التعلّم التبايني المعزَّز بالانتباه لاكتشاف زجاجيات معدنية صلبة جداً متعددة المكوّنات موجّهة فيزيائياً

لماذا تهم الزجاجيات المعدنية الأشد صلابة

العديد من الأجهزة التي نعتمد عليها، من حسّاسات صغيرة إلى قطع آلات مقاومة للتآكل، تقيدها مدى سرعة خدش أو تشوّه أسطحها. فئة خاصة من المواد تُسمى الزجاجيات المعدنية يمكن أن تكون قوية جداً ومقاومة للتآكل، ولكن إيجاد الوصفة المناسبة بين آلاف التركيبات المعدنية الممكنة بطيء ومكلف. تُظهر هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي أن يتنقل عبر تلك المساحة الضخمة للبحث لاقتراح زجاجيات معدنية ليست مستقرة فحسب، بل شديدة الصلابة أيضاً.

معادن تتصرّف كسوائل مجمّدة

الزجاجيات المعدنية هي معادن تبرد بسرعة كبيرة بحيث لا يتاح لذراتها الوقت لتتراص في نمط منتظم كما في البلورات العادية. بدلاً من ذلك تتجمد في بنية غير مرتبة تشبه الزجاج. هذا النقص في عيوب البلورة يجعلها قوية جداً، لكنه يعني أيضاً أن مناطق صغيرة داخل المادة تُسمى مناطق التحوّل بالقص تتحكم في كيفية تدفقها تحت الإجهاد. تغييرات بسيطة في التركيب الكيميائي يمكن أن تغيّر بشكل كبير مدى سهولة تنشيط هذه المناطق، وبالتالي مدى صلابة أو لينة المادة. ولأن كل سبيكة قد تحتوي على عناصر متعددة، فإن تجربة جميع الخلطات الممكنة في المختبر تكاد تكون مستحيلة عملياً.

تعليم شبكة عصبية قواعد السبائك القاسية

لمواجهة هذا التحدّي، بنى المؤلفون إطار عمل ذكاء اصطناعي اسمه VIBANN يتعلم من قاعدة بيانات مُنقّاة لتركيبات الزجاجيات المعدنية السميكة، والأحمال المستخدمة للضغط عليها، وقياسات الصلابة. بدلاً من معاملة كل مكوّن على أنه ذو وزن متساوٍ، يستخدم النموذج آلية انتباه لتركيز أكبر على العناصر التي تهمّ أكثر في الصلابة. ثم يضغط كل هذه المعلومات إلى «فضاء كامن» منخفض الأبعاد لا يزال يحتفظ بالعوامل الفيزيائية الرئيسية التي تتحكم في الأداء. يسمح هذا الخريطة المضغوطة للنموذج ليس فقط بالتنبؤ بالصلابة للسبائك المعروفة، بل أيضاً باستكشاف تركيبات جديدة بطريقة مضبوطة، مع تقدير درجة عدم اليقين الخاصة به.

التنقل في خريطة تصميم مخفية

في الفضاء الكامن المتعلّم، تتجمع السبائك التي تشترك في هياكل وصلابة مماثلة معاً، مكوِّنة مناطق سلسة يمكن عبورها مثل منظر طبيعي. قام الباحثون بملاءمة نموذج إحصائي لهذه الخريطة لتحديد مناطق حيث تكون البيانات موثوقة ومعقولة كيميائياً. ثم استخدموا بحثاً من خطوتين: أولاً مرحلة أخذ عينات تقترح العديد من نقاط المرشّحين الواعدة في الفضاء الكامن مع انحياز نحو الصلابة العالية لكن عدم يقين منخفض؛ ثانياً مرحلة تنقيح تدفع النقاط المختارة صعوداً نحو صلابة أعلى باستخدام تحسين قائم على التدرّج. يتم فك ترميز كل نقطة مرة أخرى إلى تركيب سبيكة حقيقي يراعي قيوداً كيميائية أساسية، مثل جمع كل الكسور لتساوي 100 بالمئة.

من اقتراحات الحاسوب إلى قضبان حقيقية

اقترح الذكاء الاصطناعي خمس وصفات سبائكية متقاربة غنية بالبورون ومعادن مقاومة للحرارة مثل النيوبיום والتنجستن. صهرت الفريق وصَبّ هذه السبائك في قضبان بسماكة 2 مليمتر بواسطة السحب بالتفريغ وتأكدوا، باستخدام الأشعة السينية والمجهر الإلكتروني، من أنها تشكّل زجاجاً معدنياً غير متبلور بالكامل. عند اختبارها بقياسات الصلابة مايكرو فيكرز عبر مدى من الأحمال، أظهرت كل السبائك الخمس صلابة عالية جداً، حيث بلغ أحد التركيبات نحو 2450 HV، وهو مستوى يقارن ببعض السيراميك ويُعد من أعلى القيم المبلغ عنها للزجاجيات المعدنية السميكة. تبعت القيم المقاسة تنبؤات الذكاء الاصطناعي عن كثب، بما في ذلك كيفية تغير الصلابة مع الحمل بعد تصحيحات دقيقة لحشد المواد حول الغرز.

ما الذي يجعل هذه الزجاجيات مقاومة جداً

لفهم سبب صلابة السبائك المصممة، جمع المؤلفون بين تشتّت الأشعة السينية عالية الطاقة والمحاكاة الذرية. وجدوا أن السبائك الأعلى أداءً تشترك في عدة خصائص: تعبئة ذرية شديدة الكثافة، ونسبة عالية من البيئات المتمركزة حول البورون مع جيران كثيرين، وزخارف محلية تشبه الأيكوساهيدرون ومجموعات مكتظة أخرى. تترك هذه السمات مساحة حرة ضئيلة لتحرّك الذرات وتجعل امتداد أشرطة القص أصعب تحت الحمل. التغيّرات الطفيفة في التركيب التي تقلّل هذه التعبئة الكثيفة تؤدي إلى انخفاض ملحوظ في الصلابة، حتى عندما يبدو مزيج العناصر العام متشابهاً.

كيف يغيّر هذا الأسلوب اكتشاف المواد

بشكل عام، تُظهر الدراسة أن نموذج ذكاء اصطناعي مصمّم ليكون مطّلعاً فيزيائياً وواعٍ بعدم اليقين يمكنه التحرك أبعد من تنبؤ الخصائص البسيط إلى اقتراح والتحقق من مواد جديدة بنشاط. من خلال إظهار أن السبائك المقترحة قابلة للتحقيق تجريبياً، وتبقى زجاجية بالكامل في شكل كتل، وتبلغ مستويات صلابة استثنائية، توضح هذه العمل كيف يمكن للتعلّم القائم على الانتباه والتعلّم التبايني تحويل بيانات متناثرة ونادرة إلى خريطة عملية لتصميم سبائك مستهدفة.

الاستشهاد: Bajpai, A., Wang, J., Ratzker, B. et al. Attention-enhanced variational learning for physically informed discovery of exceptionally hard multicomponent bulk metallic glasses. Nat Commun 17, 4266 (2026). https://doi.org/10.1038/s41467-026-73008-0

الكلمات المفتاحية: الزجاج المعدني, تصميم السبائك, التعلّم الآلي, اكتشاف المواد, الصلابة