تحسين بايزي دفعي واعٍ بالتكلفة مبني على العمليات الغاوسية العميقة لحملات تصميم مواد معقدة

بحث أذكى من أجل مواد أفضل

تصميم معادن وسبائك جديدة يشبه إلى حد ما البحث عن بضع إبر ثمينة في كومة قش جبلية. كل وصفة مرشحة يمكن أن تكون مكلفة للاختبار في المختبر أو على حاسوب فائق، لذا يحتاج العلماء إلى طرق لتحديد أي القليل منها يستحق الاستكشاف لاحقًا. تقدم هذه الورقة استراتيجية تعامل اكتشاف المواد كلعبة سؤال مدروسة: فهي تقرر ليس فقط أي سبائك يجب فحصها لاحقًا، بل أيضًا أي نوع اختبار يُجرى وكم سيكلف ذلك الاختبار. الهدف هو الوصول إلى مواد ذات أداء عالٍ بشكل أسرع، مع قياسات أقل وتكلفة أقل.

لماذا البحث صعب إلى هذا الحد

تسكن السبائك الحديثة، وخاصة السبائك عالية الإنتروبي التي تمزج بين العديد من العناصر بكميات متقاربة، فضاءات تصميم هائلة. يمكن لكل تركيبة أن تمتلك العديد من الخصائص المهمة، مثل المتانة ونقطة الانصهار والنفاذية الحرارية، وغالبًا ما تكون هذه الخصائص متضاربة مع بعضها. قياس أو محاكاة كل هذه الخصائص لكل وصفة ممكنة مستحيل. تساعد طرق التحسين البايزية التقليدية بالفعل عبر تدريب «نموذج بديل» إحصائي يتنبأ بالخصائص من عدد محدود من الأمثلة ويقترح التجارب التالية. لكن النماذج التقليدية تتعثر عندما تكون العلاقات معقّدة للغاية، أو عندما تكون الخصائص مترابطة بقوة، أو حين يُقاس فقط بعض الخصائص لكل عينة.

نماذج متعددة الطبقات تتعلم البنية الخفية

لمعالجة ذلك، يبني المؤلفون على العمليات الغاوسية العميقة، وهي نوع من النماذج الاحتمالية المكوّنة من طبقات. بدلًا من دالة ناعمة واحدة، يقومون بتكديس عدة طبقات تحول المدخلات تدريجيًا. تتعلم الطبقات المبكرة تمثيلات خفية لتركيبات السبائك؛ بينما تحول الطبقات اللاحقة تلك الميزات الخفية إلى خصائص متعددة في آن واحد. هذه البنية الهرمية تلتقط بطبيعة الحال تأثيرات مثل تباين الحساسية تجاه التركيب عبر فضاء التصميم والروابط المعقدة بين الخصائص. والأهم أن النموذج يتتبع أيضًا درجة عدم اليقين لديه، وهو أمر حيوي عند اتخاذ قرار ما إذا كان يستحق دفع ثمن قياس إضافي. وبما أنه يمكن ملاحظة خصائص مختلفة لسبائك مختلفة، يستطيع النموذج الاستفادة حتى من البيانات الجزئية «المجزأة» ومشاركة المعلومات عبر المهام.

جعل كل قياس ذو قيمة

المكوّن الثاني هو الوعي بالتكلفة. ليست كل القياسات متساوية: فبعضها، مثل اختبارات الموصلية الحرارية المفصّلة أو اختبار نقطة الانصهار، مكلف؛ بينما تكون أخرى، مثل الكثافة أو الصلادة، أرخص. يوسّع المؤلفون قاعدة قرار شائعة تركّز عادة على الكسب العلمي فقط — أي مقدار التحسن الذي قد تحققه دفعة جديدة من التجارب في أفضل المقايضات المعروفة بين الخصائص. نسختهم تقسم ذلك الكسب على إجمالي تكلفة الدفعة المقترحة. هذا يدفع المُحسّن إلى تفضيل العديد من الاستعلامات الرخيصَة والمفيدة مع تخصيص القياسات المكلفة فقط للمرشحين الأكثر وعدًا. كما يمزجون بين دفعات «متآنية النوع» حيث تُقاس كل الخصائص معًا، وخطوات «غير متآنية» تقيس بشكل انتقائي خصائص أرخص فقط، مستخدمين تلك النتائج لتنقيح النموذج قبل الالتزام باختبارات عالية التكلفة.

