ถ้าพูดถึงการค้นหา แก้วโลหะ ในพื้นที่องค์ประกอบกว้างๆ แต่มีข้อมูลจำกัด จะทำยังไงดี? นักวิจัยเขาเจอวิธีเจ๋งๆ ที่ใช้เครื่องมือชื่อว่า สเปกตรัม X-ray diffraction (XRD) มาช่วยระบุโครงสร้างแก้วโลหะ แล้วก็แปลงสเปกตรัมเหล่านั้นเป็นภาพ เพื่อนำไปฝึกโมเดลปัญญาประดิษฐ์แบบ continuous conditional generative adversarial networks (ccGAN) ให้สามารถสร้างสเปกตรัม XRD ความละเอียดสูงสำหรับอัลลอยหลายองค์ประกอบได้ เพียงแค่ใช้ข้อมูลจริงจำนวนน้อยมากในการฝึกฝนเท่านั้น
ทำไมต้องใช้สเปกตรัม XRD แล้วแปลงเป็นภาพ?
ลักษณะเด่นของสเปกตรัม XRD คือมันบอกเล่าโครงสร้างภายในของอัลลอยได้ดีมาก ซึ่งถ้าเราเอามาแปลงเป็นภาพจะเปิดทางให้ เทคนิค machine learning ทำงานได้ง่ายขึ้น โดยโมเดลที่ใช้คือ ccGAN ที่ออกแบบมาเพื่อสร้างภาพแบบมีเงื่อนไข นั่นหมายความว่าเราสามารถบอกโมเดลได้ว่าจะให้สร้างสเปกตรัม XRD ของอัลลอยประเภทไหนออกมา นี่คือจุดเปลี่ยนสำคัญที่ไม่ต้องพึ่งพาแค่ตัวเลข descriptors แบบเดิมๆ ที่เคยใช้กันในงาน AI ด้านวัสดุ
แก้วโลหะคืออะไร? ทำไมถึงน่าสนใจ?
แก้วโลหะ (metallic glasses) เป็นวัสดุที่ไม่มีโครงสร้างอะตอมแบบเป็นระเบียบในระดับนาโนเหมือนโลหะทั่วไป แต่นั่นกลับทำให้มันมีคุณสมบัติพิเศษ เช่น
- ความแข็งแรงสูงมาก
- ทนทานต่อการสึกหรอ
- สามารถแปรรูปได้เหมือนพลาสติก
จึงเหมาะมากสำหรับเทคโนโลยีสมัยใหม่
แต่การจะผลิตแก้วโลหะจากอัลลอยที่มีหลายองค์ประกอบได้นั้นไม่ง่ายเลย เพราะยังมีเรื่องกลไกการเกิดแก้วที่ซับซ้อนและพื้นที่องค์ประกอบที่กว้างมาก ทำให้ทดลองจริงใช้เวลานานและค่าใช้จ่ายสูง
จุดเด่นของงานวิจัยนี้คืออะไร?
– ใช้ข้อมูลสเปกตรัม XRD จริงเพียง น้อยกว่า 5% ของชุดข้อมูลทั้งหมดในการฝึกโมเดล
– โมเดล ccGAN สามารถสร้างสเปกตรัม XRD ความละเอียดสูงที่แม่นยำสำหรับอัลลอยหลายองค์ประกอบ
– ทำนายตำแหน่งและรูปแบบของ peak ในสเปกตรัมได้ดีมาก ซึ่งสัมพันธ์กับโครงสร้างและความสามารถเกิดแก้ว
– สามารถใช้ข้อมูลจากทั้ง synchrotron XRD และผล simulation ด้วย molecular dynamics (MD) ในการฝึกและประเมินได้
– ลดจำนวนการทดลองจริงที่ต้องทำ ช่วยเร่งการค้นคว้าวัสดุแก้วโลหะใหม่ๆ
โมเดล ccGAN ทำงานอย่างไร?
โมเดลจะรับอินพุตจาก
- noise สุ่มแบบ random
- ข้อมูลองค์ประกอบของอัลลอย (เช่น สัดส่วนของ Zr, Cu, Al ฯลฯ)
จากนั้นจะสร้างภาพสเปกตรัม XRD ที่สมจริงซึ่งตรงกับองค์ประกอบนั้นๆ เพื่อประเมินว่าสเปกตรัมแบบไหนน่าจะบ่งบอกถึงการเกิดแก้วได้ดีที่สุด
ทำไมวิธีนี้ถึงเหมาะกับคน Gen Y, Gen Z หรือคนที่อยากใช้ AI ในงานออกแบบวัสดุ?
– เป็นตัวอย่างที่ดีของการนำ AI generative model มาใช้แก้ปัญหาที่ซับซ้อนโดยไม่ต้องมีข้อมูลเยอะ
– ช่วยประหยัดเวลาและแรงงานในการทดลอง ช่วยให้โฟกัสงานใหม่ๆ ได้เร็วขึ้น
– ใช้เทคนิค machine learning ร่วมกับข้อมูลภาพ ช่วยสร้างอินไซต์ใหม่ๆ ที่อาจหาไม่ได้จากวิธีเดิม
– เปิดโอกาสให้คนที่อยากสร้างธุรกิจเกี่ยวกับวัสดุ หรือทำ content ด้านวิทยาศาสตร์ เทคโนโลยีและ AI ได้เห็นกรณีศึกษาจริงที่น่าสนใจ
สรุปง่ายๆ ว่าวิธีนี้เหมือนได้เครื่องมือช่วยออกแบบวัสดุระดับเจ๋งที่ทำให้เราเอาชนะข้อจำกัดเรื่องข้อมูลน้อยและพื้นที่องค์ประกอบมหาศาลได้ และไม่ใช่แค่แก้วโลหะเท่านั้น อนาคตยังเปิดกว้างให้ไปต่อยอดกับวัสดุและเทคนิคสเปกโทรสโกปีอื่นๆ ได้อีกด้วย
ที่มาของข้อมูล https://www.nature.com/articles/s41524-025-01753-9
