التعلم الآلي المكوَّن من خطوتين المستنير بميزات المجال: تسريع البحث عن هياكل غير متجانسة فائقة الانزلاق

لماذا يهم الانزلاق بدون احتكاك

من الأقراص الصلبة والسيارات الكهربائية إلى مجسات طبية صغيرة، تعتمد التكنولوجيا الحديثة على أجزاء متحركة تحتك ببعضها. هذا الاحتكاك يهدر الطاقة ويُبلي المكونات. يحلم العلماء بـ«فائقة الانزلاق»، حالة تنزلق فيها الأسطح بقليل من المقاومة أو من دونها تقريبًا، مثل أقراص هوكي الهواء على مقياس ذري. يستعرض هذا المقال كيف استخدم الباحثون محاكيات حاسوبية متقدمة والتعلم الآلي لاكتشاف مجموعات جديدة من المواد فائقة النحافة التي تكاد تُلغي الاحتكاك.

وحدات بناء رقيقة على مستوى الذرات

تركز الدراسة على مواد ثنائية الأبعاد—صفائح بلورية بسمك لا يتجاوز بضعة ذرات. أمثلة معروفة تشمل الجرافين وعائلة تُعرف ثنائيات كبريتات ومعادن الانتقال (TMDs)، مثل كبريتيد المولبدنوم (MoS₂) وكبريتيد التنجستن (WS₂). تُقدَّر هذه المواد كمزلقات صلبة لأن طبقاتها تنزلق ببساطة فوق بعضها. عندما تُكدَّس صفحتان مختلفتان لتشكيل «هيكل غير متجانس»، قد لا تتطابق أنماط ذراتهما بدقة. تُعرف هذه اللاتطابقية بالتماس غير المتناسق (incommensurate contact)، ويمكنها تقليل الاحتكاك بدرجة كبيرة وإنتاج فائقة الانزلاق الهيكلية، حيث تقترب مقاومة الحركة من الصفر.

مشكلة الكثير من الاحتمالات

تصميم مثل هذه الواجهات السلسة ليس مسألة جمع أي صفحتين معًا. نظر المؤلفون في 66 طبقة أحادية مختلفة مبنية من معادن متنوعة (مثل Mo, W, V, Ni) وذرات الكالكوجين (مثل S, Se, Te)، بالإضافة إلى ما يُسمى صفائح يانوس التي تختلف من الأعلى إلى الأسفل. من حيث المبدأ، ثمة مئات الأزواج المحتملة، وكل زوج له طرق عديدة لترتيب الطبقتين. يتطلب محاكاة طاقة الانزلاق بدقة—كيف تتغير الطاقة الكلية عندما تتحرك إحدى الصفائح عبر الأخرى—حسابات ميكانيكا كمية مكثفة. إجراء ذلك لكل زوج ممكن سيحتاج وقت حاسوب غير عملي.

تعليم الخوارزميات ما يهم حقًا

لمعالجة ذلك، صمَّم الفريق استراتيجية تعلم آلي من خطوتين. أولًا، بنوا مجموعة تدريب صغيرة لكنها منتقاة بعناية مكونة من 78 هيكلًا غير متجانسًا وحسبوا كميات فيزيائية أساسية باستخدام طرق عالية الدقة. شملت هذه الكميات مدى تمسك الطبقات ببعضها، ومدى صلابتها، وكيفية إزاحة الشحنة الإلكترونية عند الواجهة. بدلًا من محاولة التنبؤ بالاحتكاك مباشرة من الهندسة الخام، دربوا عدة نماذج تعلم آلي لربط واصفات بنيوية بسيطة—مثل أطوال الروابط، أحجام الذرات، وتباعد الطبقات—بهذه «ميزات المجال» الأكثر إفادة والمعروفة بتأثيرها على الاحتكاك. تعمل هذه النماذج كبدائل سريعة، ما يسمح للحاسوب بتقدير خواص صعبة للعديد من المواد المرشحة دون تكرار الحسابات المكلفة.

