درباره نانوتکنولوژی بیشتر بدانیم1
مدل سازی خاک رس
محققین دانشگاه لندن در انگلستان و دانشگاه Paris Sud در فرانسه ، شبیهسازیهایی بر اساس مکانیک کوانتوم برای مطالعه و کامپوزیتهای خاک رس–پلیمر بکار بردهاند. امروزه این ترکیبات یکی از موفقترین مواد نانوتکنولوژی هستند، زیرا بطور همزمان مقاومت بالا و شکلپذیری از خود نشان میدهند؛ خواصی که معمولاً در یکجا جمع نمیشوند. نانو کامپوزیتهای پلیمر–خاک رس میتوانند با پلیمریزاسیون در جا تهیه شوند؛ فرآیندی که شامل مخلوط کردن مکانیکی خاک معدنی با مونومر مورد نیاز است. بنابراین مونومر در لایه درونی جایگذاری میشود (خودش را در لایههای درون ورقههای سفال جای میدهد) و تورق کل ساختار را افزایش میدهد. پلیمریزاسیون ادامه مییابد تا سبب پیدایش مواد پلیمری خطی و همبسته گردد.
دانشمندان با بکارگیری Castep (یک برنامه مکانیک کوانتوم که نظریه کارکردی چگالی را بکار میگیرد) تحول کشف شده در این روش را که پلیمریزاسیون میان گذار خود کاتالیست نامیده میشود مطالعه کردند. این پروژه ، دانشی نظری در زمینه ساز و کار این فرآیند جدید را بوسیله مشخص کردن نقش سفال در کامپوزیت فراهم نمود. ضروری است که دانش حاصل از شبیهسازیها ، جهت کنترل و مهندسی نمودن فعل و انفعالات پلیمر-سیلیکات به کمک دانشمندان آید.
دانشمندان در شرکت BASF شبیه سازیهای مقیاس میانی را برای بررسی علم و رفتار ریزوارهها بکاربردند. ریزوارهها ذراتی کروی شکل با ابعاد نانو هستند که به صورت خود به خود در محلولهای کوپلیمری ایجاد میشوند و در زمینههایی مانند سنسورها وسایل آرایشی و دارو رسانی کاربرد دارند. دانشمندانBASF با بکار گیری esoDyn ، یک ابزار شبیه سازی برای پیشبینی ساختارهای مقیاس میانی مواد متراکم محلولهای تغلیظ شده کوپلیمرهای آمفیفیلیک را بررسی کردند.
شبیهسازیها مشخص نمود که کدام شرایط مولکولی و فرمولی به شکلگیری "ریزوارههای معکوس" مانند نانو ذرات آب در یک محیط فعال منتهی می شود. چنین نتایجی برای درک رفتار عوامل فعال سطحی ضروری هستند. به کمک روشهایی مانند پرتاب محلول در آزمایشگاه میتوان به نتایجی در این زمینه دست یافت، اما دستیابی به این نتایج ماهها به طول میانجامد، درحالی که آزمایشهای شبیهسازی شده تنها طی چند روز نتیجه میدهند.
زیرساختهای پایه برای مدلسازی مولکولی:
در مقالة قبلی نقش فناوریانفوماتیک را در فناورینانو از دیدگاه اهمیت آن در مدلسازی مولکولی بررسی کردیم. اکنون میخواهیم حداقل مؤلفههای لازم در جهت موفقیت در مدلسازی مولکولی را بررسی کنیم. به عبارت دیگر زیرساختهای بحرانی جهت توسعة دانش مدلسازی مولکولی کدامند؟
1) الگوریتمها:
بهبود الگوریتمهای محاسباتی مورد نیاز است تا از عهدة محاسبه مجموعهای از مولکولهای بزرگ یا مجموعهای از اتمها برآیند. زیرا برهم کنش میان اتمها در کنه موضوع مدل سازی مولکولی نهفته است. زمان محاسبه و قدرت ذخیرهسازی اطلاعات هر اتم و افزایش دقت با افزایش تعداد اتمها، تابع مستقیمی از افزایش قدرت الگوریتمها است.
2) بکارگیری محاسبات موازی:
با تقسیم مسئله بین چند پردازنده جداگانه، محاسبات موازی، قابلیت رسیدن به راهحلهای مناسب و با سرعتهای بالا، را فراهم میآورند. بههرحال رسیدن به این هدف نیازمند مسائلی (یا بخشی از مسائل) است که میتواند معادلاً تقسیم شود مثلاً الگوریتمهائی به منظور گرفتن مزیتهای ساختارهای موازی و راههائی به منظور نوشتن و رفع خطا کردن مؤثر از کدهای موازی.
