نموذج أساس فعال من حيث البيانات للمواد المسامية قائم على التعلم الخاضع للإشراف الموجه بخبرة

تعليم الحواسيب قراءة الإسفنج الخاص بالغازات

المواد المسامية تشبه الإسفنجات المجهرية التي تمتص وتفصل وتخزن غازات مثل ثاني أكسيد الكربون والميثان والهيدروجين. وهي حيوية للوقود الأنظف، واحتجاز الكربون، وتصنيع المواد الكيميائية. لكن اكتشاف أي مادة جديدة ستكون الأفضل يتطلب عادة كميات هائلة من المحاكاة والتجارب الدقيقة. تقدم هذه الورقة نموذج SpbNet، نوع جديد من نماذج الذكاء الاصطناعي يتعلم «لغة» هذه المواد الشبيهة بالإسفنج بكفاءة أكبر بكثير، مستفيدًا من معرفة فيزيائية مضمنة بدلاً من الاعتماد على البيانات الخام فقط.

لماذا تهم الإسفنجات الذكية

تنتمي الأطر المعدنية العضوية، والأطر العضوية التساهمية، والبوليمرات المسامية، والزيوليت إلى عائلة من المواد المليئة بثقوب صغيرة مرتبة بانتظام. تعتمد أداؤها على كيف تُشكّل تلك الثقوب وكيف «تشعر» جزيئات الغاز أثناء تحركها خلالها. من حيث المبدأ، يمكن للحواسيب التنبؤ بهذا السلوك، لكن نماذج التعلم الآلي التقليدية تحتاج مجموعات تدريب هائلة تكون مكلفة أو مستحيلة التجميع في علم المواد، حيث الهياكل المقاسة والمحاكاة عالية الجودة محدودة. يعالج SpbNet عنق الزجاجة هذا من خلال نسج قواعد فيزيائية راسخة مباشرة في تدريبه، مما يمكّنه من إنجاز المزيد ببيانات أقل بكثير.

البناء على فيزياء الجذب والتنافر

بدلاً من تزويد النموذج بمواقع الذرات الخام فقط، يشفر المؤلفون كيفية تفاعل جزيء غاز نمطي مع المادة عند العديد من النقاط في الفراغ. ينشئون 20 نمطًا «أساسيًا» تصف قوى مألوفة: تنافر قصير المدى عندما تقترب الذرات كثيرًا وجذب أطول مدى بينها. تُجمع هذه الأنماط في شبكة ثلاثية الأبعاد تمتد عبر مسام المادة، فتلتقط مشهد طاقي غير مرتبط بأي نوع غاز مفرد. جزء من SpbNet، شبكة قائمة على الرسوم البيانية، يدرس ذرات المادة وروابطها، بينما يفحص جزء آخر شبيه بالصورة هذه الشبكة الطاقية. تتيح وحدة الانتباه المتبادل لهذين المسارين التواصل، بحيث يستطيع النموذج ربط أنماط القوى المحلية بأشكال المسام العالمية.

تعلّم الهندسة عبر المقاييس

لتحضير SpbNet لمهام متنوعة، لا يبدأ الفريق بطلب أن يتنبأ مباشرة بمعدل امتصاص الغاز. بدلاً من ذلك، يدربونه أولاً على إتقان أسئلة هندسية يعرف علماء المواد بالفعل كيفية حسابها: مدى عرض أضيق الممرات، وحجم أكبر التجاويف، ومقدار الحجم والمساحة السطحية المتاحة فعليًا لأحجام مجسات مختلفة. على مقياس أدق، يتعلم النموذج عدد الذرات في كل منطقة صغيرة ومدى بعدها عن السطح الصلب. تجبر هذه التمارين الخاضعة للإشراف الشبكة على تطوير خريطة داخلية مفصلة لشكل المسام وترابطها، ما يثبت لاحقًا فائدته في مجموعة واسعة من الخصائص المتعلقة بتخزين الغازات وفصلها وحتى القوة الميكانيكية.

تفوق على نماذج أكبر ببيانات أقل

بعد هذا التدريب، يتم تحسين SpbNet لمهام عملية مثل التنبؤ بكمية ثاني أكسيد الكربون أو الميثان التي ستمتصها المادة، ومدى فعالية فصلها لمخاليط الغازات، وكيفية انتشار الغازات خلالها. عبر أكثر من 50 معيار تقييم، يقدم SpbNet تنبؤات أدق باستمرار من النماذج السابقة المتقدمة، بما في ذلك نماذج تم تدريبها على ما يقرب من عشرين ضعف عدد المواد. كما يعمم النموذج بشكل مفاجئ: على الرغم من أنه تدرّب مسبقًا على فئة واحدة فقط من البلورات المسامية (الأطر المعدنية العضوية)، فإنه ينتقل بفعالية إلى مواد ذات صلة لكنها مميزة مثل الأطر العضوية التساهمية، وشبكات البوليمر المسامية، والزيوليت، مع تقليل كبير للأخطاء في حالات عديدة.

نظرة داخل منطق النموذج

لفهم سبب فاعلية هذه الاستراتيجية، يفحص المؤلفون الأعمال الداخلية لـ SpbNet. يكتشفون أن الجمع بين الأهداف الهندسية العالمية والمهام المحلية المتعلقة بالسطح يشجع النموذج على الاحتفاظ بمعلومات غنية ومحددة محليًا أثناء تدفق الإشارات عبر طبقاته العديدة، بدلًا من تسويتها إلى متوسط باهت. يؤدي حذف أجزاء من هذا التدريب الموجه بالفيزياء أو التخلص من الوصفيات القائمة على الطاقة إلى تدهور ملموس في التنبؤات، لا سيما للمهام التي تعتمد على تأثيرات الحجم والشكل الدقيقة، مثل التمييز بين غازات تختلف فقط بفوارق طفيفة في الحجم.

ما الذي يعنيه هذا لاكتشاف المواد في المستقبل

بعبارات بسيطة، يوضح SpbNet أنه يمكنك تدريب نموذج قوي ومرن للمواد المسامية دون إغراقه بالبيانات، طالما أنك تشفر بعناية ما تخبرنا به الفيزياء بالفعل. من خلال تعليم الشبكة أن تفهم أولاً هندسة المسام وأنماط التفاعل العامة، يبني المؤلفون أساسًا يدعم تنبؤات دقيقة وفعالة من حيث البيانات للعديد من الأهداف المحددة. قد تسرع هذه المقاربة اكتشاف مواد أفضل لاحتجاز غازات الاحتباس الحراري، وتنقية المواد الكيميائية، وتخزين الوقود النظيف، كما تقدم مخططًا لكيفية تصميم نماذج فعالة مماثلة في مجالات علمية تعاني من ندرة البيانات.

الاستشهاد: Zou, J., Lv, Z., Tan, W. et al. A data-efficient foundation model for porous materials based on expert-guided supervised learning. Nat Commun 17, 2618 (2026). https://doi.org/10.1038/s41467-026-69245-y

الكلمات المفتاحية: المواد المسامية, الأطر المعدنية العضوية, التعلم الآلي, امتصاص الغازات, نماذج الأساس