اكتشاف متسارع للبِركوفَسكايت الفائق المربعية ذي الاستقطاب الهائل عبر التعلم الآلي

لماذا يهم البحث عن هذه البلورات الجديدة

من شرائح الذاكرة الأسرع إلى خلايا شمسية أكثر كفاءة وأجهزة استشعار تلتقط أخف لمسة، تعتمد العديد من التقنيات الناشئة على فئة خاصة من المواد تُدعى المواد الفيروألكتريكية، التي تحمل استقطابًا كهربائيًا داخليًا مدمجًا. كلما كان هذا الاصطفاف الكهربائي الداخلي أقوى وأكثر استقرارًا، أصبحت الأجهزة أكثر قدرة وتنوعًا. تُظهر هذه الدراسة كيف أن الجمع بين التعلم الآلي والمحاكاة الكمّية يمكن أن يكشف سريعًا عن بلورات فيروألكتريكية جديدة ذات استقطاب استثنائي لم تُعرف سابقًا، مما قد يختصر سنوات من التجارب المعملية القائمة على التجربة والخطأ إلى بحث رقمي موجه.

تمديد البلورات لتعزيز القدرة الكهربائية

تشارك العديد من أفضل المواد الفيروألكتريكية إطارًا بلوريًا شائعًا يعرف ببنية البيركوفسكايت، حيث تجلس الذرات عند الزوايا والوجوه ومركز مكعب متكرر. عندما يُشدَّ هذا المكعب بحيث يصبح ارتفاعه أكبر بكثير من عرضه، تتحول البنية إلى ما يسميه العلماء «فائقة المربعية» ويمكن أن ينمو الاستقطاب الكهربائي الداخلي بشكل كبير. للأسف، مثل هذه الأشكال القصوى عادة ما يصعب تثبيتها وغالبًا ما تتطلب شروط نمو أغشية رقيقة خاصة أو ضغطًا عاليًا أو شوائب. سعى المؤلفون إلى إيجاد بيركوفسكايتات جديدة تعتمد طبيعيًا هذا الشكل المشدود بشدة بينما تظل مستقرة في درجة حرارة الغرفة العادية، مما يجعل استخدامها أسهل بكثير في الأجهزة العملية.

تعليم الحاسوب التعرف على الوصفات الواعدة

بدلاً من اختبار آلاف التركيبات الكيميائية واحدة تلو الأخرى، درَّب الفريق نموذج تعلم آلي للتعرف على توليفات العناصر التي من المرجح أن تنتج بلورة مشدودة بشدة. بدأوا بـ95 بيركوفسكايت معروفة ووصفوا كل واحد بمجموعة مضغوطة من عشرة مقاييس أساسية، مثل مدى جذب الذرات للإلكترونات، وحجم الأيونات، ومقاييس هندسية بسيطة تلتقط مدى توافق الوحدات البنائية معًا. كانت مهمة النموذج التنبؤ بما إذا كانت نسبة الارتفاع إلى العرض لمادة معينة تتجاوز عتبة رئيسية تشير إلى الحالة الفائقة المربعية. بعد مقارنة عدة خوارزميات، وجدوا أن طريقة تُدعى مصنف Extra Trees يمكنها التمييز تمامًا بين البنى المشدودة والطبيعية في بيانات الاختبار، مما منحهم الثقة لتطبيقها على مجموعة أكبر بكثير من المرشحين.

