تاکید تهران و اسلام‌آباد بر توسعه تبادل دانشجو، پژوهشگر و بورس‌های تحصیلی

به گزارش گروه دانشگاه خبرگزاری دانشجو به نقل از معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست جمهوری، افشین در حاشیه بازدید از بیست‌وششمین نمایشگاه بین‌المللی صنعت ساختمان، با تشریح پارادایم جدید معاونت علمی و حرکت از فناوری و نوآوری به سمت ایجاد قابلیت‌های پایدار و تکرارپذیر، اظهار کرد: یکی از برنامه‌هایی که معاونت علمی در آغاز این مسیر دنبال کرده، طرح هاتف است.

وی با بیان اینکه معاونت علمی در رویکرد جدید خود به دنبال تبدیل ایده به بازار و هدایت زنجیره‌های شکل‌گیری فناوری است، افزود: در معاونت علمی دنبال این هستیم که ایده را به بازار تبدیل کنیم و در این میان زنجیره‌ها را هدایت کنیم. برای حوزه‌های نوظهوری که ممکن است به دلیل نبود بازار شکل‌گرفته، سرمایه‌گذاری کافی روی آنها وجود نداشته باشد، طرحی هدایتگر با عنوان هاتف تعریف شده است.

معاون علمی، فناوری و اقتصاد دانش‌بنیان رئیس‌جمهور ادامه داد: در قالب این طرح، حوزه‌هایی که دانش و ظرفیت فناورانه آنها در دانشگاه وجود دارد، شناسایی می‌شوند و تلاش می‌کنیم هسته‌های پژوهشی فعال در این حوزه‌ها را به شرکت‌های فناور تبدیل کنیم. این شرکت‌های فناور نیز در ادامه، در پارک‌های علم و فناوری و با استفاده از ظرفیت‌های حمایتی، مسیر تبدیل شدن به شرکت‌های دانش‌بنیان را طی خواهند کرد.

افشین با تأکید بر اینکه طرح هاتف با هدف ایجاد یک زنجیره پیوسته از ایده تا بازار طراحی شده است، گفت: ما یک زنجیره تعریف کرده‌ایم که به ما اجازه می‌دهد ایده‌ای را که یک نخبه، عضو هیئت علمی، دانشگاهی یا یک جوان متخصص و صاحب ایده دارد، در یک مسیر مشخص به محصول برسانیم.

وی با اشاره به اینکه رسیدن به محصول پایان مسیر توسعه فناوری نیست، تصریح کرد: وقتی ایده به محصول رسید، آیا کار پایان پیدا کرده است؟ خیر. تا اینجا فناوری اتفاق افتاده است، اما ما دنبال نوآوری هستیم. نوآوری یعنی فناوری بتواند خلق اثر کند؛ یعنی یک اثر اقتصادی، اجتماعی و اقتداری داشته باشد؛ بنابراین وقتی از نوآوری صحبت می‌کنیم، منظور این است که فناوری را به یک اثر مؤثر تبدیل کنیم.

رئیس بنیاد ملی نخبگان، در ادامه با تأکید بر ضرورت عبور از مفهوم نوآوری و رسیدن به قابلیت، اظهار کرد: آیا ایجاد اثر اقتصادی و اجتماعی کافی است؟ پاسخ امروز به این پرسش «نه» است و به همین دلیل است که بر قابلیت تأکید دارم و معتقدم نوآوری باید به «قابلیت» تبدیل شود.

افشین، قابلیت را به معنای تکرارپذیری موفقیت‌ها دانست و افزود: قابلیت یعنی بتوانید یک موفقیتی را که به دست آورده‌اید، تکرار کنید. ما امروز دنبال این هستیم که از فناوری و نوآوری عبور کرده و به قابلیت برسیم؛ قابلیتی که بتواند در مقیاس ملی ایجاد شود، استمرار پیدا کند و به‌صورت پایدار توسعه یابد.

توسعه «هوش مصنوعی» در مسیر ایجاد قابلیت دانش‌بنیان

افشین، یکی از مهم‌ترین قابلیت‌های مورد نیاز کشور را در شرایط کنونی، هوش مصنوعی دانست و گفت: یکی از قابلیت‌هایی که باید به آن برسیم، هوش مصنوعی است. اما هوش مصنوعی را نباید صرفاً به شکل یک محصول منفرد دید.

