پایگاه تحلیلی خبری ایراسین، در سال ۲۰۱۱، اعلام ابتکار ژنوم مواد (Materials Genome Initiative - MGI) نقطه عطفی در تاریخ علم مواد محسوب می‌شد. این ابتکار با هدف تسریع فرایند کشف، طراحی و به‌کارگیری مواد جدید از طریق ترکیب هم‌افزای آزمایش، نظریه و محاسبات رایانه‌ای معرفی شد. پیش از این، توسعه مواد نوین فرایندی زمان‌بر و پرهزینه بود که گاه دهه‌ها طول می‌کشید تا یک ماده از آزمایشگاه به بازار برسد. MGI با ارائه رویکردی یکپارچه و داده‌محور، وعده کاهش چشمگیر این بازه زمانی را داد.

تاریخ بشریت همواره با پیشرفت‌های مواد گره خورده است، از عصر برنز و آهن گرفته تا عصر سیلیکون کنونی، هر دوره با مواد خاص خود تعریف شده است، امروزه با افزایش توان محاسباتی و ظهور هوش مصنوعی، در آستانه انقلابی دیگر در علم مواد قرار داریم، MGI با تأکید بر تولید، تحلیل و اشتراک‌گذاری مجموعه داده‌های عظیم مواد، بستری فراهم آورده که محققان بتوانند فراتر از مرزهای سنتی همکاری کنند و ویژگی‌های بنیادین عملکرد مواد را شناسایی کند.

دستاوردهای برجسته MGI

یکی از موفقیت‌های چشمگیر MGI در حوزه خودسامان‌دهی پلیمری مشاهده می‌شود. کایرا و همکاران در مرکز طراحی مواد سلسله‌مراتبی، با ترکیب مدل‌سازی مولکولی مبتنی بر فیزیک، پراش اشعه ایکس با زاویه کوچک و بهینه‌سازی تکاملی، توانستند ساختار مولکولی فیلم‌های آزمایشگاهی را با دقتی بی‌سابقه استنتاج کنند، این رویکرد حلقه بسته، که در آن پارامترهای شبیه‌سازی بر اساس بازخورد آزمایشی به‌روزرسانی می‌شوند، الگوی جدیدی برای تفسیر پدیده‌های تجربی با کمک شبیه‌سازی ارائه می‌دهد.

در حوزه مواد عملکردی، کیم و همکاران با استفاده از محاسبات مکانیک کوانتومی، یک فلز قطبی در دمای اتاق را طراحی و سپس با موفقیت سنتز کردند، این ماده که با استفاده از تکنیک رسوب لیزری پالسی با دقت بالا ساخته شد، عضو جدیدی از یک دسته بسیار نادر از مواد است که می‌تواند برای فناوری‌های نوین فروالکتریک حیاتی باشد، همچنین گومز-بومبارلی و همکاران با غربالگری مجازی با توان بالا که نظریه، شیمی کوانتومی، یادگیری ماشین و روش‌های متعدد مشخصه‌یابی آزمایشگاهی را ترکیب می‌کرد، فضای ۱.۶ میلیون مولکول OLED را کاوش کردند و به مجموعه‌ای از مولکول‌های سنتز شده با بازده کوانتومی خارجی پیشرفته دست پیدا کردند.

در زمینه مواد شیشه‌ای، رویکردهای داده‌محور منجر به پیشرفت‌های قابل توجهی شده است. محققان با استفاده از یادگیری ماشین برای تحلیل نمونه‌برداری گسترده از پیکربندی‌های شیشه، توانسته‌اند توصیفگرهایی را شناسایی کنند که همبستگی قوی با دینامیک بازآرایی دارند. این بینش‌ها پیش از MGI وجود نداشتند و نشان‌دهنده قدرت رویکرد یکپارچه در کشف الگوهای پنهان در داده‌های پیچیده مواد هستند.