اختبار على مسائل نموذجية وسبائك حقيقية

بدأ الفريق أولًا بمقارنة عدة متغيرات من نهجهم على مشكلات اختبار متعددة الأهداف قياسية ذات أشكال ومستويات صعوبة مختلفة. قارنوا نماذج بسيطة لمهمة واحدة، ونماذج متعددة المهام التي تشارك المعلومات عبر الخصائص، ونماذج عميقة بحتة، وهجينة تجمع بين توقعات متوسط عميقة وتقديرات عدم يقين متعددة المهام. أظهرت النتائج أنه لا توجد طريقة واحدة تفوز في كل الحالات. تتفوق النماذج البسيطة والسطحية على السطوح منخفضة البعد والناعمة الانحناء. تتألق النماذج متعددة المهام في فضاءات عالية البعد حيث ترتبط الأهداف المختلفة ارتباطًا وثيقًا. وتظهر النماذج العميقة والهجينة قوتها على المناظر المنحنية بشدة وغير المحدبة، حيث يكون التقاط البنية المعقّدة والتوزيعات المائلة أمرًا حاسمًا.

مسار أسرع نحو سبائك عالية الأداء

لإظهار التأثير العملي، أجرى المؤلفون حملة اكتشاف مُحاكاة بالكامل لسبائك عالية الإنتروبي المقاومة المقصودة للاستخدام في درجات حرارة عالية. استكشفوا فضاء تركيب من سبعة عناصر وحاولوا تعظيم خمس خصائص رئيسية في آن واحد، مع اعتبار خاصيتين إضافيتين كمعلومات جانبية مفيدة. تم تعيين التكاليف بواقعية — حيث جُعلت الموصلية الحرارية ودرجة انصهار الصلبة أكثر تكلفة بكثير من الكثافة أو الصلادة أو مؤشر اللدونة. استطاع الإطار الجديد توجيه العينات نحو مناطق في فضاء التركيبة توازن بين أهداف أداء متعددة، مع إعادة استخدام واسعة للقياسات الرخيصة واستدعاء مقتصد للقياسات المكلفة. طُرُق عميقة واعية بالتكلفة طابقت أو تفوقت بشكل طفيف على أداء الأساليب التقليدية، لا سيما مع تراكم المزيد من البيانات، وفعلت ذلك باستخدام أذكى لاستخدام ميزانية تقييم ثابتة.

ما الذي يعنيه هذا لاكتشاف المواد

بالنسبة لغير المتخصص، الرسالة الأساسية هي أن هذا العمل يقدم طريقة مبدئية «لإنفاق» الجهد التجريبي والحاسوبي بحكمة أكبر عند البحث عن مواد جديدة. من خلال الجمع بين نماذج احتمالية متعددة الطبقات تتعلم الأنماط الخفية، واستراتيجية ميزانية توازن بين الكسب العلمي المتوقع وتكلفة الاختبار، يمكن لهذا النهج الوصول إلى تصاميم سبائك عالية الأداء في خطوات أقل وأفضل اختيارًا. وبينما تكون الفوائد أكثر وضوحًا في المشكلات المعقدة والصاخبة، يضع الإطار أساسًا مهمًا لحملات مستقبلية حيث يضطر العلماء إلى موازنة العديد من المتغيرات والأهداف والقيود على الموارد.

الاستشهاد: Alvi, S.M.A.A., Vela, B., Attari, V. et al. Deep Gaussian process-based cost-aware batch Bayesian optimization for complex materials design campaigns. npj Comput Mater 12, 105 (2026). https://doi.org/10.1038/s41524-026-01981-7

الكلمات المفتاحية: اكتشاف المواد, التحسين البايزي, العمليات الغاوسية العميقة, سبائك عالية الإنتروبي, تصميم واعٍ بالتكلفة