بسیاری از کدهای شیمی کوانتوم بصورت ضعیفی موازی میشوند که نسبتاً وابسته به روشهای بکارگرفته شده هستند. یک مثال نوعی نظیر مدل کوانتومی مونتکارلو یا روش"Laster" و همکارانش است.
3) انتخاب خودکار به همان خوبی روشها:
یک نقش مدل ساز، انتخاب بهترین روش برای یک مسألة مشخص با دقت مورد نیاز مشخص است. چنین تصمیمگیریهایی میبایستی بصورت خودکار به منظور انتفاع بیشتر و کمترکردن اثر مهارت شاغل باشد. مقایسة دقیق روشهای متفاوت، آرایشهای محاسباتی متفاوت و هدفهای متفاوت کاملاً الزامی است .
4) سخت افزارهای محاسباتی و سیستم عاملها:
سخت افزارهای محاسباتی و سیستم عاملها روشهای متفاوت دیگری به منظور مدلسازی مولکولی هستند مدلسازی مولکولی نیازمندیهای متفاوتی از سخت افزار وسیستم عامل را پدید آورده است. همانطوریکه تغییر دادنها نیازمند استفاده کننده است. ترکیب ابررایانه ها رایانه های شخصی/ ایستگاههای محاسباتی و توزیع محاسبها، پیامد دیگری از یکپارچگی زیرساختهای محاسباتی، نمایشگرها و Interface استفاده کننده است. همچنین زیرساختهای واسطه وابزارهای قابل برنامهنویسی تصویر ساز از دیگر نیازمندیها است.
5) مدیریت اطلاعات:
نه فقط نیازهای محاسباتی، میطلبد که همچنین حجم نتایج به طرز باورنکردنی با اندازة مسأله رشد میکند. این چالش نیازمند مدیریت پیچیده و بهرهبرداری از نتایج آزمایشگاهی و دادههای محاسباتی بصورت توأم است. به منظور مؤثر بودن، حجم عظیم اطلاعات جدید میبایستی مدیریت شود به گونهای که با نتایج آزمایشگاهی و روابط مبتنی بر تئوری، سازگاری حاصل نماید .
6) واسطه مدلسازی آزمایشگاهی:
روابطی نظیر QSPR و QSAR، وابستگی به خواص آزمایشگاهی قابل مشاهدهای دارند که جهت تعیین خواص مولکولی مورد استفاده قرار میگیرد.
QSPR: Quantitative Structure – Property
QSAR: Structure – Activity Relations
این روابط و وابستگیهایشان ممکن است مطلقاً تجربی باشند، اما آنها موفقیتآمیز خواهند بود بویژه زمانیکه خواص محاسباتی درست انتخاب شده باشد. همچنین خواص اندازهگیری شده میبایستی انتخاب شوند به گونهای که رفتار ماده را نشان دهند و اصول فیزیکی و شیمیایی را نقض نکند. پیشگویی خواص قابل اندازهگیری بسیار سخت است، اما از خواص قابل پیشگویی اندازهگیری میشود شیمی ترکیبات مثال خوبی در این زمینه است، جائیکه، بزرگترین موفقیتها، از درون ساخت کتابخانههایی از مواد انتخابی، بوجود آمده است.
7) آنالیز مسأله:
موفقیت در کاربردهای صنعتی، متکی به شناخت قاطعانه پیامدها یا سؤالات مطرح شده است.
8) زیر ساختهای انسانی:
یک پیامد انسانی کلیدی، داشتن افراد فنی به گونهای که شخصاً یا تحت عنوان دانشگاه هم دارای دانش مدلسازی و هم دارای دانش کاربردهای صنعتی باشند. دقیقاً مهم است که بر محدودة کاربری هر مدل و قابلیتها و توانائیهای آن مدیریت داشته باشیم. ساخت چنین زیرساخت مهمی نیازمند آزمایش و آموزش است.
9) اعتبار بخشی:
اعتبار بخشی معمولاً به آزمایش مدلها در برابر دادههای موجود به منظور تعیین اعتبار آنها یا حدود اعتبار آنها بر میگردد. این عمل ممکن است درک شود یا نادیده گرفته شود اما این بخش اکیداً یک نیاز است.
