تولید مواد پیشرفته دیگر یک مسئلهٔ اکتشافی نیست، بلکه یک بن‌بست تولیدی است. در حالی که آزمایشگاه‌های پیشرفته می‌توانند موادی را خلق کنند که برای نسل بعدی هوش مصنوعی و رایانش کوانتومی ضروری هستند، Atomscale ادعا می‌کند که صنعت فاقد ابزارهای لازم برای انتقال این مواد از محیط آزمایشگاه به مقیاس تولید صنعتی است، بدون اینکه مجبور باشد دهه‌ها آزمون و خطا کند. موادی که موج بعدی فناوری را در زمینه‌های هوش مصنوعی، کوانتوم، انرژی و برقی‌سازی پیش می‌برند، هم‌اکنون شناسایی شده‌اند و ارزشمند هستند. این مواد را می‌توان در مقیاس کوچک ساخت، اما چون راهی برای تولید انبوه و دقیق آن‌ها نداریم، در همان آزمایشگاه‌ها گیر کرده‌اند.
این چالش، بازتابی از یک الگوی تاریخی در دنیای فناوری است. در دسامبر ۱۹۵۹، ریچارد فاینمن در سخنرانی خود برای انجمن فیزیک آمریکا در کال‌تک اعلام کرد که «در پایین‌ها جای زیادی هست» (plenty of room at the bottom) و فیزیکدانان را دعوت کرد تا ماده را در مقیاس اتمی کنترل کنند. پس از آن، نزدیک به هفت دهه پیشرفت حاصل شد که منجر به پیدایش الکترونیک مدرن و قانون مور گشت. با این حال، همان‌طور که در تز Atomscale منتشر شده در ۱۰ جولای ۲۰۲۶ اشاره شده است، هر تغییر تکنولوژیک بزرگ در واقع نتیجهٔ یادگیری نحوهٔ تولید قابل‌اعتماد یک ماده با بازدهی بالا در داخل یک قطعهٔ واقعی است. وقتی این فرآیند تولید متوقف می‌شود، آینده نیز همراه با آن متوقف می‌گردد.
یک مثال روشن، مسیر اینتل با گره ۴۵ نانومتری است. تا دهه ۲۰۰۰، دی‌اکسید سیلیسیم که برای چهار دهه عایق گیت ترانزیستور بود، تا حدی نازک شد که تنها چند اتم داشت و دچار نشت جریان گشت. اینتل سال‌ها پیش از عرضه محصول می‌دانست که به یک ماده دی‌الکتریک با ثابت k بالا (high-k) نیاز دارد. ماده‌ای که آن‌ها بر پایه «هافنیوم» انتخاب کردند، یک «کشف ناگهانی یا اورکا» نبود؛ بلکه برای اینکه کار کند، نیاز به تغییرات هماهنگ در سایر مواد موجود در پشته (stack) داشت. بیش از یک دهه تلاش لازم بود تا این ماده قابل تولید شود؛ آن هم از طریق لایه‌گذاری اتم به اتم. وقتی سرانجام در سال ۲۰۰۷ عرضه شد، گوردون مور آن را بزرگ‌ترین تغییر در فناوری ترانزیستور از اواخر دهه ۱۹۶۰ نامید. در اینجا، پیشرفت واقعی نه در خودِ ماده، بلکه در یادگیری نحوه پردازش این ماده در مقیاس صنعتی بود.
شکاف میان داده و تحلیل
علم مواد مدرن از یک اکوسیستم اطلاعاتی تکه‌تکه رنج می‌برد. طبق گفته‌های Atomscale، پژوهشگران از کاوشگرهای محدود و مکمل استفاده می‌کنند که شامل XRD، XPS، RHEED، TEM و AFM است. هر یک از این ابزارها سخت‌افزار و نرم‌افزار مخصوص به خود را دارند. این وضعیت کاربر را مجبور می‌کند تا تصویر نهایی را به‌صورت دستی کنار هم بچسباند؛ فرآیندی که متوالی است، تحت تأثیر سوگیری‌های اپراتور قرار دارد و باعث از دست رفتن داده‌ها می‌شود.
