تطوير سير عمل مُسرَّع بالذكاء الاصطناعي لاكتشاف الموصلات الفائقة

لماذا يهم العثور على موصلات فائقة أفضل

الموصلات الفائقة مواد استثنائية قادرة على توصيل الكهرباء بدون مقاومة، ما يعني عدم فقدان طاقة على شكل حرارة. إنها تشغّل بالفعل تقنيات مثل أجهزة التصوير بالرنين المغناطيسي ومسرّعات الجسيمات، وقد تمكّن في المستقبل شبكات طاقة فائقة الكفاءة وقطارات معلّقة. لكن اكتشاف موصلات فائقة جديدة كان بطيئًا ومكلفًا، لأنه عادةً يتطلب تجارب دقيقة أو حسابات كمومية مكثفة لكل مادة مرشّحة. تصف هذه المقالة سير عمل جديدًا يعتمد على الذكاء الاصطناعي يسرّع تلك العملية بشكل جذري وقد أدّى بالفعل إلى اكتشاف وتأكيد تجريبي لمادتين فائقتي الموصلية جديدتين.

اختصار ذكي عبر ملايين الاحتمالات

حدد الباحثون عنق زجاجة رئيسي في اكتشاف الموصلات الفائقة: حساب كيف تتفاعل الإلكترونات مع اهتزازات شبكية البلورة، وهي كمية تتطلب عادةً قدرة حوسبة هائلة. بدلًا من إجراء هذه الحسابات من الصفر لكل مادة، درّبوا نظام ذكاء اصطناعي قويًا يدعى BEE-NET على تعلّم هذا السلوك من نحو 7000 مثال محسوب بعناية. يأخذ BEE-NET معلومات عن ترتيب الذرات في البلورة، وفي نسخة واحدة أيضًا طيف الاهتزازات، ثم يتنبأ بـ «بصمة» مفصّلة لكيفية اقتران الإلكترونات بالاهتزازات. من هذه البصمة يمكن للنموذج تقدير درجة الحرارة الحرجة — النقطة التي تصبح عندها المادة فائقة التوصيل — بمتوسط خطأ يقل عن درجة كلفن واحدة مقارنةً بالحسابات الكمومية الكاملة.

تعليم الذكاء الاصطناعي أن يقول "لا" بثقة

ميزة مهمة في هذا النهج أن الذكاء الاصطناعي لا يُدرَّب على تخمين درجة الانتقال مباشرةً فحسب، بل على إعادة بناء الطيف الكامل لتفاعلات الإلكترون–الاهتزاز. هذا الوصف الأغنى يسمح للنموذج بمعاملة المواد الموصلة فوق الحرارية وغير الموصلة على قدم المساواة، ويتبين أنه جيد جدًا في استبعاد المرشحين السيئين. في الاختبارات، حدّد BEE-NET المواد غير فائقة التوصيل (تلك ذات درجات انتقال أقل من 5 كلفن) بشكل صحيح أكثر من 99 بالمئة من الوقت. إن معدل «السلبي الحقيقي» المرتفع هذا حاسم عند فحص فضاءات مواد شاسعة، لأنه يتجنب إهدار حسابات مكلفة على مواد من شبه المؤكد أنها غير مفيدة.

من ملايين المرشحين إلى بضع مئات فائزي الاختيار

مزوّدين بهذا الذكاء الاصطناعي، بنى الفريق خط اكتشاف متعدد المراحل مُسرَّع بالذكاء الاصطناعي. انطلقوا من مصدرين رئيسيين: مركبات معدنية معروفة مدرجة في قواعد بيانات مواد كبيرة على الإنترنت، وأكثر من مليون مادة افتراضية جديدة نُشِئت عن طريق استبدال عناصر كيميائية بطريقة منهجية في هياكل بلورية معروفة. ثم مرّ هؤلاء المرشحون الخام بسلسلة من المرشحات. نماذج تعلّم آلي أخرى تحقّقت بسرعة مما إذا كانت المادة مرجّحة لأن تكون موصلة ومستقرة ديناميكيًا وثرموديناميكيًا. قدّم BEE-NET تقديرًا أوليًا سريعًا لدرجة الانتقال الفائق، مستبعدًا المواد المتوقّع أن تقل عن 5 كلفن. فقط الناجون عُرِضوا بعد ذلك لحسابات كمومية أكثر تفصيلًا، بما في ذلك اختبارات الاستقرار المبنية على اهتزازات الشبكة. إجمالًا، تم تضييق أكثر من 1.3 مليون بنية مبدئية إلى 741 مركبًا معدنيًا مستقرًا ديناميكيًا وثرموديناميكيًا مع درجات حرجة مؤكدة كاملة فوق 5 كلفن، من بينها 69 ذات قيم متوقعة تتجاوز 20 كلفن.

تحويل التنبؤات إلى موصلات فائقة حقيقية

لإثبات أن سير العمل يولِّد مواد حقيقية، وليس أرقامًا واعدة فقط، اختار الباحثون مرشحَين جذابين للاختبار التجريبي. كلاهما مشتقّ من موصل فائق معروف منخفض الحرارة، Be₂Nb₃، عن طريق استبدال جزئي لعنصر النيوبيوم (Nb) بالهافنيوم (Hf) في مواقع محددة داخل البنية البلورية. بعد تصنيع المركبين المقترحين Be₂Hf₂Nb وBe₂HfNb₂ في المختبر وتحليل هياكلهما البلورية بعناية، قاس الفريق مقاومتهما الكهربائية وسعتهما الحرارية عند درجات حرارة منخفضة. أظهرت المادتان انتقالات فائقة التوصيل واضحة، مؤكدةً التنبؤات الموجهة بالذكاء الاصطناعي، رغم أن درجاتهما الحرجة النهائية خرجت أقل قليلًا من أكثر التقديرات النظرية تفاؤلًا بسبب الاضطراب البنيوي والشوائب.

ماذا يعني هذا لمستقبل المواد

تُظهر الدراسة أن الجمع بين التعلّم الآلي المتقدّم والحسابات الكمومية والتجارب الموجّهة يمكن أن يحوّل اكتشاف الموصلات الفائقة من عملية تجريبية إلى بحث منهجي. يستطيع BEE-NET وسير العمل المصاحب مسح ملايين المواد المحتملة في وقت معقول، وتسليط الضوء على بضع مئات الأكثر وعدًا، وتوجيه التجريبيين نحو مركبات مستقرة ومن المرجّح أن تكون فائقة التوصيل. بينما تركز النماذج الحالية على فئة معينة من الموصلات الفائقة ونطاقات درجات حرارة متوسطة، يمكن توسيع الاستراتيجية نفسها لتشمل شروط ضغط وأُسر مواد أخرى. على المدى الطويل، قد تكشف خطوط أنابيب مدفوعة بالذكاء الاصطناعي عن موصلات فائقة تعمل عند درجات حرارة أعلى بكثير وبأشكال أكثر عملية، فاتحة الباب أمام شبكات طاقة أكثر كفاءة، وإلكترونيات أسرع، وتقنيات مغناطيسية جديدة.

الاستشهاد: Gibson, J.B., Hire, A.C., Prakash, P. et al. Developing a complete AI-accelerated workflow for superconductor discovery. npj Comput Mater 12, 95 (2026). https://doi.org/10.1038/s41524-026-01964-8

الكلمات المفتاحية: الموصلات الفائقة, التعلّم الآلي, اكتشاف المواد, شبكات الرسوم العصبية, الفرز عالي الإنتاجية