10) معتبر بودن:
معتبر بودن دارای دو وجه است:
بنیانگذاری آن و پیشگیری از نقایص آن. اعتبار باید صادقانه بوسیله موفقیت ساخته شود. ناتوانی مدلها بدرستی فهمیده شود. شیء گراهای رایانهای یک کلید اساسی در درک ارتباطات نتایج است. اما از سوی دیگر برای مدلسازها ممکن است مخرب باشد. زیرا یک تصویر جذاب می تواند گمراه کننده باشد. نتایج اجتنابناپذیر شکگرایی را تقویت میکند.شخص میبایستی روی مسائل مناسب با ابزارهای درست کار کند.
محدودیتهای این روشها چیست؟
در حالیکه امروزه ابزار مدلسازی در سطح کوانتومی و مقیاس میانی به خوبی توسعه یافتهاند، همچنان محدودیتهایی در این عرصه وجود دارد. برای مثال کاربردهایی در زمینه وسایل الکترونیک مستلزم انجام محاسبات مکانیک کوانتوم برای تعداد اتمهایی بیش از روشهای حاضر میباشد که بیش از توان عملیاتی منابع محاسبهگر فعلی است. همچنین مدلسازی کل وسایل امکانپذیر نیست، بویژه عملکردها و خواص آنها.
فناوری انفورماتیک و فناوری نانو:پیشرفتهایی در مدلسازی مولکولی
مدلسازی مولکولی پایهای است برای ارتباطات، درک و توسعة فناوریهای نو نظیرفناوری نانو.
این روش راههای جدیدی را در فکر کردن و رسیدن به اهداف فناورانه، فراهم میسازد، بنابراین برای توضیح موفقیتآمیز کاربردهای این روش، توضیح جنبههای تکنیکی به تنهائی کافی نیست اهمیت نیروی انسانی متخصص، هدف نهائی هر پروژه، ساختار سازمانی و زیرساختهای محاسباتی در موفقیت این روش اهمیت قابل ملاحظهای دارند.
یافته ها، در چهارچوب «کاربردها» (از جنبة فنی) و« پروسههای مؤثر درکاربرد» ( تمام زیر ساختهای ملزوم) طبقه بندی میشوند.
در مقاله قبلی مروری داشتیم بر قابلیتها و چالشهای دانش انفورماتیک در فناوری نانو. دراین مقاله میکوشیم تا حوزههای تحقیقاتی و صنعتی را ،که مدلسازی مولکولی در آنها، پذیرفته شدهاست ، معرفی کنیم و از این دیدگاه اهمیت و نقش دانش انفورماتیک را در فناوری نانو روشن کنیم.
یافته های اصلی:
الف)کاربردها
(1مدلسازی مولکولی، به عنوان یک ابزار سودمند و کارا در پارهای از صنایع بکار گرفته شده است.
• صنایع داروسازی: بالاترین درصد پذیرش و موفقیت مربوط به این حوزه است.
• شیمی زراعت: مدلسازی و اطلاع گیری در جهت مبارزه با آفات: وضعیتی مشابه با صنایع داروسازی
• ابزارهای ویژة شیمیایی شامل رنگها و رنگ دانهها ، افزودنیهای روغن، ضد خوردگیها، کاتالیستها
• صنعت سوخت – تولید منابع مادر، حمل و نقل و پروسههای حاکم بر آن
• صنعت پلیمر، شیشه و مواد سازهای
• الکترونیک و مواد فتونیک
• گازهای صنعتی
• مراقبتهای فردی و تولیدات غذایی
صنعت نرم افزار سخت افزار
2) این روشها مقبول شدهاند زیرا آنها آزمایش خود را پس دادهاند:
موفقیتهای بزرگ طبیعتاً توجهات بیشتری را جذب میکند، هم توسط شرکتها و هم در عرصة رقابت بین شرکتها.
مطالعات اخیر 3 زمینة بزرگ موفقیت آمیز در زمینة مدلسازی مولکولی را معرفی کرده است:
کشف داروها، توسعة کاتالیستهای هموژن و شیمی حرارت
آنالیز اجزاء سازهای مواد به این روش اثر مؤثری بر فیزیک ماده – چگال گذاشته است.
