متن زیر بر اساس محتوای همین پایان‌نامه تهیه شده است و هدف، مسئله، پیشینه، روش، نوآوری و نتایج پژوهش را به‌صورت یکپارچه پوشش می‌دهد.

چکیده

با گسترش روزافزون فناوری‌های ذخیره‌سازی انرژی، توسعه باتری‌هایی با ایمنی بیشتر، چگالی انرژی بالاتر و طول عمر طولانی‌تر به یکی از مهم‌ترین چالش‌های پژوهشی در حوزه مهندسی مواد و انرژی تبدیل شده است. باتری‌های لیتیوم-یونی به دلیل عملکرد مناسب خود طی سه دهه اخیر به فناوری غالب در تجهیزات الکترونیکی، خودروهای برقی و سامانه‌های ذخیره‌سازی انرژی تبدیل شده‌اند، اما استفاده از الکترولیت‌های مایع آلی در این باتری‌ها همچنان مشکلاتی نظیر اشتعال‌پذیری، نشت الکترولیت، پایداری الکتروشیمیایی محدود و مخاطرات ایمنی را به همراه دارد. از این رو، الکترولیت‌های پلیمری جامد (Solid Polymer Electrolytes یا SPE) به‌عنوان جایگزینی ایمن‌تر و پایدارتر مورد توجه گسترده پژوهشگران قرار گرفته‌اند. با وجود مزایای فراوان این مواد، مهم‌ترین مانع در مسیر استفاده صنعتی از آن‌ها، رسانایی یونی پایین در دمای محیط است؛ مسئله‌ای که موجب کاهش عملکرد باتری و محدود شدن کاربردهای عملی این دسته از الکترولیت‌ها شده است.

در سال‌های گذشته تلاش‌های فراوانی برای افزایش رسانایی یونی الکترولیت‌های پلیمری انجام شده است، اما بخش عمده این تحقیقات بر پایه آزمایش‌های تجربی، آزمون و خطا و تجربه پژوهشگران استوار بوده است. چنین رویکردی علاوه بر هزینه زیاد، نیازمند صرف زمان طولانی برای سنتز، ساخت و ارزیابی هزاران ترکیب مختلف است و در نتیجه سرعت کشف مواد جدید را به شدت کاهش می‌دهد. از سوی دیگر، پیشرفت‌های اخیر در حوزه یادگیری ماشین نشان داده است که این فناوری می‌تواند با تحلیل داده‌های گسترده، ویژگی‌های مواد را با دقت قابل قبول پیش‌بینی کرده و فرآیند کشف مواد جدید را به میزان قابل توجهی تسریع کند. با این حال، در زمینه الکترولیت‌های پلیمری جامد دو مانع اساسی وجود داشته است؛ نخست کمبود مجموعه داده‌های آزمایشگاهی بزرگ و قابل اعتماد و دوم استفاده از مدل‌های هوش مصنوعی جعبه‌سیاه که فاقد درک قوانین فیزیکی و شیمیایی حاکم بر رفتار مواد هستند و در نتیجه توانایی تعمیم مناسبی به ترکیبات جدید ندارند.

هدف اصلی این پایان‌نامه توسعه یک مدل یادگیری ماشین آگاه از شیمی و فیزیک است که بتواند تنها بر اساس ساختار مولکولی پلیمر، نوع نمک، غلظت و شرایط عملیاتی، رسانایی یونی الکترولیت‌های پلیمری جامد را با دقت بالا پیش‌بینی کند و فرآیند شناسایی مواد جدید را سرعت ببخشد. برای دستیابی به این هدف، ابتدا بزرگ‌ترین پایگاه داده موجود از رسانایی یونی الکترولیت‌های پلیمری جامد گردآوری شد. داده‌های این مجموعه از بیش از ۲۰۰ مقاله و منبع آزمایشگاهی استخراج شده و شامل بیش از ۱۲ هزار داده آزمایشگاهی مربوط به بیش از سه هزار فرمولاسیون مختلف الکترولیت پلیمری است. این پایگاه داده علاوه بر اطلاعات مربوط به ساختار پلیمر، نوع نمک، غلظت، وزن مولکولی و افزودنی‌ها، اطلاعات دمای آزمایش و سایر ویژگی‌های مؤثر بر رسانایی یونی را نیز در بر می‌گیرد و به عنوان پایه آموزش مدل مورد استفاده قرار گرفته است.