تضييق آلاف المرشحين إلى قلة مختارة

مسلحين بهذا المرشح الرقمي، استكشف الباحثون فضاء تصميم مكوَّن من 2021 بيركوفسكايت ممكنة مبنية من اختيارات مختلفة لأيونات موجبة وسالبة الشحنة. صنَّف نموذج التعلم الآلي في البداية 130 من هذه كمرجحة لأن تكون مشدودة بشدة. ثم طبّق الفريق قواعد هيكلية بسيطة إضافية، مستندة إلى حدود معروفة للاستقرار الهندسي، لاستبعاد البلورات التي من المحتمل أن تنهار أو تشوه إلى أشكال أخرى. خفَّضت هذه الخطوة القائمة إلى 56 بيركوفسكايت أكسيديًا جديدًا ذا أشكال واعدة. لهؤلاء، أجروا محاكاة كمّية مفصلة لتأكيد الهياكل البلورية، وفحصوا الترتيبات المغناطيسية المختلفة حيثما ينطبق، وحسبوا كيف تتحرك الذرات عند استقطاب المادة، وهو عنصر أساسي لتقدير الاستجابة الكهربائية.

ثمانية مواد بارزة وما يميزها

أدى خط الفحص والمحاكاة المشترك في نهاية المطاف إلى ثمانية أكاسيد بيركوفسكايت واعدة بشكل خاص، ومعظمها لم يُبلَّغ عنه سابقًا في هذا الشكل. كلها تظهر قيم استقطاب تلقائي كبيرة جدًا، تقارن أو تتجاوز تلك الخاصة بالمواد الفيروألكتريكية المعروفة جيدًا، ومع ذلك يُتوقَّع أن تكون مستقرة عند درجة حرارة الغرفة دون خطوات معالجة غريبة. يبرز مركبان، قائمان على تركيبتين سترونتيوم–رصاص ويوروبيم–قصدير، لأن فجواتهما الإلكترونية تقع قرب النطاق المثالي لتحويل الضوء إلى كهرباء، مما يوحي بإمكانية استخدامها كأساس لخلايا شمسية فيروألكتريكية كفؤة. اثنان آخران، يتضمنان قصدير–حديد وكالسيوم–طنطال، يُتوقَّع أن يكونا قطبيين كهربائيًا ومعدنيين في الوقت نفسه، وهو مزيج غير اعتيادي قد يفتح أبوابًا في إلكترونيات الدوران والتقنيات الفائقة التوصيل. من خلال تحليل كيفية ارتباط واصفات بسيطة مثل حجم الأيون والكهركهربة بالتمدد البلوري والاستقطاب، يستخلص المؤلفون أيضًا قواعد تصميم عملية لاختيار توليفات العناصر التي من المرجح أن تنتج مواد فيروألكتريكية قوية.

ما يعنيه هذا لتصميم المواد المستقبلية

بالمختصر، توضح هذه الدراسة أن نموذج تعلم آلي مدرَّب بعناية، مسترشد بحدس كيميائي أساسي ومتحقق منه بحسابات كمّية صارمة، يمكنه التنقل بكفاءة عبر المشهد الواسع للتراكيب المحتملة للبيركوفسكايت. البلورات الثماني المبرزة ليست مجرد فضول نظري: إذ يُتوقَّع أن تكون مستقرة بنيويًا وكيميائيًا، وشديدة الاستقطاب، وفي بعض الحالات مناسبة للتطبيقات الفوتوفولطية أو الإلكترونية. والأهم من ذلك، توضح الدراسة أي الصفات العنصرية تميل إلى إنتاج هياكل مشدودة بشدة وقوية الاستقطاب، محولةً البحث عن فيروألكتريكات متقدمة إلى مسعى أكثر قابلية للتنبؤ والقائم على قواعد. قد يسرع هذا النهج اكتشاف العديد من المواد الوظيفية الأخرى، مساعدًا على تحويل البيانات والخوارزميات إلى تقدم ملموس في الإلكترونيات وتقنيات الطاقة.

الاستشهاد: Hu, W., Wu, Z., Li, M. et al. Accelerated discovery of supertetragonal perovskites with giant polarization via machine learning. npj Comput Mater 12, 103 (2026). https://doi.org/10.1038/s41524-026-01970-w

الكلمات المفتاحية: بيروإلكتريك بيركوفسكايت, اكتشاف المواد بالتعلم الآلي, أكاسيد فائقة المربعية, معادن قطبية, خلايا ضوئية فروإلكتريكية