Yapay zekâ destekli veri açısından verimli dağınık malzemelerde bölünme fonksiyonlarının tahmini

Dağınık malzemelerdeki küçük kusurlar neden önemli

Günümüzün en umut verici malzemelerinden birçoğu — nükleer yakıtlardan yüksek performanslı alaşımlara — kusursuz düzenli kristaller değil, farklı atomların karıştığı kimyasal “parça parça” yapılar. Bu dağınık yapılarda, eksik atomlar ve diğer kusurlar ısının, elektriğin ve hatta radyasyon hasarının malzeme içindeki hareketini belirler. Makalede tanıtılan PULSE, bu tür kusurların karışık ve düzensiz malzemelerde nasıl davrandığını geleneksel bilgisayar simülasyonlarına kıyasla çok daha verimli şekilde öngörebilen yeni bir yapay zekâ aracıdır.

Saya mazılamayanı saymanın sorunu

Uran‑plütonyum karışık oksitleri veya yüksek entropili alaşımlar gibi çok bileşenli malzemelerde atomlar, kafes noktalarını sayısız şekilde işgal edebilir. Her farklı düzenleme ya da konfigürasyon, kusurların oluşma ve hareket etme kolaylığını biraz değiştirebilir. Gerçek dünya özelliklerini tahmin etmek için bilim insanlarının aslında tüm bu olasılıkları göz önünde bulundurması gerekir; bu matematiksel olarak bir bölünme (partition) fonksiyonu ile ifade edilir. Klasik yaklaşımlar düzensizliği ya birkaç özenle seçilmiş model yapı ile yaklaşık olarak temsil eder ya da çok sayıda konfigürasyonu Monte Carlo benzeri örneklemelerle tarar. Birinci strateji önemli düzenlemeleri kaçırabilir; ikinci strateji ise gerçekçi sistemler için pratik olmaktan çıkacak kadar hesaplama açısından pahalı olabilir.

Kendi kendine öğrenen bir yapay zekâ örnekleyicisi

PULSE (Partition function Unsupervised Learning Sampling and Evaluation) bu zorluğun üstesinden yapı alanını kendi başına keşfetmeyi öğrenerek gelir. Model, ters varyasyonel otoenkoder (inverse variational autoencoder) etrafında kuruludur; bu, basit rastgele girdilerden başlayıp bunları gerçekçi atomik konfigürasyonlara dönüştüren bir sinir ağı türüdür. Kritik olarak, bu model önceden derlenmiş bir örnek veri tabanına ihtiyaç duymaz. Bunun yerine aday düzenlemeler üretir, bunları atomistik bir hesaplayıcıya gönderip enerjilerini elde eder ve ardından faydalı örnekleri daha olası kılmak üzere iç parametrelerini ayarlar. Bu kapalı döngü, yapay zekânın özellikle belirli bir sıcaklıkta davranışı domine eden konfigürasyonlara odaklanmasını sağlar ve bölünme fonksiyonu için en önemli örnekleri önceliklendirir.

PULSE’ı nükleer yakıtta teste sokmak

Becerilerini göstermek için yazarlar PULSE’ı önemli bir nükleer yakıt malzemesi olan uranyum‑plütonyum okside uygular. Odaklandıkları nokta, yakıtın yüksek sıcaklık ve radyasyona tepkisini güçlü biçimde etkileyen eksik atom grupları olan Schottky kusurlarıdır. Önce, bölünme fonksiyonunun hala kaba kuvvetle (brute force) tam olarak hesaplanabildiği nispeten küçük yerel çevrelerde yöntemi test ederler. PULSE’ın bu niceliğin ve ortaya çıkan kusur konsantrasyonlarının tahminleri, tam sonuçlarla yakından örtüşürken tüm veri tabanını taramaya kıyasla katbekat daha az enerji hesaplaması gerektirir. Yaygın olarak kullanılan “özel kvasirastgele yapılar” ile karşılaştırıldığında PULSE benzer veya daha iyi doğruluk sağlar; ayrıca açık bir yakınsama ölçüsü sunar ve yüksek sıcaklıklarda çok daha düşük hesaplama maliyeti gerektirir.

Yapay zekânın yerel çevreler hakkında ortaya çıkardıkları

PULSE kusurun çevresindeki atomik komşulukları açıkça ürettiği ve derecelendirdiği için kusurun etkisinin ne kadar uzağa yayıldığını incelemek için kullanılabilir. Kusurdan giderek daha uzak katmanlardaki atomları sistematik olarak rastgeleleştirerek, yazarlar bu oksit yakıtta yalnızca birkaç komşu kabuğun kusur energetiğini önemli ölçüde etkilediğini ve ilgili mesafenin sıcaklık arttıkça azaldığını bulurlar. Yöntem ayrıca kusur konsantrasyonlarının plütonyum içeriğiyle nasıl değiştiğini gösterir: Malzeme plütonyum bakımından zenginleştikçe kusur oluşumu genellikle kolaylaşır ve özellikle enerjik farkların daha önemli olduğu düşük sıcaklıklarda daha yüksek kusur yoğunluklarına yol açar.

Gelecekte malzeme tasarımı için neden önemli

Uzman olmayanlar için temel mesaj şudur: PULSE, yüksek derecede dağınık malzemelerde en önemli atomik düzenlemeleri hızla saymak ve önceliklendirmek için hızlı, esnek bir yapay zekâ yolu sunar. Tüm olası konfigürasyonları teferruatlı şekilde simüle etmek yerine yöntem, hangi yerel desenlerin kusur oluşumunu kontrol ettiğini anında öğrenir ve bu bilgiyi kusur konsantrasyonlarını ve ilgili özellikleri tahmin etmek için kullanır. Nükleer yakıt üzerinde gösterilmiş olsa da aynı çerçeve yüksek entropili alaşımlar veya enerji depolama ve kataliz için karışık oksitler gibi çok çeşitli karmaşık malzemelere uygulanabilir. Bu bakımdan PULSE, mikroskobik düzensizliğin makroskobik performansı nasıl şekillendirdiğini hızla keşfetmeye yardımcı olarak daha güvenli ve daha verimli malzemelerin tasarımını yönlendirebilir.

Atıf: Karcz, M.J., Messina, L., Kawasaki, E. et al. AI-driven data-efficient estimation of partition functions in disordered materials. Sci Rep 16, 14568 (2026). https://doi.org/10.1038/s41598-026-37953-6

Anahtar kelimeler: dağınık malzemeler, makine öğrenimi, nükleer yakıt, nokta kusurlar, üretilen modeller