وی ادامه داد: برای مثال، اینکه بگوییم با استفاده از هوش مصنوعی توانسته‌ایم داده‌های ساختمانی را بخوانیم، سامانه‌ای طراحی کرده‌ایم که آموزش می‌بیند، فرمان صادر می‌کند و یک مسئله مشخص را حل می‌کند، به معنای پایان مسیر نیست. ما دنبال این هستیم که هوش مصنوعی در کشور به یک قابلیت تبدیل شود.

معاون علمی رئیس‌جمهور با اشاره به فعالیت ستاد توسعه فناوری و کاربرد‌های هوش مصنوعی اظهار کرد: فرآیند هوش مصنوعی در کشور در قالب ستاد مربوطه، به‌صورت منظم و با حضور معاون اول رئیس‌جمهور دنبال می‌شود و همین هفته نیز هشتمین جلسه این ستاد برگزار شد. هدف ما این است که هوش مصنوعی را از سطح محصولات و کاربرد‌های منفرد عبور داده و به یک قابلیت ملی تبدیل کنیم.

افشین در تشریح الزامات ایجاد چنین قابلیتی گفت: باید ببینیم فرایند ایجاد قابلیت اجرایی چیست و ضمانت اجرایی آن چگونه شکل می‌گیرد. بر اساس اصولی که در دنیا نیز دنبال می‌شود، ما در برخی حوزه‌ها باید تسهیلگر باشیم، در برخی حوزه‌ها تنظیم‌گر باشیم و زیرساخت‌های لازم را آماده کنیم. در کنار این موارد، باید آزمایشگاه‌های صحت‌سنجی و سندباکس نیز داشته باشیم.

وی افزود: اگر سندباکس و زیرساخت‌های صحت‌سنجی وجود نداشته باشد، ممکن است کد‌هایی وارد فرآیند شوند که فریب‌دهنده باشند یا نتوانند عملکرد مورد انتظار را ارائه دهند؛ بنابراین ایجاد این زیرساخت‌ها بخشی از مسیر رسیدن به قابلیت ملی در حوزه‌های فناورانه است.

معاون علمی، فناوری و اقتصاد دانش‌بنیان رئیس‌جمهور با اشاره به توسعه زیرساخت‌های پردازش هوش مصنوعی در کشور طی سال‌های اخیر اظهار کرد: ما فکر می‌کنیم در یک بازه زمانی حدود سه سال می‌توانیم مسیر ایجاد قابلیت‌های جدی در این حوزه را دنبال کنیم. باید توجه داشت که تا دو سال پیش، زیرساخت پردازش هوش مصنوعی در کشور به این شکل وجود نداشت، اما در همین فاصله کوتاه، زیرساخت بسیار خوبی در کشور آماده شده و در حال افزایش نرخ رشد آن هستیم.

وی ادامه داد: امروز جایگاه کشور از نظر علمی مناسب است و امیدواریم در حوزه کاربردپذیری نیز بتوانیم این جایگاه را به شکل محسوسی ارتقا دهیم. در سال جاری نیز در شاخص‌های مرتبط با کاربردپذیری، بهبود قابل توجهی داشته‌ایم.

افشین با اشاره به فاصله میان تولید علم و کاربردی‌سازی فناوری گفت: البته فاصله میان جایگاه علمی و کاربردپذیری ما همچنان زیاد است، اما این فاصله در حال کاهش است. باید توجه داشت که کار علمی و کاربردی، به‌ویژه در حوزه‌های نوظهور، الزاماً زودبازده نیست.

وی برای تبیین این رویکرد افزود: برخی از این فعالیت‌ها شبیه درخت گردو هستند؛ وقتی یک درخت گردو می‌کارید، در سال اول و دوم محصول نمی‌دهد، اما در مقابل، محصول و دوام آن می‌تواند ماندگار باشد. ما نیز به دنبال کار‌های نمایشی و فعالیت‌های سطحی نیستیم؛ به دنبال مسیر‌هایی اصیل، پیوسته و منسجم هستیم که بتوانند اثرگذاری طولانی‌مدت ایجاد کنند.

