Yapay zekâ ve nano-topaklar: Genetik algoritma uygulaması

Abstract

Teorik ve deneysel olarak nano topaklar son yıllarda oldukça fazla ilgi çekmeye başladı. Benzer bulk materyallerle karşılaştırıldığında çok farklı kimyasal ve fiziksel özelliklere sahip olabilmektedirler. Nano topak yapıları nano malzemelerin temel taşları olduklarından geometrilerinin ve kararlı yapılarının bulunması oldukça önemlidir. Nano materyallerin istikrarlı geometrilerini tahmin etmek için, araştırmacılar farklı yöntemler kullanmışlardır bunlardan bazıları; monte carlo, moleküler dinamik, rassal arama metotları, genetik algoritmalar ve benzetim tavlama algoritmasıdır.Bu çalışmada, tek tip atomdan oluşan topak yapılarının istikrarlı geometrilerini tahmin etmek için daha önce geliştirilmiş genetik algoritma kodlarından ayrı olarak çaprazlama ve mutasyon operatörleri farklı genetik algoritma kodu geliştirildi. Geliştirilen kod DFT (Yoğunluk Fonksiyon Teorisi) ve genetik algoritmayı birlikte kullanan örneklerden bir tanesidir. Bu kodun doğru çalıştığını doğrulamak amacıyla B4, B5, B6, B8, Li5, Li6, Li7 topakları üzerinde test edilerek literatürdeki sonuçlar ile karşılaştırıldı. Elde edilen sonuçlar geliştirilen kodun çalıştığımız yapıların kararlı geometrilerini başarılı bir şekilde tahmin ettiğini ortaya koymuştur. Buna ek olarak geliştirilen kod hesaplama sürecindeki farklılıklardan dolayı daha önceki genetik algoritma kodlarından daha hızlı çalışmaktadır.

Theoretically and experimentally nano-clusters have attracted much attention in recent years. They may have very different physical and chemical properties form their corresponding bulk materials. As they are building blocks for nano-materials finding their stable geometries are very important. To predict the stable geometries of nano-materials, researchers have used different methods such as monte carlo, molecular dynamics, stochastic search methods, genetic algorithms, simulated annealing etc.In this study, to predict the stable geometries of mono atom nano-clusters we developed a genetic algorithm code which has different crossover and mutation process from the previously developed genetic algorithm codes. This code is one of the few examples of performing genetic algorithm+DFT (Density Functional Theory) method. We tested our code on B4, B5, B6, B8, Li5, Li6, Li7 clusters and compared the results with the literature. Our results show that the code successfully predicts the stable geometries for these clusters. In addition, due to differences in the calculation process our code may be much faster that the previously developed genetic algorithm codes.