موفقیت ها همیشه در مسیر قابل پیشبینی نبوده است. ده یا حتی بیست سال پیش، Rational drug design به عنوان آیندة صنعت داروسازی شناخته میشد- در حالیکه، امروزه طراحی و ساخت داروها مبتنی بر «کامپیوتر»، بر مبنای خواص فیزیکی وشیمیایی آنها- که به نام "Docking" نامیده میشود- با در نظر گرفتن اجزاء مولکولی غشاءهای سلولی یا سایر اجزاء وابسته به آنها ( اهداف تحت درمان)، آینده این صنعت را پیشبینی میکند. امروزه تا حدودی به این هدف رسیدهایم و داروهای جدیدی به عرصةتجاری سازی رسیدهاند.
بهرحال، اشتیاق به منظور طراحی داروهای ترکیبی، به نظر میرسد که روش ساخت ترکیبی وزنی را از رونق انداخته است . افق جدید این بود که شیمی ترکیبات، سریعتررشد خواهد کرد و کمتر محدود به تجربه باشد، اما به هر صورت، تلاش در جهت ساخت هر ترکیبی امروزه یک فرآیند مهار کردنی است. واقعیت حاضر، مبتنی بر دانش کامپیوتر محور است کاوشهای عقلانی در حوزة مقدورات داروهای جدید به سرعت جهت شناسائی کتابخانة مولکولهائی که میبایستی بصورت ترکیبی در آزمایش بکار گرفته شوند، اعتبار مییابند، در این نقش و در فرم خالص آن طراحی داروها در حوزه کاندیدادهای مقدور و محدود شده معتبر و اثبات شدهاند.
3) بسیاری از کمپانیها، چنین مدلسازیهایی را به عنوان یک ضرورت می نگرند، در حالیکه برخی هنوز آن را یک وسیلة لوکس میبینند:
در زمینههای موفقیت آمیز بر شمرده شده، هیچیک از شرکتهای فوق حتی فکر نمیکردند که بدون مدلسازی مولکولی بدین پایه از پیشرفت برسند. در سایر زمینهها، مدلسازی یک زمینة فعال در زمینه کاوشهای پژوهشی است یا انتظار میرود که مورد استفاده واقع شود. مدلسازی مولکولی در صنعت نیز جایگاه خود را باز کرده است.
4) نقش پایهای مدلسازی مادهای و مولکولی در صنایع شیمی، سرعت توسعه محصولات و آزمایشهای راهنما را افزایش داده است:
مشارکت فعال مدلسازان در توسعة سریعتر پروسههای تولید، مکرراً به اثبات رسیده است. اثر توانمند، اغلب بسیار مؤثر برای حل مسأله، میزبانان بزرگی را برای مدلسازان مولکولی فراهم آورده است. مزیت عمده این روش در این است که با استفاده از محاسبات نسبتاً ساده تعداد حالات مقدور برای حل یک مسألة واقعی را میتوانیم کم کنیم، چه در مرحلة طراحی و تولید و چه در مراحل توسعه با اتخاذ روشهای دقیق و صحیح اعتبار آزمایشات را تأیید کنیم یا آنها را هدایت کنیم. مدلسازی میتواند انتخابها را هدایت کند و حتی در اغلب موارد میتواند راههای تولید بهتر را جهت آزمایش، شناسائی کند.
در عوض مدل سرویسهای تکنیکی تهیه شده در قالب مدلسازی مولکولی، زمانی که کاملاً با تیمهای آزمایشگاهی و توسعة داخلی، مزدوج نشده است، دارای تجارب ناموفقی بودهاند. از این رو مدلسازی مولکولی، می بایستی در تعامل کامل با پژوهشگران آزمایشگاهی باشد.
5) علم و تکنولوژی گامهای بلندی را در راستای همگرائی موفقیتآمیز برداشتهاند.
سودمندی مهندسی از پیشرفتهای علمی و نیز تشویق علم به رشد و حرکت، از مزایای مشهود همگرائی علم و مهندسی است. یک مثال برگزیده از این تعامل در فضای زمان و مکان، گروههای کوچک اتمی که توسط شیمی کوانتوم قابل تفسیر بودند از حد اتم هیدروژن و مولکول هیدروژن تا حد دامنههای چندین اتمی شبیه سازی شدهاند و پیشرفتهای عمدهای را برای دانشمندان و مهندسان پدید آوردهاند:
• شبیه سازی مولکولی با استفاده از دینامیک مولکولی نیوتونی و روشهای کاتورهای مونت کارلوتغییرات سیستم را پیش گوئی کرده است.