معاون علمی رئیس‌جمهور با تأکید بر پرهیز از رویکرد‌های نمایشی در توسعه فناوری تصریح کرد: ما دنبال جرقه‌های کوتاه‌مدت و محصولاتی که صرفاً برای مدت کوتاهی مطرح شوند نیستیم؛ بلکه می‌خواهیم یک مسیر روشن و پایدار ایجاد کنیم. هدف این است که زنجیره‌ای شکل بگیرد که از ایده و دانش آغاز شود، به فناوری و نوآوری برسد و در نهایت به قابلیت و اثر اقتصادی، اجتماعی و اقتداری تبدیل شود.

وی با اشاره به تغییر رویکرد رسمی معاونت علمی اظهار کرد: در پارادایم جدیدی که معاونت علمی از مردادماه به‌صورت رسمی اعلام کرده است، ما به سمت پارادایم قدرت‌بنیان حرکت می‌کنیم. در این پارادایم، قابلیت به‌عنوان یکی از پارامتر‌های اصلی مورد توجه قرار می‌گیرد.

افشین ادامه داد: وقتی با یک شرکت دانش‌بنیان صحبت می‌کنم، تأکید می‌کنم شرکتی که نتواند دانش خود را به‌صورت مستمر تکثیر و به‌روزرسانی کند، دیگر با الزامات این پارادایم همخوان نیست. فناوری دائماً در حال تغییر است و نمی‌توان صرفاً به موفقیت‌های گذشته تکیه کرد.

وی افزود: به همین دلیل، ما به‌عنوان هدایتگر باید به شرکت دانش‌بنیان بگوییم که حمایت‌های ما از یک محصول یا فناوری، مادام‌العمر نیست. ممکن است یک فناوری پنج سال پیش، فناوری درخشان و شایسته حمایت بوده باشد و یک شرکت را به یک شرکت دانش‌بنیان تبدیل کرده باشد، اما امروز همان فناوری ممکن است دیگر فناوری جدید و رقابت‌پذیری محسوب نشود.

معاون علمی، فناوری و اقتصاد دانش‌بنیان رئیس‌جمهور تأکید کرد: این ادبیات را در حال جاری کردن در اکوسیستم فناوری و نوآوری کشور هستیم؛ چراکه هدف ما صرفاً افزایش تعداد شرکت‌ها یا محصولات نیست، بلکه ایجاد شرکت‌ها و فناوری‌هایی است که بتوانند به‌صورت مستمر دانش خود را به‌روز کنند، تکثیر کنند و قابلیت‌های جدید ایجاد کنند.

وی با اشاره به نقش اجزای مختلف زیست‌بوم در تحقق این رویکرد گفت: این مسیر بدون همکاری اجزای اکوسیستم امکان‌پذیر نیست و باید با کمک شرکت‌های دانش‌بنیان، استادان دانشگاه، پارک‌های علم و فناوری، مراکز نوآوری، کارخانه‌های نوآوری، رسانه و نظام آموزشی کشور دنبال شود.

افشین نقش نظام آموزشی را در شکل‌گیری فرهنگ نوآوری و دانش‌بنیان از سنین پایین مهم دانست و گفت: اگر به دنبال کشوری هستیم که بخواهد در علم و فناوری قدرتمند شود، باید آموزش در مدارس نیز متفاوت شود. خلاقیت و فرایند دانش‌بنیانی باید از کودکی در جامعه نهادینه شود.

وی خاطرنشان کرد: مسیر قدرت‌بنیان شدن کشور، مسیری یکپارچه است که از مدرسه و پرورش خلاقیت آغاز می‌شود، در دانشگاه با تولید دانش و شکل‌گیری هسته‌های پژوهشی ادامه پیدا می‌کند، از طریق طرح‌هایی مانند هاتف به سمت شرکت‌های فناور و دانش‌بنیان هدایت می‌شود، با توسعه فناوری و نوآوری به محصول و اثر می‌رسد و در نهایت با ایجاد قابلیت‌های تکرارپذیر، به قدرت اقتصادی، اجتماعی و اقتداری کشور تبدیل می‌شود.