چالش‌ها و فرصت‌های پیش‌رو در حوزه‌های کاربردی

مواد نرم برای کاربردهای سلامت و مصرف‌کننده

مواد نرم شامل پلیمرها، کریستال‌های مایع، سیالات پیچیده و مواد زیستی، در زندگی مدرن نقش حیاتی دارند. این مواد در دستگاه‌های پزشکی، سیستم‌های دارورسانی، محصولات غذایی و مراقبت شخصی، و حتی در الکترونیک نرم زیست‌پزشکی کاربرد دارند، با این حال چالش‌های عمده‌ای در طراحی این مواد وجود دارد. یکی از مهم‌ترین چالش‌ها، توسعه تکنیک‌های نظری و آزمایشگاهی برای مشخصه‌یابی فرایندهای غیرتعادلی است، اکثر مواد برای کاربردهای سلامت در شرایط دور از تعادل ترمودینامیکی فرآوری و استفاده می‌شوند، و این فرآوری بیشتر ویژگی‌های مطلوب را به مواد می‌بخشد.

چالش دیگر، گسترش روش‌های پیش‌بینی سنتز محاسباتی به سنتز ماکرومولکولی است، اگرچه گام‌های قابل توجهی با استفاده از یادگیری ماشین برای پیش‌بینی نتایج واکنش‌های ارگانیک ساده برداشته شده، گسترش این قابلیت به طیف وسیع‌تری از تنوع شیمیایی و سنتز ماکرومولکولی می‌تواند سنتز شیمیایی را دموکراتیزه کند و جست‌وجوی نظریه‌ها برای شیمی‌های جدید را تسریع کند، همچنین توسعه روش‌های شبیه‌سازی برای تقلید شرایط واقعی‌تر فرآوری ضروری است، این تلاش‌ها باید مقیاس‌های طولی از آنگستروم تا صدها میکرون را در بر گیرند و باید تلاش کنند فرایندهای فیزیکی مختلف را در محدوده وسیعی از مقیاس‌های طولی و زمانی جفت کنند.

مواد پیچیده، معماری‌شده و تطبیقی

مواد زنده دارای ویژگی‌ها و رفتارهایی هستند که در مواد موجود فعلی بی‌نظیر است. این مواد می‌توانند حس کنند، پاسخ دهند، با محیط خود تعامل داشته باشند، خود را ترمیم کنند، حرکت خودمختار و هماهنگ داشته باشند، یا به معماری‌های پیچیده چندمقیاسی خودتنظیم و تطبیقی خودسامان‌دهی شوند. پیشرفت‌های قابل توجهی در دستکاری ماده به ساختارهای طراحی‌شده حاصل شده است، همچون اوریگامی DNA و مجموعه‌های ذره‌ای تعدیل‌شده با DNA. علاوه بر تولید ساختارهای هدف، چارچوب‌های محاسباتی و طراحی معکوس پیشرفته در MGI امکان طراحی مواد با ویژگی‌های شگفت‌انگیز را فراهم کرده‌اند ( مانند کامپوزیت‌های معماری‌شده با انبساط حرارتی منفی قابل تنظیم یا سختی منفی) ،با این حال چالش‌های مهمی باقی مانده است. یکی از آن‌ها پرورش استراتژی‌ها برای سفارشی‌سازی معماری‌های سه‌بعدی مواد است، کنترل دقیق معماری سه‌بعدی مواد پتانسیل ایجاد کلاس‌های جدیدی از مواد را دارد. سفارشی‌سازی دقیق قرارگیری هندسی مواد در حین سنتز می‌تواند شبکه‌های فوق‌سبک یا فرامواد مکانیکی و صوتی تولید کند که ویژگی‌هایی غیرقابل دستیابی از طریق روش‌های فرآوری حجمی معمولی دارند. فناوری کلیدی در این زمینه، ساخت افزودنی است که با آن میکروساختارهای سه‌بعدی با دقت ساخته می‌شوند تا ویژگی‌های منحصربه‌فردی القا کنند.