• روشهای شبه تجربی مبتنی بر اوربیتال مولکولی رو به رشد نهادهاند.
• روشهای سلسله مراتبی شیمی کوانتوم که بر آورندة دقت در حوزة زمانی است: شامل روشهای بنیادین گردآوری شده در حوزة « برون یابی» نظیر G1/G2/G3 و CBS و روشهای جایگزینی در حوزة میدان نظیر ONIOM
• تئوری ظرفیت الکترونی کاربردی، در حوزة فیزیک فرموله شده است و به منظور مدلسازی در فیزیک ماده- چگال، بکار گرفته شده است.
• سوای دینامیک مولکولی که مشخصاً شروع می شود با فرمول Car-Parrinello در محاسبات DFT در حال پرواز، سایر روشهای دینامیک مولکولی به سرعت رشد یافتهاند.
• شبیه سازیهای آشیانهای و حوزههای بههم پیوسته نظیر تئوری میدان مؤثر یا تئوری "Norskov" تئوریهای اتمهای الحاقی یا روشهای خوشهای، روشهای اجزاء محدود، دینامیک مولکولی، مکانیک کوانتوم آبراهام وهمکاران، وتئوری Seamless Zooming که در ژاپن به سرعت رشد یافتهاند.
• مدلهای شرایط مرزی تناوبی که اثرات«دوربرد» را مدلسازی میکنند.
کلاس عمومی مدلسازی در حوزة Mesoscale که اغلب با استفاده از معادلات پیوستگی جهت مدلسازی سوپر مولکولی در حوزههای پیوسته صورت میگیردهمزمان با توسعة دانش نانو، مدلسازی مولکولی به عنوان ابزاری منحصر به فرد، مورد توجه واقع شد. نانو بر غنای دانش مدلسازی مولکولی افزوده است و آن را به گونهای جدی متحول کرده است. به همین ترتیب، دانش شیمی ژنتیک( جانشانی ژنهای موجود در ساختار DNA)، نیازمند این است که بدانیم چگونه دانش به درون حوزة پروتئین سازی رسوخ میکند؟(جانشانی پروتئینهای موجود وفعال).
مدلسازی همچنین نقش مهمی در رمز گشائی این پروسهها ایفا میکند واین نکته را کشف خواهد کرد که چگونه یک رشته از آمینو اسیدها میتواند خودش را در هندسة پروتئین بگونهای آرایش دهد که رفتار خاصی را موجب شود. علوم کامپیوتر در این راستا کمکی مؤثر و تحسین برانگیز ایفاء خواهد کرد
6) مدلسازی مولکولی جهت ادغام و تفسیر ابزارهای تحلیلی بکار گرفته خواهد شد.
در پارهای موارد، پیش گوئیها دارای حداقل قطعیت نسبت به اندازهگیریهای کالریمتری است. به گونهای که مؤثراً آنها را عوض میکنند.مدلسازی یک بخش پر اهمیت از طیف سنجی نوری NMR و کریستالوگرافی است . نقش های آتی را در حوزة تفسیر کروماتوگرافی گاز، دایرة رنگی لرزهای و طیف سنج جرمی بازی خواهد کرد.
7) شباهتهائی برجستهای در بخشهای مختلف صنعتی وجود دارد.
مدلسازهای حلالیت و مخلوط کنهای واقعی و مدلهائی که بتواند شیمی را در قالب زیست – شیمی به منظور رفتارشناسی بیولوژیک ترکیب کند، پایهای برای طراحی داروها هستند. اما همچنین پایهای برای مطالعات شیمی زهرشناسی هستند. با پیش گوئی زهرشناسی شیمیایی، میتوان امیدوار بود که تولیداتی طراحی خواهد شد که کارآئی بالاتر با حداقل مخاطره خواهند داشت.
8) نیازهای عمده و مورد نیاز صنعت روشهائی هستند که بزگتر، بهتر و سریعتر، باشند و در دامنة بزرگی معتبر باشند و مشتمل بر تکتیکهای چند مقیاسی باشند:
مدلسازی چند مقیاسی بر پایة مدلهائی ساخته میشود که مبتنی بر حدودی در حوزة زمان واندازه هستند نظیر محاسبات انرژی Single-Point در حوزة گاز ایده آل(ایزوله شده) در صفر درجة کلوین.مدلسازی در حوزه های محدود اغلب با خواص ان در محیطهای پیوسته بوسیله مکانیک آماری ادغام میشود(نظیر ترموشیمی گاز ایده آل)
یک فشار دائمی بر پژوهشگران در راستای توسعه سریعتر و دقیق تر این روشها وجود دارد. در انتها، نیز آزمایش کردن این روشها جهت تعیین اعتبار آنها الزامی است. توجه کنید که اساس این«اعتبار بخشی» بر این مبنا است که اعتبار این روشها را به چه حوزهها و به چه حدهائی میتوان تعمیم داد.