معاون علمی رئیس‌جمهور در پایان تأکید کرد: هدف نهایی این مسیر، ایجاد جرقه‌های کوتاه‌مدت یا صرفاً تولید محصول نیست؛ بلکه ایجاد یک مسیر روشن، اصیل، پیوسته و منسجم برای تبدیل ایده و دانش به فناوری، فناوری به نوآوری، نوآوری به قابلیت و قابلیت به قدرت ملی است؛ مسیری که طرح هاتف یکی از حلقه‌های مهم آن برای هدایت ظرفیت‌های دانشگاهی و پژوهشی به سمت بازار و اقتصاد دانش‌بنیان به شمار می‌رود.

به گزارش گروه دانشگاه خبرگزاری دانشجو، علی تقوی، دانشجوی شیمی تجزیه به سرپرستی دکتر حسن سرشتی، استاد دانشکدگان علوم با ساخت یک غشای کامپوزیتی نانوفیبری دولایه نامتقارن (جانوس) مغناطیسی، موفق به ارائه روشی کارآمد و دوستدار محیط زیست برای اندازه‌گیری ترکیبات سمی بنزن، تولوئن، اتیل‌بنزن و ایزومر‌های زایلن (BTEX) در نمونه‌های شهری شده‌اند.

دکتر سرشتی با اعلام این خبر گفت: «این روش نوین که مبتنی بر میکرواستخراج فاز جامد با غشاء (M-SPME) است، با بهره‌گیری از شاخص‌های ارزیابی سبز (AGREEprep) و کاربردی (BAGI) تأیید کرده که می‌تواند جایگزین مناسبی برای روش‌های قبلی باشد».

وی افزود: «ترکیبات آروماتیک فرّار مانند BTEX از جمله آلاینده‌های مهم زیست‌محیطی به شمار می‌روند که به دلیل سمیت بالا و حضور گسترده در هوا، آب و خاک، همواره نگرانی‌های جدی برای سلامت عمومی ایجاد کرده‌اند».

استاد دانشکدگان علوم تاکید کرد: «در تازه‌ترین تلاش علمی برای مقابله با این چالش، آزمایشگاه تحقیقاتی شیمی تجزیه موفق به طراحی و ساخت یک غشای نانوفیبری هوشمند با ساختار نامتقارن «جانوس» شده که به طور ویژه برای استخراج و پیش تغلیظ این آلاینده‌ها پیش از آنالیز با دستگاه کروماتوگرافی گازی-طیف‌سنجی جرمی (GC- MS) بکار می‌رود. این غشای نوآورانه از یک لایه از جنس الیاف پلی‌آمید تقویت شده با سلولز میکروکریستالی و هیدروکسید دوگانه لایه‌ای نیکل-آلومینیوم تشکیل شده که بر روی بستری از نانوالیاف پلی‌اورتان تقویت شده با نانولوله‌های کربنی به وسیله تکنیک الکتروریسی (Electrospinning) نشانده شده است».

وی گفت: «ساختار این غشا با استفاده از تصاویر میکروسکوپ الکترونی (FE-SEM)، طیف‌سنجی مادون قرمز (FT-IR)، پراش اشعه ایکس (XRD) و آنالیز جذب-واجذب نیتروژن، تأیید شده است و نتایج آزمون‌های اعتبارسنجی نشان داد که این روش در محدوده غلظتی ۱۰ تا ۱۰۰۰۰ میکروگرم بر لیتر پاسخ خطی دارد و قادر است آلاینده‌ها را در سطوح غلظتی بسیار پایین (حد تشخیص بین ۰.۰۹ تا ۰.۴۵ میکروگرم بر لیتر) اندازه‌گیری کند».

تکرارپذیری روش (با انحراف استاندارد نسبی ۲.۵ تا ۷ درصد) و فاکتور‌های غنی‌سازی بین ۱۴.۸ تا ۲۳.۸، نشان از کارایی بالای این سامانه دارد.

از مهمترین دستاورد‌های این پژوهش، عملکرد موفق غشا در نمونه‌های حقیقی جمع‌آوری‌شده از هوای شهری، آب‌های سطحی و خاک است که بازیابی قابل‌قبول را برای تمامی ترکیبات هدف به همراه داشت. افزون بر این، غشا پس از ۷ چرخه استفاده متوالی، بیش از ۹۰٪ کارایی اولیه خود را حفظ کرد که گواهی بر پایداری مکانیکی و شیمیایی مناسب آن است.