مواد برای فناوری اطلاعات

فناوری اطلاعات یکی از بزرگ‌ترین دستاوردهای علمی قرن بیستم است. نیمه‌هادی‌ها فناوری اطلاعات مدرن را ممکن ساخته‌اند و به قدری در زندگی روزمره ما فراگیر شده‌اند که عصر حاضر اغلب «عصر سیلیکون» نامیده می‌شود. برنامه‌های DMREF و MRSEC بنیاد ملی علوم تأثیر قابل توجهی بر پیشرفت‌های مواد مرتبط با فناوری اطلاعات داشته‌اند. در کار اخیر حاصل از DMREF، یک فلز قطبی نادر از طریق ترکیب هم‌افزای استدلال‌های تحلیلی، محاسبات ab initio، سنتز مواد و مشخصه‌یابی کشف شد.

چالش‌های پیش‌رو شامل تسریع توسعه الگوریتم‌های جدید برای سیستم‌های الکترون همبسته است. در حالی که روش‌های محاسباتی نظریه تابعی چگالی ab initio در دهه‌های گذشته به طور قابل توجهی پیشرفت کرده‌اند، تکنیک‌های جدید الکترون همبسته اخیراً به میدان آمده‌اند. همچنین، تمرکز نظری بیشتر بر محاسبه توابع پاسخ ضروری است. ساختار الکترونیکی برای درک مواد حیاتی است، اما محاسبه توابع پاسخ ارتباط نزدیک‌تری با آزمایش و کاربردهای بالقوه دارد.

مواد عملکردی

پیشرفت در شیمی سنتتیک و مونتاژ لایه به لایه توانایی طراحی موادی را فراهم کرده که به روشی تجویز شده به محدودیت‌های خارجی پاسخ می‌دهند، این مواد عملکردی چشم‌انداز فناوری را به طور عمیق تغییر داده‌اند و مرزهای عملکرد و مینیاتوریزاسیون دستگاه‌ها را پیش برده‌اند. تحت MGI، تخصص جهانی در حل مسئله طراحی معکوس مواد برای دستیابی به پاسخ عملکردی هدفمند ظهور کرده است، نمونه‌های متعددی از استفاده از تکنیک‌های با توان بالا برای کاوش پایگاه‌های داده گسترده ترکیبات در جست‌وجوی کاندیداهای بهینه برای یک کاربرد فناوری خاص وجود دارد.

چالش‌های کلیدی شامل ایجاد پایگاه‌های داده متمرکز بر ویژگی‌های سطحی و نقص است، عملکردهای مواد می‌توانند به طور چشمگیری تحت تأثیر سطوح مشترک و نقایص موضعی قرار گیرند. پایگاه‌های داده ایجاد شده در طول MGI فعلی بیشتر بر ویژگی‌های حجمی کریستال‌های کامل تمرکز دارند؛ این تلاش‌ها باید به ویژگی‌های سطحی و نقص گسترش پیدا کنند، همچنین کوتاه کردن زمان مورد نیاز برای سنتز و مشخصه‌یابی تکرارپذیر مواد عملکردی جدید یک چالش کلیدی است، فقدان پایگاه‌های داده آزمایشگاهی یا محاسباتی از واکنش‌ها و سینتیک برای رویکردهای سنتتیک وجود دارد.

مواد برای فرایندهای جداسازی کارآمد

فناوری‌های تصفیه در هر جنبه از زندگی مدرن نفوذ کرده‌اند. امروزه، تقریباً ۱۵ درصد از کل انرژی مصرف شده در ایالات متحده برای جداسازی‌های صنعتی استفاده می‌شود که معادل نیمی از کل انرژی مصرف شده توسط صنعت آمریکا است. بهره‌گیری از رویکردهای محاسباتی و داده‌محور مدرن به سبک MGI چندین موفقیت در زمینه MOFها، زئولیت‌ها و سایر مواد جداسازی را امکان‌پذیر کرده است. کار اخیر از بیش از ۸۰۰ ساختار MOF سنتز شده قبلی که با DFT تناوبی بهینه شده‌اند، برای استخراج بینش‌های حیاتی مربوط به جذب CO2 استفاده کرده است.

