به گزارش ایسنا و به نقل از نانومگزین، گروهی از پژوهشگران "دانشگاه فناوری دلفت"(TU Delft) هلند، یکی از دقیق‌ترین حسگرهای ریزتراشه جهان را ابداع کرده‌اند. این دستگاه که می‌تواند در دمای اتاق کار کند، - یک وسیله مطلوب برای فناوری‌های کوانتومی و حسی به شمار می‌رود. پژوهشگران با ترکیب نانوفناوری و یادگیری ماشینی و همچنین با الهام از تار عنکبوت، توانستند این حسگر نانومکانیکی را به ارتعاش درآورند. این پیشرفت، پیامدهایی را برای پژوهش در مورد گرانش و ماده تاریک و همچنین حوزه‌های مربوط به اینترنت کوانتومی، ناوبری و سنجش به همراه دارد.

یکی از بزرگ‌ترین چالش‌هایی که در بررسی اجسام ارتعاشی کوچک مانند اجسامی که در حسگرها یا سخت‌افزارهای کوانتومی استفاده می‌شوند، وجود دارد، این است که چگونه از تعامل نویز محیط با حالت‌های شکننده‌ آنها جلوگیری کنیم. برای نمونه، سخت‌افزار کوانتومی معمولا در دمای نزدیک به صفر مطلق نگهداری می‌شود و یخچال‌های مناسب آن، حدود نیم میلیون یورو قیمت دارند. پژوهشگران دانشگاه فناوری دلفت، یک حسگر ریزتراشه به شکل شبکه تار عنکبوت ایجاد کردند که به خوبی در دمای اتاق کار می‌کند. ابداع این حسگرها، علاوه بر سایر کاربردها می‌تواند ساخت دستگاه‌های کوانتومی را بسیار مقرون به صرفه‌تر کند.

یک مدل تکاملی

"ریچارد نورت"(Richard Norte) و "میگل بسا"(Miguel Bessa)، سرپرست‌های این پژوهش، راه‌های جدیدی را برای ترکیب کردن نانوفناوری و یادگیری ماشینی جستجو کردند اما باید دید که چگونه به ایده الهام گرفتن از تار عنکبوت رسیدند.

نورت گفت: من حدود یک دهه است که این پژوهش را انجام می‌دهم. طی قرنطینه، متوجه تعداد زیادی تار عنکبوت در تراس خانه خود شدم و دریافتم که تارهای عنکبوت واقعا نوع خوبی از آشکارسازهای ارتعاش هستند زیرا می‌توانند ارتعاشات داخلی را اندازه‌گیری کنند تا طعمه خود را بیابند اما ارتعاشات خارج از تار عنکبوت، مانند ارتعاشات ناشی از باد را که در میان درخت می‌پیچد، بررسی نمی‌کنند. بنابراین، به این فکر افتادم که چرا از میلیون‌ها سال تکامل استفاده نکنیم و تار عنکبوت را به عنوان مدل ابتدایی یک دستگاه فوق حساس به کار نبریم؟

از آنجا که این گروه پژوهشی چیزی در مورد پیچیدگی‌های تار عنکبوت نمی‌دانستند، از یادگیری ماشینی استفاده کردند تا آنها را در روند اکتشاف راهنمایی کند. بسا گفت: ما می‌دانستیم که آزمایش‌ها و شبیه‌سازی‌ها پرهزینه و زمان‌بر هستند؛ بنابراین تصمیم گرفتیم الگوریتمی موسوم به "بهینه‌سازی بیزی"(Bayesian optimization) را به کار ببریم تا با تلاش‌های اندک، یک طرح خوب پیدا کنیم.

"دونگیل شین"(Dongil Shin)، پژوهشگر ارشد این پروژه، این مدل رایانه‌ای را اجرا کرد و الگوریتم یادگیری ماشینی را برای طراحی یک دستگاه جدی به کار گرفت.

پژوهشگران در کمال تعجب مشاهده کردند که این الگوریتم، یک تار عنکبوت نسبتا ساده را از میان ۱۵۰ طرح متفاوت تار عنکبوت پیشنهاد کرده است. این تار عنکبوت، تنها از شش رشته تشکیل شده که با روشی ساده در کنار هم قرار گرفته‌اند.

بسا ادامه داد: شبیه‌سازی‌های رایانه‌ای شین نشان دادند که می‌توان این دستگاه را در دمای اتاق به کار گرفت. اتم‌ها در این شرایط، ارتعاش زیادی پیدا می‌کنند اما هنوز مقدار بسیار کمی انرژی از محیط به داخل نشت می‌کند. ما با کمک یادگیری ماشینی و بهینه‌سازی موفق شدیم مفهوم تار عنکبوت نورت را با این فاکتور بسیار بهتر کیفیت تطبیق دهیم.

"آندریا کوپرتینو"(Andrea Cupertino)، از پژوهشگران این پروژه، براساس این طراحی جدید، یک حسگر ریزتراشه با یک لایه بسیار نازک به ضخامت نانومتر از مواد سرامیکی موسوم به نیترید سیلیسیم ساخت. پژوهشگران، این مدل را با القای ارتعاش شدید به ریزتراشه تار عنکبوتی و اندازه‌گیری زمان توقف ارتعاشات، آزمایش کردند. نتیجه این آزمایش، تماشایی بود؛ یک ارتعاش رکوردشکن در دمای اتاق.

نورت گفت: ما تقریبا هیچ نمونه‌ای از اتلاف انرژی را در خارج از شبکه ریزتراشه خود پیدا نکردیم. ارتعاشات به صورت دایره‌ای در داخل حرکت می‌کنند و با بیرون تماس ندارند. این تا حدودی شبیه به این موضوع است که کسی را روی یک تاب هل بدهید و او نزدیک به یک قرن بدون توقف تاب بخورد.

پیامدهای این پژوهش برای علوم بنیادین و کاربردی

پژوهشگران با حسگر مبتنی بر تار عنکبوت خود نشان می‌دهند که این راهبرد میان رشته‌ای چگونه با ترکیب کردن طرح‌های الهام‌گرفته‌شده از طبیعت، یادگیری ماشینی و نانوفناوری، مسیری را به سوی پیشرفت‌های جدید در علم می‌گشاید.

این الگوی جدید، پیامدهای جالبی را برای اینترنت کوانتومی، حسگرها، فناوری‌های ریزتراشه و فیزیک بنیادین به همراه دارد. به عنوان نمونه می‌توان به کاوش در مورد گرانش یا ماده تاریک اشاره کرد که اندازه‌گیری آنها بسیار دشوار است.

این پژوهش، در مجله "Advanced Materials" به چاپ رسید.

انتهای پیام