به این ترتیب، غشای نانوفیبری جانوس مغناطیسی نه تنها از نظر تحلیلی برتر از بسیاری روش‌های سنتی عمل می‌کند، بلکه از منظر زیست‌محیطی و اقتصادی نیز گزینه‌ای پایدار و منطبق با نیاز‌های روز آزمایشگاهی محسوب می‌شود.

https://www.sciencedirect.com/science/article/abs/pii/S۰۰۳۹۹۱۴۰۲۶۰۱۰۱۴۳

به گزارش گروه دانشگاه خبرگزاری دانشجو؛ از ستاد ویژه توسعه فناوری نانو، پژوهشگران آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده آمریکا (Argonne National Laboratory) با توسعه یک ابزار جدید مبتنی بر یادگیری ماشین، گام مهمی در جهت تغییر شیوه انجام آزمایش‌های مواد در مقیاس نانومتری برداشته‌اند.

این ابزار که «دونات» (DONUT) نام دارد، می‌تواند داده‌های پیچیده حاصل از آزمایش‌های پراش پرتو ایکس را تقریباً در لحظه تحلیل کند؛ قابلیتی که به دانشمندان اجازه می‌دهد به‌جای هفته‌ها یا ماه‌ها انتظار برای دریافت نتایج، در همان زمان انجام آزمایش درباره ادامه مسیر پژوهش تصمیم بگیرند.

این فناوری در منبع فوتونی پیشرفته (Advanced Photon Source) یا APS، یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا، توسعه و آزمایش شده است. «دونات» با ارائه نتایج در زمان واقعی، نه‌تنها سرعت پژوهش‌های علمی را افزایش می‌دهد، بلکه امکان اصلاح و تنظیم آزمایش‌ها در حین اجرا را نیز فراهم می‌کند.

به این ترتیب، پژوهشگر می‌تواند متوجه شود آزمایش به نتیجه مطلوب نزدیک شده یا نیاز دارد مسیر دیگری را دنبال کند؛ اتفاقی که در روش‌های سنتی معمولاً پس از پایان آزمایش و طی فرایند طولانی تحلیل داده مشخص می‌شود.

نام DONUT مخفف عبارت «Diffraction with Optics for Nanobeam by Unsupervised Training» است و به یک شبکه عصبی آگاه از فیزیک اشاره دارد. ویژگی مهم این سامانه آن است که صرفاً بر اساس الگو‌های آماری داده‌ها آموزش نمی‌بیند، بلکه قوانین فیزیکی حاکم بر برهم‌کنش پرتو‌های ایکس متمرکز با مواد را نیز در فرایند تحلیل در نظر می‌گیرد.

این فناوری با استفاده از داده‌های خط پرتو «نانومسبار پرتو ایکس سخت» (Hard X-ray Nanoprobe) که به‌صورت مشترک در اختیار منبع فوتونی پیشرفته و مرکز مواد نانومقیاس (Center for Nanoscale Materials) قرار دارد، توسعه یافته است. مرکز مواد نانومقیاس نیز یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا در آزمایشگاه ملی آرگون است.

«دونات» برای تفسیر سریع تصاویر پیچیده‌ای طراحی شده است که در روش «میکروسکوپی نانودیفراکشن پرتو ایکس پیمایشی» (Scanning X-ray Nanodiffraction Microscopy یا SXDM) تولید می‌شوند. این روش با استفاده از یک پرتو بسیار متمرکز پرتو ایکس، سطح نمونه را پیمایش می‌کند و اطلاعات ارزشمندی درباره ساختار بلوری مواد در اختیار پژوهشگران قرار می‌دهد.

چنین اطلاعاتی برای درک رفتار موادی که در فناوری‌هایی مانند باتری‌ها، کاتالیست‌ها، تجهیزات الکترونیکی پیشرفته و ادوات مغناطیسی مورد استفاده قرار می‌گیرند، اهمیت زیادی دارد.