ترك الحاسوب للصيد عن أكثر الأزواج انزلاقًا

في الخطوة الثانية، دمج المؤلفون نماذجهم البديلة مع استراتيجية بحث تُسمى التحسين البايزي. تقترح هذه الطريقة باستمرار هياكل غير متجانسة جديدة يُحتمل أن تُظهر طاقة انزلاق منخفضة، تحدث اعتقاداتها استنادًا إلى حسابات عالية الدقة جديدة، ثم تبحث مرة أخرى. من خلال تكرار هذه الحلقة لعدد قليل من المرات فقط، استطاع النظام أن يركز بكفاءة على أكثر التركيبات الواعدة من بين أكثر من 400 احتمال. والأهم أن النماذج البديلة خفَّضت تكلفة الحوسبة بما يقرب من شهر من وقت الحاسوب الفائق مع إبقاء أخطاء التنبؤ في مستوى يمكن التحكم فيه.

أزواج فائقة الانزلاق جديدة واختبارات في العالم الحقيقي

كشف البحث عن ثلاثة أزواج واعدة بشكل خاص: MoS₂/WS₂ وMoS₂/VS₂ وNiS₂/NbSSe. أظهرت المحاكاة التفصيلية أن مناظر طاقة انزلاقها سلسة بشكل ملحوظ، مع تموجات طاقية أصغر بكثير من تلك في أنظمة منخفضة الاحتكاك الكلاسيكية مثل جرافين على جرافين أو جرافين على بورون نيتريد سداسي. أشارت محاكيات الديناميكا الجزيئية إلى معاملات احتكاك تقل بكثير عن 0.001 لـ MoS₂/WS₂ وMoS₂/VS₂ تحت أحمال نانوية، وهو السمة المميزة لفائقة الانزلاق. بعد ذلك صنع الفريق طلاءات من MoS₂/WS₂ وMoS₂/VS₂ باستخدام هياكل خزفية مطبوعة ثلاثيًّا بنقاط تلامس تحاكي العديد من الشرائح المجهرية الصغيرة. في اختبارات الاحتكاك على مقاييس مخبرية عادية، خفَّضت طبقة MoS₂/WS₂ الاحتكاك بما يصل إلى نحو ثلث مقارنة بطبقة معيارية MoS₂/MoSe₂ المعروفة بالفعل بانزلاقها الممتاز.

ماذا يعني هذا للآلات المستقبلية

ببساطة، تُظهر الدراسة أن تعليم الحواسيب "لغة الفيزياء" الخاصة بالاحتكاك—كيف ترتبط البنية بالصلابة والالتصاق وشحنة الإلكترون—يتيح لها استكشاف مساحات تصميم هائلة أسرع بكثير من الحساب الخشن. لم تُكتفِ نهج الخطوتين بكشف أزواج مواد فائقة الانزلاق جديدة فحسب، بل أكدت أيضًا أداءها عبر المحاكاة الذرية وتجارب التريبولوجيا الحقيقية. ومع تمديد وتحسين هذه الاستراتيجية، يمكن أن تُسرِّع اكتشاف طلاءات منخفضة الاحتكاك لكل شيء بدءًا من آليات المركبات الفضائية والأجهزة الدقيقة إلى الميكروجَهَرز، مما يساعد الأجهزة المستقبلية على العمل أبرد، والدوام أطول، وإهدار طاقة أقل.

الاستشهاد: Chen, L., Huang, Y., Zhang, H. et al. Domain features-informed two-step machine learning: accelerating the search for superlubric heterostructures. npj Comput Mater 12, 147 (2026). https://doi.org/10.1038/s41524-026-01996-0

الكلمات المفتاحية: فائقة الانزلاق, مواد ثنائية الأبعاد, هياكل غير متجانسة, التعلم الآلي, التشحيم الصلب