eden makine öğrenimi potansiyeli destekli otomatik iş akışı

Yeni Malzemiler İçin Daha Akıllı Aramalar

Yeni malzemeler tasarlamak, neredeyse sonsuz bir saman yığını içinde iğne aramaya benzer. Daha iyi piller ve daha hızlı bilgisayarlar gibi uygulamalardan daha verimli lazerlere ve potansiyel oda sıcaklığında süperiletkenlere kadar pek çok gelecekteki teknoloji, doğru atomik düzenleri keşfetmeye bağlıdır. Bu makale, yapay zekânın bu aramaların çoğunu otomatik olarak yapmasına izin veren bir yöntemi sunuyor; bu da umut verici bileşikleri bulmak için gereken zaman ve maliyeti ciddi şekilde azaltıyor.

Malzeme Bulmacasının Bu Kadar Zor Olmasının Nedeni

Bir katının özellikleri—elektriği ne kadar iyi ilettiği, ne kadar güçlü olduğu, ışığa nasıl tepki verdiği—atomlarının üç boyutlu desenler halinde, yani kristal yapılar içinde nasıl dizildiğiyle belirlenir. Teoride, hangi düzenlerin kararlı olduğunu ve özelliklerinin ne olacağını hesaplamak için kuantum mekaniği kullanılabilir. Pratikte ise bu kuantum hesaplamaları o kadar kaynak yoğun ki tüm olası malzemelerin yalnızca çok küçük bir bölümü incelenebiliyor. Bağıntı, iki kimyasal elementten fazlası söz konusu olduğunda hızla büyür; kombinasyonların ve atomik düzenlerin sayısı patlayarak kör bir aramayı imkansız kılar.

Kuantum Fiziğinin Yerine Öğrenen Bir Model Koymak

Bu sorunu ele almak için yazarlar, pahalı kuantum hesaplamalarının sonuçlarını çok daha düşük maliyetle taklit edebilen bir makine öğrenimi modeli kuruyor. Dikkat-bağlantılı sinir ağı (ACNN) adını verdikleri model, bir malzemenin enerjisinin atomların konumlarına ve türlerine nasıl bağlı olduğunu öğreniyor. Eğitildikten sonra, önerilen bir kristal yapısının kararlı olup olmayacağını ve her atom üzerinde hangi kuvvetlerin etkili olduğunu çok hızlı biçimde tahmin edebiliyor. Önemli olarak, model tüm kristalin öteleme veya dönmesi gibi temel fiziksel gereksinimleri göz önünde bulunduracak şekilde tasarlanmış; bu tür simetrik değişikliklerin toplam enerjiyi değiştirmemesi gerektiğini hesaba katıyor.

Kendi Kendini İyileştiren Bir Malzeme Keşif Döngüsü

Modeli bir kez eğitip her yerde işe yarayacağını ummak yerine, yazarlar onu kendi kendini optimize eden bir döngü içine alıyor. Süreç rastgele seçilmiş küçük bir kristal yapı setiyle başlıyor; bunlar tam kuantum-mekanik hesaplamalarla değerlendirilip başlangıç ACNN'sini eğitmek için kullanılıyor. Bu model daha sonra milyonlarca deneme yapısını gevşetmek (relax) için kullanılıyor ve yerel enerji minimumlarını—aday kararlı veya neredeyse kararlı fazları—hızla buluyor. İş akışı otomatik olarak iki özellikle değerli yapı türünü işaretliyor: çok kararlı görünenler ve fiziksel açıdan şüpheli veya tutarsız görünenler. Sadece bu seçilmiş vakalar pahalı kuantum çözücüsüne geri gönderiliyor ve yeni sonuçlar modelin yeniden eğitilmesi için besleniyor. Birçok tur boyunca model, en çok önem taşıyan yapı alanlarında giderek daha doğru hale geliyor.

Yöntemi Sınamaya Koymak

Ekip yaklaşımını iki zorlu sistem üzerinde gösteriyor. Birincisi magnezyum, kalsiyum ve hidrojenin yüksek basınç altındaki bir karışımı; bu bileşik ailesi yüksek sıcaklık süperiletkenliği açısından büyük ilgi taşıyor. Yaklaşık altı milyon deneme yapıyı keşfederek iş akışları yeni bir kararlı faz, MgCa₃H₂₃, ve birkaç yakından ilişkili hidrojen bakımından zengin “kafes” yapı keşfediyor. Hesaplamalar, bunların bazılarının aşırı basınç altında sıvı nitrojenin kaynama noktasının üzerinde sıcaklıklarda süperiletken olabileceğini öne sürüyor. İkinci test ise berilyum, fosfor, azot ve oksijen içeren dört elementli bir sistemi hedefliyor; bu sistem lazer ışığını derin ultraviyole dalga boylarına verimli şekilde dönüştürebilecek kristaller barındırma potansiyeli nedeniyle seçilmiş. Bu durumda yöntem dokuz milyondan fazla yapıyı gevşetiyor ve çok geniş bant aralığına ve umut verici optik özelliklere sahip üç termodinamik olarak kararlı faz tanımlıyor.

Kaba Kuvvetten Rehberli Keşfe

Her iki örnekte de otomatik iş akışı, yalnızca kuantum hesaplamaları kullanmaya kıyasla yaklaşık on bin kat hızlanma sağlarken, yine de daha yakından incelenmeye değer yapıları güvenilir biçimde belirliyor. Uzman olmayan bir kişi için ana mesaj, malzeme keşfinin büyük bir kısmının artık kendi kendine nerede belirsiz olduğunu öğrenen ve yalnızca gerektiğinde hedeflenmiş, yüksek hassasiyetli hesaplamalar isteyen bir öğrenme sistemi tarafından ele alınabileceği. Bu tür kendi kendini düzelten, yapay zekâ destekli aramalar, daha önce mümkün olandan çok daha karmaşık element karışımlarını keşfetmenin yolunu açıyor ve yeni süperiletkenler, optik kristaller ve gelecek nesil teknolojilerin temelini oluşturan diğer işlevsel malzemeleri keşfetme olasılığını artırıyor.

Atıf: Li, J., Feng, J., Luo, J. et al. Self-optimizing machine learning potential assisted automated workflow for highly efficient complex systems material design. npj Comput Mater 12, 101 (2026). https://doi.org/10.1038/s41524-026-01971-9

Anahtar kelimeler: malzeme keşfi, makine öğrenimi potansiyelleri, kristal yapı tahmini, süperiletken hidrürler, lineer olmayan optik kristaller