نوآوری اصلی این پژوهش در طراحی یک مدل یادگیری ماشین مبتنی بر شبکه عصبی انتقال پیام (Message Passing Neural Network یا MPNN) است که برخلاف مدل‌های متداول، قانون آرنیوس (Arrhenius Equation) را مستقیماً در ساختار شبکه عصبی ادغام می‌کند. این طراحی باعث می‌شود مدل علاوه بر یادگیری الگوهای آماری موجود در داده‌ها، از قوانین شناخته‌شده فیزیکی و شیمیایی نیز پیروی کند. استفاده از این محدودیت فیزیکی موجب افزایش دقت پیش‌بینی، کاهش بیش‌برازش، امکان پیش‌بینی رفتار الکترولیت‌ها در دماهای مختلف و بهبود توانایی تعمیم مدل به ترکیبات جدید شده است. همچنین مدل قادر است پارامترهای فیزیکی مؤثر بر رسانایی یونی را استخراج کرده و آن‌ها را برای پیش‌بینی عملکرد مواد جدید به کار گیرد.

برای ارزیابی عملکرد مدل، نتایج آن با دو مدل شناخته‌شده Chemprop و XGBoost مقایسه شد. نتایج نشان داد که مدل پیشنهادی در تمامی معیارهای ارزیابی عملکرد بهتری نسبت به مدل‌های مرجع دارد و با بهره‌گیری از اطلاعات فیزیکی، خطای پیش‌بینی را کاهش داده و توانسته رتبه‌بندی دقیق‌تری از الکترولیت‌های مختلف ارائه دهد. همچنین اعتبار مدل از طریق انجام آزمایش‌های مستقل روی سامانه PEO-LiTDI مورد بررسی قرار گرفت و نتایج پیش‌بینی‌شده تطابق مناسبی با داده‌های آزمایشگاهی واقعی داشت که بیانگر قابلیت استفاده عملی مدل در پیش‌بینی عملکرد ترکیبات جدید است.

پس از آموزش مدل، پژوهشگران از آن برای غربالگری بیش از ۲۰ هزار ترکیب احتمالی الکترولیت پلیمری استفاده کردند. این فرآیند بدون نیاز به انجام آزمایش‌های پرهزینه، امکان شناسایی سریع ترکیبات امیدوارکننده را فراهم ساخت و چندین ساختار پلیمری با پتانسیل رسانایی یونی بالا معرفی شدند که می‌توانند موضوع تحقیقات آزمایشگاهی آینده قرار گیرند. علاوه بر این، مدل برای بررسی اثر نوع آنیون بر رسانایی یونی در پلیمرهای مختلف نیز مورد استفاده قرار گرفت و مشخص شد که ویژگی‌هایی مانند جرم مولکولی آنیون، انرژی برهم‌کنش لیتیوم–آنیون و عدد دهنده (Donor Number) نقش تعیین‌کننده‌ای در عملکرد الکترولیت‌ها دارند و این اثر در پلیمرهای مختلف می‌تواند رفتارهای متفاوتی ایجاد کند. همچنین با استفاده از روش‌های یادگیری ماشین قابل تفسیر و تحلیل SHAP، مهم‌ترین ویژگی‌های ساختاری مؤثر بر افزایش رسانایی یونی شناسایی شدند که می‌تواند راهنمای ارزشمندی برای طراحی نسل جدید الکترولیت‌های پلیمری باشد.

در مجموع، این پایان‌نامه نشان می‌دهد که ترکیب دانش فیزیک و شیمی با روش‌های نوین یادگیری ماشین می‌تواند فرآیند کشف مواد پیشرفته را به شکل قابل توجهی متحول کند. مدل توسعه‌یافته علاوه بر پیش‌بینی دقیق رسانایی یونی، قادر است روند توسعه الکترولیت‌های پلیمری جامد را تسریع کرده، هزینه و زمان تحقیقات آزمایشگاهی را کاهش دهد و مسیر طراحی باتری‌های نسل آینده با ایمنی بیشتر، چگالی انرژی بالاتر و عملکرد بهتر را هموار سازد. نتایج این پژوهش همچنین بیانگر آن است که استفاده از مدل‌های یادگیری ماشین آگاه از قوانین علمی می‌تواند به عنوان الگویی مؤثر در سایر حوزه‌های کشف مواد و مهندسی مواد نیز مورد استفاده قرار گیرد و افق‌های جدیدی را برای توسعه سامانه‌های هوشمند طراحی مواد فراهم آورد.
“`html

“`

هوش مصنوعی چگونه کشف مواد جدید برای باتری‌های آینده را متحول می‌کند؟ داستان مدلی که بیش از ۲۰ هزار الکترولیت را بدون آزمایش غربال کرد!