چالش‌های اصلی شامل استفاده از رویکردهای نظری برای حل جداسازی گونه‌های فیزیکی مشابه است. چالش‌برانگیزترین جداسازی‌ها محصولاتی با ویژگی‌های فیزیکی مشابه یا اندازه و شکل مولکولی مشابه را هدف قرار می‌دهند. این جداسازی‌ها به‌طورمعمول با استفاده از غربال‌های مولکولی به عنوان مواد غشایی انجام می‌شوند. حجم عظیم فضای طراحی غربال‌های مولکولی، با هزاران کاندیدای بالقوه در میان زئولیت‌ها، MOFها و غربال‌های مولکولی کربنی، استفاده از غربالگری محاسباتی سریع همراه با آزمایش‌ها را برای تسریع فرایند کشف و اصلاح مواد غشایی دعوت می‌کند.

مواد برای انرژی و کاتالیز

تأمین قابل اعتماد انرژی برای حفظ نیازهای اساسی انسان و تعاملات در جهان مدرن حیاتی است. با توجه به شیوه‌های فعلی و افزایش مورد انتظار در جمعیت و صنعتی‌سازی، پیش‌بینی می‌شود تقاضای انرژی جهانی تا سال ۲۰۴۰ به ۲۶ تراوات افزایش پیدا کند، مواد و کاتالیزورهای انرژی جدید و کارآمد به‌طورقطع در قلب هر گذار موفق به اقتصاد انرژی پاک خواهند بود، در سال‌های اخیر رویکرد MGI پیشرفت تحقیقاتی قابل توجهی در جهت بهبود کارایی سلول‌های خورشیدی، شناسایی کاتالیزورها برای تبدیل زیست‌توده یا دی‌اکسید کربن به سوخت‌ها و مواد اولیه قابل استفاده، و بهینه‌سازی توسعه مواد ترموالکتریک را امکان‌پذیر کرده است.

یکی از دلایل کلیدی موفقیت اخیر، استفاده فزاینده از روش‌های ab initio با توان بالا و طراحی مواد in silico بوده است، به ویژه زمانی که به شدت با آزمایش‌ها و تحلیل متمرکز بر داده همراه شده‌اند، این امر در تلاش‌های مربوط به پروژه مواد تجسم یافته است که دسترسی وب‌محور باز به ویژگی‌های محاسبه شده با استفاده از روش‌های ساختار الکترونیکی برای ده‌ها هزار ماده و ترکیب شیمیایی را فراهم می‌کند. چالش‌های پیش‌رو شامل قابل کشف‌تر، قابل جست‌وجوتر، قابل دسترس‌تر و قابل استفاده‌تر کردن داده‌های مواد است.

مواد چندجزئی و ساخت افزودنی

با توجه به شیمی و پتانسیل ساختارهای سلسله‌مراتبی چندمقیاسی و نقش نقایص، فضای طراحی برای مواد چندجزئی بسیار گسترده است. پایگاه‌های داده ترمودینامیکی که اساس رویکرد CALPHAD در طراحی مواد را تشکیل می‌دهند، توانایی قابل توجهی در تسریع کشف، توسعه و معرفی مواد جدید دارند و می‌توانند تعداد آزمایش‌های مورد نیاز برای کشف مواد را به شکل چشمگیری کاهش دهند. این پایگاه‌ها پیش‌تر تأثیر عمیقی بر توسعه مواد در موتورهای هواپیما و سایر وسایل نقلیه هوافضایی پیشرفته داشته‌اند. ساخت افزودنی در چاپ سه‌بعدی مواد نرم، به ویژه برای کاربردهای سلامت مصرف‌کننده، تحت تأثیر این پایگاه‌ها قرار گرفته است و این فناوری به موفقیت صنعتی رسیده است. شرکت‌هایی مانند کداک، نایک و جانسون اند جانسون مشارکت‌هایی با شرکت چاپ سه‌بعدی Carbon اعلام کرده‌اند. چالش اصلی شامل توسعه استراتژی‌هایی برای سفارشی‌سازی معماری‌های سه‌بعدی مواد است و وعده ساخت افزودنی با رویکردهای کاملاً تجربی برای تنظیم پارامترهای رسوب و منوی فوق‌العاده کوچک مواد قابل چاپ سه‌بعدی تعدیل می‌شود.