مدلسازی در حوزة نانوساختارها و نانوابزارها:
فناورینانو، فناوری در مقیاس نانو جهت مواد و پرسههای مرتبط با آن است . یک اتم نوعی، دارای قطر واندروالسی، معادل چند دهم نانومتر است. بنابراین مولکولها و ماکرومولکولها در ابعاد نانوئی وکوچکتر هستند. همة برهم کنشها وخواص ماکروسکوپیک ریشه در این مقیاس دارند و بوسیلة مکانیک آماری و فیزیک ماده- چگال این دو فضا به هم مرتبط میشوند. در همان لحظه خواص مکانیکی تحت تأثیر ساختار الکترونی، بر هم کنشهای غیر پیوندی، یا مقیاسهای واسطه نظیر meso، رفتارهای سوپر مولکولها، است . هر یک از این دامنهها دارای تأثیر و وزنی در مدلسازی مولکولی است ومقدوراتی در جهت پیوند میان این فضاهای کاملاً وابسته به هم، در جهت ساخت پازل ماکروئی، رو به رشد نهاده است.
مدلسازی مولکولی و اثر آن بر صنعت( قابلیتها و چالشها)
1. نقش اساسی مدلسازی مولکولی مواد در صنعت، افزایش سرعت توسعه و راهنمائی به سوی آزمایشهای مؤثر است.
2. احیای پروژههای مرده، قابل ارزش است:
نقش مدلسازی مولکولی از منظر سرمایهگذاری کاملاً حائز اهمیت است ساخت کاتالیستهای همگن، تحلیل مکانیزمهای بر هم کنش یا ساخت پلیمرهای ویژه با کاربری خاص از اثرات مدلسازی مولکولی است.
3. ناتوانی در ادغام کامل و به هم وابستة مدلسازی مولکولی با آزمایش، میتواند منجر به تأخیر شود.
4. استفاده از قانون « حق مؤلف» جهت مدلسازان مولکولی، پشتوانهای به سوی توسعة این روشها است.
5. زیر ساختهای محاسباتی، به سمت پروسههای مناسب و حتی برای اغلب، محاسبات سطح بالا، سوق داده شوند
6. حرکت به جلو: مدلسازی مولکولی کلیدی است به منظور مدلسازی فناوریهای حیاتی برای آینده.
برای ابر محاسبات، شبکه سازی سوپر کامپیوترها، میکرو پردازندههای Pc، پایه ای مناسب جهت محاسبات موازی هستند. NASA در 1993 برای نخستین بار با استفاده از پردازندههای مستعمل اقدام به موازی کردن کامپیوتر با استفاده از سیستم عامل LINUX نمود
7. از توسعة نرم افزارها، فقط در راستای توسعة صنعت داروسازی، میبایستی اجتناب نمود.
8. مدلسازان تکنولوژی محور و تکنولوژیستهای درک کنندة مدلسازی مورد نیازند:
مدلسازان خاص و عمومی نیازمند به ترکیبی از کار کارشناسی محض و قضاوت مهندسی میباشند. این ترکیب سادهتر به همگرائی خواهند رسید و به گونهای است که نیاز به این ترکیب همیشه احساس میشود. این نیاز در یک محیط پژوهشی روشنتر میشود بوژه آنکه فشار بازار اقتصادی و رقابت، R&D را وادار به چرخش به این سمت می کند. بسیاری ار پژوهشگاهها، محیط پژوهشیBell Labs را الگو قرار دادهاند. این پژوهشگاه که در آغاز با هدف علوم کاربردی تأسیس شده بود به تدریج به سمت یک محیط ترکیبی از علوم محض و کاربردی سوق پیدا کرد.
مهم است که کارشناسان در یک انستیتوی آموزشی تدریس کنند وهمکاریهای پژوهشی خود را به عنوان بخشی از آموزش علم در نظر بگیرند.