اگر قرار باشد برای ساخت یک باتری بهتر، هزاران ماده مختلف را یکی‌یکی در آزمایشگاه بسازید و آزمایش کنید، احتمالاً سال‌ها زمان و میلیون‌ها دلار هزینه نیاز خواهید داشت. اما اگر یک مدل هوش مصنوعی بتواند قبل از انجام آزمایش، به شما بگوید کدام ماده بیشترین شانس موفقیت را دارد، چه؟

دقیقاً همین ایده، محور این پژوهش است؛ پایان‌نامه‌ای که نشان می‌دهد چگونه یادگیری ماشین می‌تواند فرآیند کشف نسل بعدی الکترولیت‌های پلیمری را از یک مسیر طولانی و پرهزینه، به یک فرآیند هوشمند، سریع و داده‌محور تبدیل کند.

بزرگ‌ترین مانع باتری‌های جامد، نه ایمنی؛ بلکه رسانایی یونی است

الکترولیت‌های پلیمری جامد (Solid Polymer Electrolytes) سال‌هاست به‌عنوان جایگزینی ایمن برای الکترولیت‌های مایع معرفی می‌شوند. آن‌ها اشتعال‌پذیری کمتری دارند، نشت نمی‌کنند و می‌توانند راه را برای باتری‌هایی با چگالی انرژی بالاتر هموار کنند.

اما یک مشکل بزرگ وجود دارد:

رسانایی یونی آن‌ها در دمای محیط بسیار پایین است.

همین موضوع باعث شده باوجود دهه‌ها تحقیق، هنوز استفاده گسترده از این مواد در باتری‌های تجاری با محدودیت روبه‌رو باشد. پژوهش حاضر دقیقاً روی حل همین چالش تمرکز کرده است.

وقتی آزمایش‌های سنتی دیگر کافی نیستند

تا امروز، بسیاری از پژوهشگران برای یافتن یک الکترولیت مناسب، مسیر آزمون و خطا را طی می‌کردند؛ یعنی:

• ساخت ترکیب جدید
• انجام آزمایش
• اندازه‌گیری رسانایی
• اصلاح ترکیب
• تکرار دوباره همین چرخه

این فرآیند بسیار زمان‌بر، پرهزینه و وابسته به تجربه پژوهشگر است.

نویسندگان این پایان‌نامه تصمیم گرفتند به‌جای آزمایش هزاران ماده، ابتدا از هوش مصنوعی بخواهند بهترین گزینه‌ها را پیشنهاد دهد.

اولین قدم؛ ساخت یک پایگاه داده عظیم از نتایج آزمایشگاهی

هیچ مدل یادگیری ماشینی بدون داده ارزشمند نیست.

برای آموزش مدل، پژوهشگران اطلاعات بیش از ۲۰۰ مقاله علمی را بررسی کردند و در نهایت بزرگ‌ترین مجموعه داده شناخته‌شده از رسانایی یونی الکترولیت‌های پلیمری را ایجاد کردند که شامل:

• بیش از ۱۲ هزار اندازه‌گیری آزمایشگاهی
• بیش از ۳ هزار فرمولاسیون مختلف
• صدها پلیمر
• ده‌ها نمک لیتیومی
• اطلاعات مربوط به دما، غلظت، وزن مولکولی و افزودنی‌ها

بود.

این حجم از داده، پایه اصلی موفقیت مدل یادگیری ماشین شد.

راز موفقیت مدل؛ ترکیب هوش مصنوعی با قوانین فیزیک

بیشتر مدل‌های یادگیری ماشین فقط از روی داده‌ها الگو یاد می‌گیرند.

اما پژوهشگران این پایان‌نامه یک ایده هوشمندانه داشتند:

به‌جای اینکه مدل همه چیز را خودش کشف کند، قانون آرنیوس (Arrhenius) که رابطه دما و رسانایی یونی را توصیف می‌کند، مستقیماً داخل ساختار شبکه عصبی قرار گرفت.

نتیجه چه بود؟

• دقت پیش‌بینی بیشتر
• کاهش بیش‌برازش (Overfitting)
• امکان پیش‌بینی در دماهای مختلف
• توانایی بهتر در تعمیم به مواد ناشناخته

این همان چیزی است که امروزه از آن با عنوان Physics-informed Machine Learning یاد می‌شود.