با وجود تنوع حوزه‌های کاربردی، مضامین مشترکی در تمام زیررشته‌ها اهمیت دارند. ادامه یکپارچگی بین آزمایش، نظریه و شبیه‌سازی ضروری است و باید تأکید مستمری بر تحقق کامل همکاری‌ها با بازخورد واقعی نظری-آزمایشگاهی وجود داشته باشد، نه مطالعات آزمایشگاهی یا نظری جداگانه و در بهترین حالت همزمان. اختصاص منابع برای آموزش دانشجویان در هر دو حوزه نظری و آزمایش حیاتی است. اگرچه موفقیت‌های MGI منجر به افزایش همکاری‌ها شده، هنوز تفاوت‌هایی در اصطلاحات، فرهنگ‌های کاری و انتظارات بین گروه‌های آزمایشگر و محاسباتی مشاهده می‌شود.

توسعه ابزارهایی برای خودکارسازی سنتز و مشخصه‌یابی در تمام زیررشته‌ها بارها مورد تأکید قرار گرفته است. توسعه مواد می‌تواند با ایجاد تکنیک‌های سنتز و مشخصه‌یابی با توان بالا، ترجیحاً خودمختار، به شکل قابل توجهی تسریع شود. ایجاد تسهیلات کاربر برای مشخصه‌یابی با توان بالا نیز ضروری است. آزمایش‌های با توان بالا برای سنتز، اعتبارسنجی و بهینه‌سازی ترکیبات پیش‌بینی شده، یکی از گلوگاه‌های مهم برای تحقق ترکیبات جدید و یکپارچگی آن‌ها در دستگاه‌ها و سیستم‌های پیچیده محسوب می‌شوند.

افزایش درک تحقیقات داده‌محور نیز اهمیت فراوانی دارد. داده در علم مواد معمولاً به شکل قابل توجهی کمتر از مجموعه داده‌هایی است که بسیاری از تکنیک‌های یادگیری ماشین بر پایه آن‌ها توسعه یافته‌اند، بنابراین توزیع ابزارها برای خودکارسازی، جمع‌آوری، نگهداری و اشتراک‌گذاری داده ضروری است. یک تلاش هماهنگ باید برای طراحی ابزارهایی برای دانشمندان مواد انجام شود که جمع‌آوری، نگهداری و توزیع مجموعه داده‌ها را خودکار کنند. استانداردسازی فرمت‌های داده و فراداده نیز حیاتی است، چرا که در اکثریت قریب به اتفاق مجلات، هیچ فرمت استانداردی برای گزارش داده‌های آزمایشگاهی یا محاسباتی وجود ندارد.

فاز اولیه MGI به طور گسترده بر تحقیقات علمی و مهندسی در بخش‌های صنعتی حیاتی، از جمله پزشکی، انرژی، کاتالیز، حمل‌ونقل و محاسبات، تأثیر گذاشت. اکنون زمان آن رسیده که افق‌های جدیدی برای طراحی مواد کاوش شود. چالش‌ها و فرصت‌های ترسیم شده، طیفی از نیازهای حیاتی مواد را توصیف می‌کنند که با سرمایه‌گذاری بیشتر در اصول MGI می‌توان به آن‌ها پاسخ داد. از طریق کاربرد مستمر تلاش‌های یکپارچه داده‌محور در آزمایش، نظریه و محاسبات، روابط ساختار-عملکرد ذاتی ژنوم مواد آشکار خواهد شد. به کارگیری این بینش‌ها برای ایجاد پیشرفت‌های فوق‌العاده، توانایی جرقه زدن فناوری‌های انقلابی جدید و پرورش نسل جدیدی از مواد پیشرفته و نوآور را فراهم می‌کند که قادر به ایجاد تحولات بنیادین هستند.