نموذج تعلم آلي متسق حراريًا للطاقة الحرة الإضافية (Gibbs)

لماذا هذا مهم للكيمياء اليومية

تعتمد الحياة الحديثة على خلطات السوائل، من الوقود والمواد المبردة إلى الأدوية والمذيبات الخضراء. يتطلب تصميم هذه الخلطات بأمان وكفاءة معرفة كيفية تفاعل جزيئاتها. ومع ذلك، فإن قياس تلك التفاعلات لكل تركيبة ممكنة أمر مستحيل. يعرض هذا المقال أداة جديدة للتعلم الآلي تسمى HANNA، تتعلّم سلوك خلطات السوائل مباشرة من البيانات مع احترامها لقوانين الترموديناميكا الأساسية. وتعد بتقديم تنبؤات أسرع وأوسع وأكثر موثوقية لإرشاد تصميم العمليات الكيميائية واكتشاف المواد.

الطاقة الخفية التي تشكل خلطات السوائل

عندما تُخلط سوائل مختلفة، تجذب جزيئاتها أو تطرد بعضها البعض بطرق قد تكون دقيقة جدًا. تُلتقط هذه التأثيرات في كمية تسمى «الطاقة الحرة الزائدة لجبس»، التي تخبرنا بمدى انحراف الخليط عن السلوك المثالي. من هذه الدالة الواحدة يمكن للمهندسين اشتقاق خواص رئيسية مثل معاملات الفعالية، التي تحدد بدورها ما إذا كان الخليط سيشكل طورًا سائلًا واحدًا أم ينقسم إلى طورين، وما إذا كانت البخار والسائل يتعايشان، وكيف توزع المركبات بينهما. للأسف، لا يمكن قياس الطاقة الحرة الزائدة مباشرة؛ بل يجب استنتاجها من تجارب مرهقة على توازن البخار–السائل وتوازن السائل–السائل أو من تأثيرات الحرارة، ولم تُدرس سوى نسبة صغيرة جدًا من جميع الخلطات الممكنة.

حدود أدوات التنبؤ التقليدية

لطالما اعتمد المهندسون على نماذج مثل NRTL وUNIQUAC وعائلة UNIFAC لتقدير سلوك الخلطات. تقرّب هذه الطرق التفاعلات عبر معلمات تتم ملاءمتها للبيانات التجريبية، غالبًا على أساس ثنائي. وعلى الرغم من قوتها، لديها قيود مهمة: للتنبؤ بخليط جديد، عادة ما تحتاج إلى معلمات لكل نظام ثنائي يظهر ضمنه، وقد لا تكون هذه المعلمات متوفرة للمركبات الجديدة. حتى الأساليب القائمة على المجموعات مثل UNIFAC، التي تفكك الجزيئات إلى لبنات بناء، تظل مقيدة بفهرس ثابت من المجموعات وقد تجد صعوبة مع أنواع معقدة مثل السوائل الأيونية. علاوة على ذلك، يكافح العديد من النماذج التقليدية لوصف كل من توازن البخار–السائل وتوازن السائل–السائل بدقة باستخدام مجموعة معلمات واحدة.

شبكة عصبية تلتزم بالقوانين الفيزيائية

تعالج HANNA هذه التحديات بدمج الشبكات العصبية الحديثة مع قواعد ترموديناميكية مدمجة صلبًا. كمدخلات، تحتاج فقط إلى تراكيب الجزيئات للمكونات (مشفرة كسلاسل SMILES)، ودرجة الحرارة، وتركيب الخليط. يحوّل نموذج لغة كيميائية (ChemBERTa-2) أولاً كل جزيء إلى بصمة رقمية. تدخل هذه البصمات إلى بنية شبكة متخصصة مبنية للالتزام بمتطلبات الاتساق الرئيسية: فهي تحترم علاقة Gibbs–Duhem، وتتصرف بشكل صحيح عندما يصبح أحد المكونات نقيًا أو مخففًا إلى ما لا نهاية، وتعطي نفس الإجابة بغض النظر عن ترتيب المكونات. من هذه القيود، تتنبأ HANNA بالطاقة الحرة الزائدة لكل زوج ثنائي في الخليط ثم تستخدم مخطط إسقاط هندسي لتمديد تلك التنبؤات إلى خلطات متعددة المكونات، دون إدخال معلمات ملاءمة إضافية.