با وجود قدرت بالای SXDM، داده‌های تولیدشده در این روش بسیار پیچیده‌اند و چندین لایه و بُعد اطلاعاتی را در خود جای می‌دهند. همین مسئله تحلیل و تفسیر آنها را به کاری زمان‌بر و دشوار تبدیل کرده است.

تا پیش از این، پژوهشگران در بسیاری از موارد مجبور بودند الگو‌های پراش پرتو ایکس اندازه‌گیری‌شده را به‌صورت دستی با الگو‌های شبیه‌سازی‌شده مقایسه کنند تا بتوانند ساختار و ویژگی‌های ماده را تشخیص دهند. این فرایند علاوه بر زمان‌بر بودن، احتمال بروز خطای انسانی را نیز افزایش می‌داد.

«دونات» با ترکیب هوش مصنوعی و یک مدل فیزیکی داخلی، رویکرد متفاوتی را ارائه می‌کند. این سامانه می‌تواند مستقیماً از داده‌های تجربی جمع‌آوری‌شده یاد بگیرد و برای آموزش به مجموعه‌داده‌هایی نیاز نداشته باشد که از پیش توسط متخصصان برچسب‌گذاری شده‌اند. در روش‌های متداول، متخصص باید هر الگوی پرتو ایکس را با پاسخ درست تطبیق دهد یا داده‌های مناسب را با شبیه‌سازی تولید کند تا الگوریتم بتواند از آنها بیاموزد. حذف یا کاهش این مرحله، مزیت مهمی برای پژوهشگرانی محسوب می‌شود که در تأسیسات تحقیقاتی پرتراکم مانند APS فعالیت می‌کنند.

آیلین لو، دانشمند محاسباتی دستیار در آزمایشگاه آرگون و دانشگاه کرنل، درباره این فناوری می‌گوید «دونات» به دانشمندان اجازه می‌دهد هم‌زمان با پیشرفت آزمایش، آنچه را درون ماده اتفاق می‌افتد مشاهده کنند. به گفته او، در گذشته ممکن بود پژوهشگر هفته‌ها منتظر بماند تا مشخص شود آزمایش موفق بوده است یا خیر، اما اکنون می‌توان پاسخ را تقریباً در همان لحظه دریافت کرد. نتیجه چنین تغییری، آزمایش‌های پربازده‌تر و فرصت‌های بیشتر برای کشف پدیده‌های جدید خواهد بود.

متئو چروکارا، دانشمند محاسباتی و سرپرست گروه در آزمایشگاه آرگون نیز بر انعطاف‌پذیری این سامانه تأکید کرده است. به گفته او، پژوهشگران می‌توانند «دونات» را با داده‌هایی که در ابتدای آزمایش جمع‌آوری می‌کنند آموزش دهند و حتی در طول آزمایش مشخص کنند که سامانه باید چه کمیتی را پیش‌بینی کند. به بیان ساده‌تر، هوش مصنوعی می‌تواند خود را با پرسش علمی جدیدی که پژوهشگر در جریان آزمایش مطرح می‌کند، تطبیق دهد.

سرعت و دقت «دونات» همچنین زمینه را برای شکل‌گیری نسل جدیدی از آزمایش‌های موسوم به «پژوهش خودران» یا «آزمایش‌های خودران» فراهم می‌کند. در چنین رویکردی، هوش مصنوعی می‌تواند بر اساس نتایج تازه به‌دست‌آمده، مرحله بعدی آزمایش را پیشنهاد یا حتی به‌صورت خودکار انتخاب کند.

این قابلیت به‌ویژه برای آزمایش‌هایی اهمیت دارد که در شرایط واقعی انجام می‌شوند و ویژگی‌های ماده در طول زمان تغییر می‌کند. در چنین شرایطی، تصمیم‌گیری سریع می‌تواند تفاوت میان یک آزمایش موفق و ساعت‌ها جمع‌آوری داده کم‌فایده باشد؛ بشر بالاخره پذیرفته است که لازم نیست همیشه بعد از تمام شدن کار بفهمد چه اشتباهی کرده است.

