تدفق عمل آلي مدعوم بقدرات تعلم آلي ذاتي التحسين لتصميم مواد أنظمة معقدة عالية الكفاءة

بحث أذكى عن مواد جديدة

تصميم مواد جديدة يشبه إلى حد ما البحث عن إبرة في كومة تبن شبه لانهائية. من بطاريات أفضل وحواسيب أسرع إلى ليزرات أكثر كفاءة وإمكانيات مواد فائقة التوصيل عند درجة حرارة الغرفة، تعتمد العديد من تقنيات المستقبل على اكتشاف الترتيبات الذرية المناسبة تمامًا. يعرض هذا البحث طريقة تجعل الذكاء الاصطناعي يقوم بمعظم هذا البحث تلقائيًا، مما يقلص بشكل كبير الوقت والتكلفة اللازمين للعثور على مركبات واعدة.

لماذا لغز المواد صعب جدًا

تحدد خصائص المادة الصلبة—مثل مدى توصيلها للكهرباء، صلابتها، وكيفية استجابتها للضوء—كيفية ترتيب ذراتها في أنماط ثلاثية الأبعاد تُسمى البُنى البلورية. نظريًا، يمكن استخدام ميكانيكا الكم لحساب أي الترتيبات مستقرة وما ستكون عليه خصائصها. عمليًا، هذه الحسابات الكمومية مرهقة جدًا لدرجة أن جزءًا ضئيلًا فقط من جميع المواد الممكنة يمكن فحصه. يتصاعد التحدي بسرعة عندما يشارك أكثر من عنصرين كيميائيين، لأن عدد التراكيبات والترتيبات الذرية يتفجر، ما يجعل البحث العشوائي مستحيلًا.

سماح نموذج تعلّمي أن يحلّ محلّ فيزياء الكم

لمعالجة هذه المشكلة، بنى المؤلفون نموذجًا للتعلم الآلي يمكنه تقليد نتائج الحسابات الكمومية المكلفة بتكلفة صغيرة جدًا. يسميان نموذجهما شبكة عصبية مرتبطة بالانتباه (ACNN)، ويتعلم كيف تعتمد طاقة المادة على مواقع وأنواع ذراتها. بمجرد تدريبه، يمكنه بسرعة كبيرة تقدير ما إذا كانت البنية البلورية المقترحة مرجح أن تكون مستقرة أم لا، وما هي القوى المؤثرة على كل ذرة. والأهم أن التصميم يحترم متطلبات فيزيائية أساسية، مثل أن إزاحة أو تدوير البلورة بأكملها لا ينبغي أن تغير طاقتها الكلية.

حلقة اكتشاف مواد تتحسّن ذاتيًا

بدلًا من تدريب النموذج مرة واحدة والافتراض بأنه سينجح في كل مكان، يضع المؤلفون النموذج داخل حلقة ذاتية التحسين. تبدأ العملية بمجموعة صغيرة من البُنى البلورية العشوائية، التي تُقيّم بحسابات كمية كاملة وتستخدم لتدريب ACNN ابتدائي. ثم يُستخدم هذا النموذج لإرخاء ملايين البُنى التجريبية بسرعة، ما يكتشف بسرعة قيعان طاقة محلية—وهي مرشحات لطوريات مستقرة أو شبه مستقرة. يميّز سير العمل تلقائيًا نوعين من البُنى القيّمة بشكل خاص: تلك التي تبدو مستقرة للغاية وتلك التي تبدو غير فيزيائية أو مريبة. تُعاد هذه الحالات المحددة فقط إلى محلل الكم المكلف، وتُستخدم النتائج الجديدة لإعادة تدريب النموذج. عبر العديد من الجولات، يصبح النموذج أدق تدريجيًا في مناطق فضاء البُنى الأكثر أهمية.

تطبيق الطريقة على الاختبار

يطبق الفريق نهجه على نظامين صعبين. الأول خليط عالي الضغط من المغنيسيوم والكالسيوم والهيدروجين، مجموعة من المركبات تحظى باهتمام كبير لآفاقها في التوصيل الفائق عند درجات حرارة مرتفعة. عبر استكشاف ما يقرب من ستة ملايين بنية تجريبية، يكشف سير العمل عن طور مستقر جديد، MgCa₃H₂₃، وعدة بُنى «قفصية» غنية بالهيدروجين مرتبطة به. تشير الحسابات إلى أن بعض هذه البُنى قد تكون فائقة التوصيل عند درجات حرارة تتجاوز نقطة غليان النيتروجين السائل تحت ضغوط قصوى. أما الاختبار الثاني فيستهدف نظامًا رباعي العناصر يحتوي على البريليوم والفوسفور والنيتروجين والأكسجين، اختير لاحتماله احتواء بلورات تحوّل ضوء الليزر إلى أطوال موجية فوق بنفسجية عميقة بكفاءة. هنا يرخي الأسلوب أكثر من تسعة ملايين بنية ويحدد ثلاث طوريات مستقرة من جهة الثرموديناميكا ذات فواصل نطاق طاقة واسعة جدًا وخصائص بصرية واعدة.

من القوة الغاشمة إلى الاكتشاف الموجّه

في كلا المثالين، يحقق سير العمل الآلي تسريعًا يقارب عشرة آلاف مرة مقارنة باستخدام الحسابات الكمومية وحدها، مع الاستمرار في تحديد البُنى التي تستحق دراسة أقرب بثقة. للغير متخصص، الرسالة الأساسية هي أن جزءًا كبيرًا من اكتشاف المواد يمكن الآن أن يتولاه نظام تعلّمي يعي مناطق عدم اليقين لديه ويطلب حسابات دقيقة مستهدفة فقط عند الحاجة. هذا النوع من البحث الذاتي التصحيح والمدعوم بالذكاء الاصطناعي يفتح الباب لاستكشاف خلطات أكثر تعقيدًا من العناصر مما كان ممكنًا سابقًا، مما يزيد من فرص اكتشاف موصلات فائقة جديدة، وبلورات بصرية، ومواد وظيفية أخرى تدعم تقنيات الجيل القادم.

الاستشهاد: Li, J., Feng, J., Luo, J. et al. Self-optimizing machine learning potential assisted automated workflow for highly efficient complex systems material design. npj Comput Mater 12, 101 (2026). https://doi.org/10.1038/s41524-026-01971-9

الكلمات المفتاحية: اكتشاف المواد, نماذج احتمالية التعلم الآلي, تنبؤ البنية البلورية, الهيدريدات فائقة التوصيل, بلورات بصرية غير خطية