aLLoyM: نموذج لغوي كبير لتنبؤ مخططات طور السبائك

تعليم الذكاء الاصطناعي قراءة خرائط المعادن

عندما يصمم المهندسون معادن جديدة لمحركات الطائرات أو البطاريات أو المفاعلات النووية، يعتمدون على خرائط خاصة تُسمى مخططات الطور لتوضيح أي خلطات من العناصر ستكون صلبة أو سائلة أو في حالة وسيطة عند درجات حرارة مختلفة. إن إنتاج هذه الخرائط في المختبر عملية بطيئة ومكلفة. تقدم هذه الدراسة نموذج ذكاء اصطناعي متخصص، aLLoyM، يتعلم قراءة وحتى رسم هذه المخططات، مما قد يسرع البحث عن مواد أفضل وأكثر متانة وكفاءة.

لماذا تهم خرائط الطور للتكنولوجيا اليومية

مخططات الطور تشبه خرائط الطقس للمعادن. بدلاً من التنبؤ بالمطر أو الشمس، تظهر أين ستذوب الخلطات أو تتصلب أو تشكل بنى داخلية مختلفة مع تغير الظروف. هذه التفاصيل هي التي تحدد بهدوء مدى أمان جسر، أو مدى تحمّل شفرة توربين للحرارة، أو مدى استقرار بطارية مع مرور الوقت. لكن رسم كل التراكيب الممكنة للعناصر ودرجات الحرارة يكاد يكون مستحيلًا بالتجارب وحدها، لأن هناك عددًا لا يحصى من الخلطات التي يجب اختبارها وكل اختبار يتطلب تسخينًا وتبريدًا وتحليلاً دقيقًا. هذا الفجوة بين ما نحتاج إلى معرفته وما يمكننا قياسه فعليًا هي حيث يمكن أن يحدث الذكاء الاصطناعي فرقًا حقيقيًا.

إدخال البيانات في نموذج لغوي متخصص

بدلاً من بناء نموذج رياضي ضيق آخر، قام الباحثون بضبط نموذج لغوي كبير — وهو نوع من الذكاء الاصطناعي يُستخدم عادةً للنصوص — على لغة السبائك. استندوا إلى قاعدة بيانات مفتوحة لمخططات طور محسوبة بالحاسوب وحوّلوا 837,475 نقطة بيانات إلى أزواج سؤال وجواب. قد يقول سؤال نموذجي: «فضة 46%، ألومنيوم 54% عند 900 كلفن: ما الأطوار التي تظهر؟» ويكون الجواب قائمة بالأطوار الموجودة. باستخدام تقنية تُدعى التكييف منخفض الرتبة، عدّلوا جزءًا صغيرًا فقط من نموذج Mistral الأساسي حتى يتمكن من التعامل مع ثلاثة أنواع من المهام في آن واحد: التنبؤ بتفاصيل الطور الكاملة، تسمية الأطوار التي تظهر، أو اقتراح تركيب سبيكة ودرجة حرارة تنتج طورًا مرغوبًا.

التحقق مما إذا كان الذكاء الاصطناعي يفهم بالفعل

لرؤية ما إذا كان aLLoyM يتعلم حقًا القواعد وراء مخططات الطور، اختبر الفريق النموذج على أسئلة متعددة الاختيارات وأسئلة حرة (إجابات قصيرة). في مسائل متعددة الاختيارات، كان على النموذج اختيار الإجابة الصحيحة من بين أربع خيارات. النموذج الأساسي الجاهز أدّى بشكل يكاد يكون أفضل قليلاً من التخمين العشوائي. بعد الضبط، قفزت دقة aLLoyM بشكل حاد في جميع المهام ولأجل كل من السبائك البسيطة ذات العنصرين والسبائك الثلاثية الأكثر تعقيدًا. في وضع الإجابة الحرة الأكثر تطلبًا، حيث كان على النموذج توليد نصه الخاص بدلاً من الاختيار من قائمة، لا يزال ينتج أسماء أطوار تطابقت إلى حد كبير مع الصحيحة، حتى لأنظمة السبائك التي لم يرها أثناء التدريب. كان الأداء الأفضل عند الاستقراء من أنظمة مفهومة جيدًا، وانخفض بالنسبة للخلطات التي لها سلوك معقد بشكل خاص في وسط نطاق التركيب — تمامًا كما يجد الخبراء البشريون تلك المناطق صعبة.

تخيّل مواد جديدة تتجاوز تجارب اليوم

بمجرد التدريب، يمكن أن يُطلب من aLLoyM «رسم» مخططات طور لمعادن يصعب أو يستحيل دراستها مباشرة، مثل الخلطات التي تتضمن عناصر مشعة أو ذات عمر قصير جدًا. على سبيل المثال، قدّر النموذج نقاط انصهار وأنواع بنى لخلطات الأكتينيوم واليورانيوم، واقترح مخططات ثلاثية لأنظمة لم تُقاس بعد. بعض هذه التنبؤات اقتربت بشكل مثير للإعجاب من القيم المعروفة؛ وبعضها احتوى على أخطاء، مثل تحديد بنية بلورية مستقرة بشكل خاطئ. لاحظ الباحثون أيضًا أن النموذج اخترع تسميات طور جديدة، مثل مسميات تحتوي على كلمة «WOLF»، وطوروا طرقًا لاختبار مدى موثوقية مثل هذه المفاجآت عبر استقصاء ثقة النموذج الداخلية وكيف تتغير إجاباته تحت إعدادات أخذ عينات مختلفة.

ماذا قد يعني هذا لمواد المستقبل

لغير المتخصص، الرسالة الأساسية هي أن aLLoyM يُظهر كيف يمكن تدريب ذكاء اصطناعي معتمد على النص للتفكير في سلوك المعادن بطريقة تشبه إلى حد كبير طريقة عالم مواد متمرّس، لكن بسرعة أكبر بكثير. لا يزال بعيدًا عن أن يحلّ محل التجارب الدقيقة أو الحسابات الفيزيائية التفصيلية، وما زال بإمكانه ارتكاب أخطاء واثقًا منها. لكن مع نمو بيانات تدريبه وتحسين تقديراته لعدم اليقين وتحسين استدعاءاته (prompts)، قد تساعد نماذج مثل aLLoyM الباحثين على تضييق نطاق وصفات السبائك التي تستحق الاختبار في المختبر. يمكن أن يقصر هذا الإرشاد الطريق الطويل والمكلف من فكرة مادة جديدة إلى منتج عملي، مؤثرًا في تقنيات من محطات طاقة أنظف إلى إلكترونيات استهلاكية تدوم أطول.

الاستشهاد: Oikawa, Y., Deffrennes, G., Shimayoshi, R. et al. aLLoyM: a large language model for alloy phase diagram prediction. npj Comput Mater 12, 97 (2026). https://doi.org/10.1038/s41524-026-01966-6

الكلمات المفتاحية: مخططات طور السبائك, اكتشاف المواد, نماذج لغوية كبيرة, علم المواد الحاسوبي, النمذجة الثرموديناميكية