التدريب على بيانات حقيقية، ليس مجرد معادلات

لجعل HANNA مفيدة على نطاق واسع، دربها المؤلفون على قاعدة بيانات تجريبية كبيرة ومتنوّعة بشكل استثنائي. تشمل هذه البيانات توازنات بخار–سائل مع تراكيب طورية كاملة، وبيانات بخار–سائل بضغط كلي فقط، وانقسامات طور سائل–سائل، ومعاملات الفعالية عند التخفيف اللانهائي، والحرارات الزائدة، وتغطي أكثر من 800,000 نقطة بيانات وأكثر من 4,000 مركب مميز، بما في ذلك السوائل الأيونية وأنواع صعبة أخرى. من الابتكارات الرئيسية مُحاكي معادل (surrogate solver) يقلّد خوارزمية ترموديناميكية قوية لاكتشاف وتحديد مواقع انقسامات السائل–سائل. هذا المحاكي قابل للاشتقاق، لذا يمكن تدريب HANNA “من الطرف إلى الطرف” مقابل تراكيب الأطوار المقاسة دون اللجوء إلى حسابات تكرارية بطيئة داخل حلقة التعلم. وتشجع مصطلحات خسارة إضافية HANNA على التعرف على الانحناء المرتبط بفصل الأطوار وعلى إنتاج تنبؤات ناعمة تتصرف بعقلانية حتى خارج نطاق التدريب.

كيف يقارن النموذج الجديد

بعد التدريب، اختُبرت HANNA فقط على أنظمة أُبقيت خارج مجموعة التدريب، وقورنت أداؤها مع نماذج كلاسيكية ورقِيّة رائدة. بالنسبة للخلطات الثنائية، تنبأت باستمرار بمعاملات الفعالية وتراكيب الأطوار والحرارات الزائدة بدقة أكبر من طريقة UNIFAC المعدلة (دورتموند) المستخدمة على نطاق واسع، كما حدّدت فجوات قابلية الاختلاط السائل–السائل بشكل أكثر موثوقية. بالنسبة للخلطات الثلاثية وحتى الرباعية، التي لم ترها أثناء التدريب، ظلت HANNA قادرة أو متفوقة، رغم اعتمادها حصريًا على بيانات ثنائية بالإضافة إلى الإسقاط الهندسي. كما تفوّقت على عدة شبكات عصبية حديثة مبنية على الرسوم البيانية والتي كانت إما تفتقر إلى اتساق ترموديناميكي صارم أو كانت محدودة لظروف خاصة مثل درجة حرارة الغرفة أو التخفيف اللانهائي.

ماذا يعني هذا للعلم والصناعة

بالنسبة لغير المتخصص، الرسالة الأساسية هي أن HANNA تعمل كـ «عراف» ذا معرفة واسعة ومؤسس فيزيائيًا لخلطات السوائل. بمعرفة الصيغ الكيميائية فقط، يمكنها التنبؤ بما إذا كان سائلان أو أكثر سيخلطان، أو سيفصلان إلى طبقات، أو سيشكلان سلوك طور معقّد، وتفعل ذلك عبر نطاق واسع من الدرجات الحرارية. والأهم أنها تفعل ذلك مع احترام قواعد الترموديناميكا الأساسية، مما يقلل من خطر النتائج غير الفيزيائية التي قد تصيب نماذج التعلم الآلي غير المقيدة. وبما أن النموذج الكامل والرمز البرمجي منشوران علنًا ومتاحة عبر واجهة ويب، يمكن للمهندسين البدء في استخدام HANNA مباشرة في محاكاة العمليات واختيار المذيبات. ومع إن إشارات المؤلفين لقيود متبقية — مثل عدم اختبار الأداء عند درجات حرارة بعيدة عن نطاق التدريب وللمواد الكهربائية القوية — فإن العمل يمثل خطوة مهمة نحو تصميم العمليات الكيميائية مستندًا إلى البيانات ومتسقًا ترموديناميكيًا.

الاستشهاد: Hoffmann, M., Specht, T., Göttl, Q. et al. Thermodynamically consistent machine learning model for excess Gibbs energy. Nat Commun 17, 3485 (2026). https://doi.org/10.1038/s41467-026-71430-y

الكلمات المفتاحية: خليط سوائل, الترموديناميكا, التعلم الآلي, الطاقة الحرة الزائدة لـ Gibbs, توازن الطور