در این گردش‌کار دستی، اطلاعات حیاتی به‌طور سیستماتیک هدر می‌روند:
- متادیتاها اغلب در طول فرآیند ترکیب داده‌ها رها شده و حذف می‌شوند.
- نتایج تهی (Null) و نتایج منفی، که خود حاوی اطلاعات واقعی و مهم هستند، به‌طور معمول دور ریخته می‌شوند.
- مهندسان ماهر ممکن است تصور کنند داده‌های ثبت‌شده بیش از حد زیاد است، در حالی که زنجیره ابزارها هرگز فاش نمی‌کند که دقیقاً چه چیزی در حال حذف شدن است.
دشواری فیزیکی نیز به همان اندازه زیاد است. مواد در خلاء وجود ندارند؛ آن‌ها در یک «زمینه» یا کانتکست زندگی می‌کنند و درون ساختارهای دستگاه‌های ناهمگن قرار می‌گیرند، جایی که یک ماده روی ماده‌ای دیگر رشد می‌کند. هر محیط، نقطه بهینه و مسیر رسیدن به آن را تغییر می‌دهد. از آنجایی که تقریباً هر درجه از آزادی در طراحی ماده و فرآیند، به‌صورت پیوسته و متصل به هم است، شبیه‌سازی‌ها و دوقلوهای دیجیتال اغلب نمی‌توانند به «دقت آخرین مایل» (last-mile fidelity) برسند که برای تولید در دنیای واقعی لازم است. در حال حاضر، شرکت مذکور تنظیم یک فرآیند سنتز را به «استفاده از پنس در حالی که دستکش اجاق گاز پوشیده‌اید» تشبیه می‌کند.
معماری Atomscale: از مدل‌های تک‌منظوره به سلسله‌مراتب
شرکت Atomscale این مشکل را با جایگزینی مدل‌های ایزوله و تک‌منظور با سلسله‌مراتبی از مدل‌های «متناسب با هدف» حل می‌کند. در ساختار سنتی امروزی، داده‌های خام فرآیند و اندازه‌گیری‌ها به مدل‌های آماری، فیزیکی و عمومی مجزا تغذیه می‌شوند، جایی که بینش‌ها در بن‌بست قرار می‌گیرند و هیچ انتقال اطلاعاتی بین اجراهای مختلف صورت نمی‌گیرد. Atomscale این ساختار را با یک پشته سه‌لایه جایگزین می‌کند:
لایه آداپتور (Adapter Layer): از استخراج شکل‌گرفته توسط فیزیک برای بهبود نسبت سیگنال به نویز در پایه استفاده می‌کند و تنها اطلاعات معنادار را به لایه‌های بالا می‌فرستد.
لایه سری‌های زمانی (Time-Series Layer): سیگنال‌های حیاتی را در حالی که در طول زمان تکامل می‌یابند، ثبت می‌کند.
لایه استدلالی (Reasoning Layer): این سیگنال‌ها را به بینش‌های کاربردی در مورد مواد و تصمیمات اجرایی تبدیل می‌کند.
این سلسله‌مراتب مانند یک محیط Sandbox عمل می‌کند و هوش مصنوعی همه‌منظوره را به داده‌های مرتبط با دامنه تخصصی محدود می‌کند. این امر تضمین می‌کند که سیستم به‌جای یک مدل زبانی بزرگ (LLM) عمومی، مانند یک همکار خبره رفتار کند و استدلال خودکار را با خروجی‌های قطعی مبتنی بر فیزیک ترکیب نماید. نتیجه این رویکرد قابل اندازه‌گیری است: در رمزگذاری اطلاعات مربوط به یک اجرای آزمایشی که پیش‌تر دیده نشده بود، Atomscale عملکردی ۴۳ برابر بهتر از یادگیری ماشین بدون نظارت (baseline unsupervised ML) داشت.
تبدیل مهندس از «کارگر» به «مدیر»
با خودکارسازی اثرانگشت‌های ویژگی (feature fingerprints) و تبدیل داده‌ها به فرمت قابل پرس‌وجو، این پلتفرم بافت روزانه کار را تغییر می‌دهد. به‌جای اینکه مهندس پس از تکمیل یک اجرا، شکست را تحلیل کند، هوش مصنوعی داده‌های ابزارهایی را که در حال حاضر تولید می‌کنند می‌خواند تا اجرای ماده را در حالی که هنوز در حال رشد است، هدایت کند. این کار از «سایش» دهه‌ها آزمون و خطا جلوگیری کرده و هر اجرا را خوانا و هر بینش را تجمعی می‌کند.