چشم انداز:
نتایج مدلسازی مولکولی یا محاسبات، در بخش شیمی تحلیلی کاملاً جا افتاده است. مدلسازیهای چند مقیاسی نیز با دقت بالاتر ومحاسبات سنگین تر پیگیری می شود.
تئوریهای مولکولی و مدلسازیها، شامل تئوری ساختار الکترونی ومدلسازی به عنوان یک زبان بینالمللی علمی در اغلب شاخه های علوم ومهندسی پذیرفته شده است.
شیمی، فیزیک، بیولوژی بر مبنای مشاهدات، و دستکاریهایی در حوزة انسانی، به مدلسازی مولکلوی وابسته شدهاند. علوم مهندسی این علوم محض را با یکدیگر ترکیب کرده و با ملاحظات اقتصادی و مؤلفه های کمی فیزیک آن را به حوزة تجارت میرسانند.
فیزیک محیطهای پیوسته و تفکر عمیق در طبیعت رفتاری الکترونها در اتم در سالهای 1800 میلادی خبر از توسعة مکانیک آماری و مکانیک محیطهای پیوسته میداد. ظهور دانش شیمی- فیزیک و اساس ساختارهای مولکولی دراواخر 1800 میلادی حاکی از درک پیوندهای شیمیایی میداد که در نهایت در سالهای 1930 توسعه یافت و روشهای شیمی کوانتوم که در سالهای 1950 توسعه یافتند.
مدلسازی مولکولی یک روش مرکزی است که با درک رفتار کوانتائی مواد، حتی از دیدگاه پیشگوئی به موفقیتهائی رسیده است.
توسعة تولیدات و عوض شدن پروسه های ساخت وتولید با ظهور مدلسازی مولکولی واثر آن دستخوش دگرگونی شده است مدلسازی مولکولی می تواند به عنوان یک زیر ساخت نامرئی در توسعة علم و فناوری مورد توجه قرار گیرد.
پیشرفتهائی در قدرت سخت افزاری کامپیوترها، مسبب پیشرفتهائی در نرم افزارهای شبیه سازی شده است که تغییراتی رویایی را در مدلسازی پدید آورده است و بسیاری از مسائل بغرنج را حل کرده است و حتی در نگرشهای بنیادین علوم، تغییراتی را بوجود آورده است.
آیا دانش هوش مصنوعی دنیا را دگرگون خواهد کرد:
ارزش نتایج محاسباتی، سریعاً افزایش خواهد یافت در صورتیکه فوراً گسترش و رشد یابد. اما آنها زمانی گرانبها خواهند شد که معنی این نتایج به سمت مهندسی یا نیازهای توسعه، هدایت شود.
پیشرفتهائی در قدرت محاسباتی، درک و قابلیتهای ما را در کاربردی کردن فیزیک و شیمی محاسباتی توسعه خواهد داد. همانگونه که پیشرفتهائی بزرگ در تکنولوژی اغلب منشعب از نتایج و مشاهدات آزمایشگاهی است، مدلسازی مولکولی با افزایش دقت در حل پیچیدگیهای مدل به گونهای که منجر به نتایج سودمند کاربردی شود، در رشد تکنولوژی مفید است. البته نباید از نظر دور داشت که 90% مسائل در ذهن ساخته و پرداخته میشود وابزارهای محاسباتی تنها راهی برای آزمایش، روشهای مختلف حل هستند.
مدلسازی مؤثر و مدیریت نتایج آن، به برداشت کارشناسی و موفقیت آمیز از کدهای مدلسازی مولکولی وابسته است البته، انتخاب روشهای تئوری بر پایة مجموعة شیمی کوانتوم یا پتانسیلهای بر هم کنشی ( شبیه سازی مولکولی) حداقل نقش و سطح را در تصمیم سازی ایفاد می کنند.
کدام ترکیب برای متعادل کردن زمان و دقت مورد نیاز است؟ بهترین تنظیمات برای بهترین نتایج صنعتی کدامند؟
یک Interface مناسب میتواند در خواستها را ارزیابی کند و پیشنهاداتی را در جهت برآورد زمان محاسبات و سایر منابع مورد نیاز، به استفاده کننده نشان دهد. همچنین با نشان دادن نتایج وتصویر سازی نتایج محاسبه شده راههائی را برای ارزیابی نشان میدهد
منابع :
http://nano.ir/
http://daneshnameh.roshd.ir/ -
www.sharghian.com