چکیده: یادگیری ماشین در عصر حاضر از اهمیت ویژه‌ای برخوردار شده و کاربردهای متعددی یافته است. این شاخه از هوش مصنوعی، که در مراحل اولیه توسعه قرار دارد نقش مهمی در پیشرفت فناوری‌های نوین ایفا می‌کند. ترابرد در محیط‌های بی‌نظم، که به‌لحاظ نظری و عملی در حوزه الکترونیک مواد آلی دارای اهمیت بالایی است، یکی از زمینه‌های نوین کاربرد یادگیری ماشین محسوب می‌شود. این پژوهش به مدل‌سازی فرآیندهای ترابرد بار و انرژی در مواد بی‌نظم می‌پردازد و الگوریتمی مبتنی بر یادگیری ماشین ارائه می‌دهد که در درک بهتر این فرآیندها مؤثر است. در این راستا، با بهره‌گیری از شبکه عصبی عمیق ویژگی‌های ترابرد به صورت دقیق تحلیل شده است. اثربخشی این روش با تأیید مفاهیم مربوط به انرژی ترابرد و قابلیت کاهش ابعاد داده‌ها نشان داده شده است. در این تحقیق، از یک شبکه عصبی عمیق و معماری رمزگذار-رمزگشای وردشی برای تحلیل دقیق ویژگی‌های ترابرد بهره‌مند شده‌ایم. هدف اصلی این پژوهش، توسعه یک مدل جهت پیش‌بینی رفتار ترابرد در مواد بی‌نظم با استفاده از یادگیری عمیق و بدون نیاز به شبیه‌سازی مونت‌کارلوی جنبشی بوده است. بدین منظور، ابتدا از طریق انجام شبیه‌سازی‌های مونت‌کارلو، داده‌های یادگیری جمع‌آوری شد و به عنوان ورودی به شبکه رمزگذار-رمزگشا وارد گردید. با این روش، ویژگی‌های مهم ترابرد استخراج و تحلیل شد. معماری پیشنهادی در این پژوهش قادر است به صورت خودکار ویژگی‌های کلیدی داده‌ها را شناسایی کرده و آنان را به فضای کم‌بعدتری تبدیل نماید که این قابلیت، کاهش ابعاد داده‌ها و تسهیل تحلیل‌های بعدی را ممکن می‌سازد. علاوه بر این، شبکه آموزش‌دیده می‌تواند به عنوان جایگزینی برای شبیه‌سازی مونت‌کارلو در نظر گرفته شود، که این امر مشکلات مربوط به زمان‌بر بودن و پیچیدگی محاسبات شبیه‌سازی‌های سنتی را مرتفع می‌سازد. بر این اساس امید می رود شبکه و مفاهیم ارائه‌شده در این پژوهش، ابزارهای مؤثری برای تحقیقات آینده در حوزه یادگیری عمیق و درک بهتر فرآیندهای ترابرد در مواد بی‌نظم به دست دهد.