این موضوع نقش مهندس را به‌طور قابل‌توجهی تغییر می‌دهد:
- پیش از این: تحلیل دستی، ابزارهای تکه‌تکه و بینش‌هایی که در ذهن یک فرد حبس شده بود.
- پس از این: اثرانگشت‌های خودکار و هدایت لحظه‌ای دستورالعمل‌هایی (recipes) که پیش‌تر برای نگهداری بیش از حد پیچیده بودند.
مهندسان دیگر «اسب‌های کاری» دستی فرآیندهای خود نیستند، بلکه به مدیران تبدیل می‌شوند. این به سازمان اجازه می‌دهد تا به‌جای پیشرفت‌های تدریجی، برای دستاوردهای ۱۰ برابری هدف‌گذاری کند، زیرا دانش دیگر در پایان یک تحقیق نمی‌میرد، بلکه در سطح سازمان و در یک زمین بازی برابر انباشته می‌شود.
مسیری به سوی نوآوری مقیاس‌پذیر
این رویکرد یک مانع اطلاعاتی خاص را هدف قرار داده است: هیچ «اینترنتی از مواد» برای استخراج داده وجود ندارد. چون داده‌های مواد محرمانه و ایزوله هستند، یک مدل هوش مصنوعی عمومی که روی وب آموزش دیده است را نمی‌تواند این مشکل را حل کند. Atomscale در عوض بر به‌کارگیری حجم عظیم داده‌هایی تمرکز می‌کند که در حال حاضر توسط ابزارهای مدرن، غنی از حسگر و با بازدهی بالا تولید می‌شوند.
این تغییر suggests می‌کند که بازه‌های زمانی برای مقیاس‌پذیری مواد — که اغلب یک دهه طول می‌کشد — می‌تواند به‌طور قابل‌توجهی فشرده و بسیار کوتاه‌تر شود. با ایجاد یک فضای غنی از فیزیک و تعامل‌پذیر که عوامل استدلالی (reasoning agents) بتوانند به‌طور مداوم آن را پیمایش و نظارت کنند، موادی که در حال حاضر در آزمایشگاه گیر کرده‌اند، می‌توانند در مقیاس زمانی انسانی به جهان برسند.
برای کسب‌وکارهای سخت‌افزاری، این به معنای مسیری سریع‌تر به سوی برقی‌سازی و پایداری کوانتومی است. این شرکت استدلال می‌کند تیم‌هایی که این استخراج مبتنی بر هوش مصنوعی را بپذیرند — که می‌تواند در مجموع اطلاعات معنادارتری نسبت به تحلیل‌های انسانی استخراج کند — پیشرو در موج بعدی نوآوری مواد خواهند بود. هدف این است که زحمات تکراری داده‌ها کنار زده شود تا انسان‌ها بتوانند بر طراحی، مفهوم‌سازی، خلاقیت و تعیین اهداف متمرکز شوند.
آنچه باقی مانده است، تمایل صنعت برای گذار از تحلیل‌های تکه‌تکه و سوگیرانه به سمت یک لایه هوش مصنوعی تعامل‌پذیر است. هدف، حرکت از دستاوردهای تدریجی به سمت جهش‌های ۱۰ برابری در بازده تولید است. ما پیش از این نظریه فاینمن مبنی بر وجود فضای کافی در مقیاس اتمی را ثابت کردیم؛ فاز بعدی، یادگیری نحوه پیمایش یافته‌ها و بازگرداندن آن‌ها به سطح صنعتی است؛ از اتم تا مقیاس تولید.
شایسته است نظارت کنید که این رویکرد مبتنی بر فیزیک چگونه بر عرضه گره‌های جدید نیمه‌هادی در سال ۲۰۲۷، به‌ویژه برای جایگزین‌های دی‌الکتریک high-k، تأثیر می‌گذارد.
گفتگو