این فناوری همچنین می‌تواند ورود کاربران جدید به تأسیسات تحقیقاتی APS و مرکز مواد نانومقیاس را آسان‌تر کند. دانشجویان تحصیلات تکمیلی و پژوهشگران مهمان دیگر الزاماً برای شروع کار به مجموعه‌های بزرگی از داده‌های برچسب‌گذاری‌شده یا تخصص عمیق در تفسیر همه انواع داده‌های تولیدشده نیاز نخواهند داشت. در روش سنتی، تهیه چنین داده‌هایی مستلزم زمان و دانش تخصصی قابل‌توجهی است؛ زیرا متخصصان باید هر مجموعه داده را با دقت تحلیل یا شبیه‌سازی کرده و پاسخ صحیح را برای آن تعیین کنند.

اهمیت این قابلیت با ارتقای منبع فوتونی پیشرفته بیشتر می‌شود. نسخه ارتقایافته APS قادر است پرتو‌های ایکس پرشدت‌تری تولید کند و داده‌ها را با سرعت بسیار بالاتری نسبت به گذشته جمع‌آوری کند. بنابراین، سرعت تحلیل داده نیز باید هم‌پای سرعت تولید آن افزایش یابد. «دونات» می‌تواند این شکاف را کاهش دهد و به پژوهشگران اجازه دهد هم‌زمان با تولید داده، آنها را تحلیل کرده و درباره ادامه آزمایش تصمیم بگیرند.

پژوهشگران در گام بعدی قصد دارند دامنه استفاده از «دونات» را از تحلیل بلادرنگ داده‌ها به سمت خودکارسازی آزمایش‌ها گسترش دهند. یکی از مسیر‌های مورد بررسی، توسعه نسخه‌های جدید این فناوری برای میکروسکوپی خودران است؛ رویکردی که در آن ابزار‌های هوش مصنوعی می‌توانند بخشی از مراحل آزمایش را بدون نیاز به دخالت دائمی انسان هدایت کنند.

گروه پژوهشی همچنین در حال بررسی این موضوع است که آیا رویکرد «آگاه از فیزیک» به‌کاررفته در «دونات» می‌تواند برای سایر روش‌های تصویربرداری پیشرفته نیز مورد استفاده قرار گیرد یا خیر؛ روش‌هایی که آنها نیز حجم عظیمی از داده‌های پیچیده تولید می‌کنند و تحلیل آنها به ابزار‌های محاسباتی پیشرفته نیاز دارد.

پژوهشگران معتقدند چارچوب آموزشی مبتنی بر فیزیک این سامانه می‌تواند در طرح‌های بزرگ‌تر وزارت انرژی آمریکا، از جمله «ماموریت جنسیس» (Genesis Mission)، نیز نقش داشته باشد. این طرح ملی با هدف افزایش بهره‌وری علمی و سرعت‌بخشیدن به نوآوری از طریق استفاده گسترده از هوش مصنوعی در زیرساخت‌های علمی نسل آینده دنبال می‌شود.

«دونات» می‌تواند یکی از پایه‌های پروژه‌های مرتبط با منابع نور و نوترون در این طرح باشد و به پژوهشگران رشته‌های مختلف کمک کند پرسش‌های علمی جدیدی را با سرعت بیشتری بررسی کنند.

نتایج این پژوهش در نشریه «npj Computational Materials» منتشر شده است. تائو ژو، مینگ دو و مارتین هولت از آزمایشگاه ملی آرگون و آندری زینگر از دانشگاه کرنل نیز در انجام این مطالعه مشارکت داشته‌اند. این پژوهش با حمایت دفتر علوم وزارت انرژی آمریکا، برنامه‌های «پژوهش پیشرفته محاسبات علمی» و «علوم پایه انرژی» و همچنین دفتر توسعه نیروی انسانی برای معلمان و دانشمندان این وزارتخانه انجام شده است.

در این میان، نام «دونات» نیز عمداً با حال‌وهوایی غیررسمی انتخاب شده است و پژوهشگران در پایان گزارش خود با شوخی نوشته‌اند که در جریان انجام این پژوهش هیچ دوناتی آسیب ندیده است؛ هرچند نتایج به‌دست‌آمده احتمالاً اشتهای دانشمندان برای کشف‌های تازه را حسابی بیشتر خواهد کرد.