مدل فقط دقیق نبود؛ از مدل‌های مشهور هم بهتر عمل کرد

برای اطمینان از عملکرد مدل، نتایج آن با دو روش شناخته‌شده یعنی Chemprop و XGBoost مقایسه شد.

نتایج نشان داد مدل پیشنهادی:

• خطای کمتری دارد.
• مواد را دقیق‌تر رتبه‌بندی می‌کند.
• در پیش‌بینی رسانایی‌های پایین عملکرد بهتری دارد.
• با داده‌های آزمایشگاهی واقعی نیز اعتبارسنجی شده است.

این یعنی مدل صرفاً یک ایده تئوری نیست و قابلیت استفاده در تحقیقات واقعی را دارد.

شگفت‌انگیزترین بخش؛ غربالگری بیش از ۲۰ هزار ماده بدون انجام آزمایش

پس از آموزش، پژوهشگران از مدل برای بررسی بیش از ۲۰ هزار فرمولاسیون احتمالی استفاده کردند.

در مدت زمانی بسیار کوتاه، مدل توانست:

• پلیمرهای امیدبخش را شناسایی کند.
• ترکیباتی را که احتمال رسانایی بالایی دارند معرفی کند.
• مسیر آزمایش‌های آینده را مشخص کند.

به جای آنکه پژوهشگران هزاران آزمایش انجام دهند، اکنون می‌توانند فقط روی چند گزینه منتخب تمرکز کنند.

همین موضوع می‌تواند سال‌ها از زمان توسعه مواد جدید را کاهش دهد.

آنیون‌ها آن‌قدرها هم ساده نیستند!

یکی از جذاب‌ترین بخش‌های پژوهش، بررسی نقش آنیون‌ها در رسانایی یونی بود.

مدل نشان داد ویژگی‌هایی مانند:

• جرم مولکولی آنیون
• انرژی برهم‌کنش لیتیوم و آنیون
• عدد دهنده (Donor Number)

همگی روی عملکرد الکترولیت اثر دارند.

اما نکته جالب اینجاست که این اثر برای همه پلیمرها یکسان نیست؛ روندی که برای پلیمر PEO مناسب است، الزاماً برای PTMC نتیجه مشابهی ایجاد نمی‌کند.

این یافته نشان می‌دهد طراحی مواد آینده باید کاملاً متناسب با نوع پلیمر انجام شود و نمی‌توان یک قانون واحد را برای همه سیستم‌ها به کار برد.

هوش مصنوعی حتی توضیح می‌دهد چرا یک ماده بهتر است

یکی از انتقادهای همیشگی به هوش مصنوعی این است که مانند یک «جعبه سیاه» عمل می‌کند.

در این پژوهش، علاوه بر پیش‌بینی، از روش SHAP استفاده شد تا مشخص شود کدام ویژگی‌های ساختاری بیشترین تأثیر را بر رسانایی یونی دارند.

نتایج نشان داد عواملی مانند:

• انعطاف‌پذیری بیشتر زنجیره پلیمر
• وجود برخی گروه‌های شیمیایی خاص
• دمای بالاتر
• غلظت مناسب نمک

می‌توانند احتمال دستیابی به رسانایی یونی بیشتر را افزایش دهند.

این اطلاعات می‌تواند مستقیماً در طراحی نسل بعدی مواد مورد استفاده قرار گیرد.

جمع‌بندی؛ آینده کشف مواد، هوشمندتر از همیشه خواهد بود

این پایان‌نامه تنها درباره ساخت یک مدل یادگیری ماشین نیست؛ بلکه نمونه‌ای از تغییر پارادایم در پژوهش‌های مهندسی مواد است. به‌جای تکیه صرف بر آزمون و خطا، پژوهشگران می‌توانند از ترکیب داده‌های آزمایشگاهی، دانش فیزیک و الگوریتم‌های هوش مصنوعی برای شناسایی سریع‌تر مواد امیدوارکننده استفاده کنند. نتیجه این رویکرد می‌تواند کاهش هزینه و زمان تحقیقات، هدایت هدفمند آزمایش‌ها و تسریع توسعه باتری‌های ایمن‌تر و پربازده‌تر باشد.

در نهایت، شاید مهم‌ترین پرسش این باشد: اگر امروز هوش مصنوعی می‌تواند مسیر کشف مواد برای باتری‌ها را متحول کند، فردا کدام حوزه علمی شاهد بزرگ‌ترین جهش به کمک این فناوری خواهد بود؟