التعلم الآلي المزدوج يحدد نصف قطر البيئات التركيبية المعلوماتية في الزجاجات المعدنية

لماذا تهم هذه المقياس المخفي في الزجاج

الزجاجات المعدنية هي معادن بردت بسرعة كبيرة بحيث لم تتكوّن فيها بلورات. هذا الغياب للترتيب المنتظم يمنحها قوة ومتانة غير اعتياديتين، لكنه أيضاً يجعل تصميمها المتعمد أمراً صعباً: دون نمط بلوري مرتب، لم يكن واضحاً أي أجزاء من بنيتها الذرية تسيطر فعلاً على سلوكها. تستخدم هذه الورقة أساليب متقدمة من التعلم الآلي لتبيّن أن هناك في الواقع حجمًا مثاليًا في هذه المواد المعشّشة—نوع من الحي «جولدلوكس» حول كل ذرة—حيث تحتوي البنية على أكثر المعلومات فائدة حول كيفية تصرف المادة ككل.

رؤية النظام في معادن غير منظمة

في المعادن البلورية العادية، يمكن للمهندسين ربط القوة والمطيلية بخصائص معروفة مثل حجم الحبيبات أو العيوب الانزلاقية، التي تمتد عبر عدة ذرات في شبكة منتظمة. تفتقر الزجاجات المعدنية إلى هذا النظام طويل المدى والعيوب الواضحة، لذا حاول الباحثون الاعتماد على وحدات بناء أكثر محلية تسمى أوضاع الترتيب قصيرة المدى، أي كيفية تراص الذرات حول ذرة مركزية. أظهرت أعمال سابقة أن هؤلاء الجيران الأقرب ليسوا كافيين: يمكن أن يتصرف نفس النمط المحلي بشكل مختلف جداً اعتماداً على محيطه. هذا أشار إلى سؤال مفتوح أساسي: على أي مسافة حول كل ذرة نحتاج أن ننظر لالتقاط الأنماط التركيبية التي تتحكم فعلاً بخصائص الحجم مثل القوة والثبات؟

نظرة من الأعلى لأحياء الذرات

يتبنى المؤلفون أولاً نهجاً اختزاليًا، أو من الأعلى إلى الأسفل. يمثلون محيط كل ذرة كبصمة رياضية ويجمعون البصمات المماثلة في مجموعة من البيئات المحلية الفريدة. لكل عينة من الزجاج المعدني، يحسبون عدد مرات ظهور كل بيئة ويدرّبون نموذج تعلم آلي (XGBoost) للتنبؤ بالطاقة التكوينية الكلية للعينة، وهي كمية مرتبطة ارتباطًا وثيقًا بمدى قوة المادة أو مطيلتها. والأهم من ذلك، أنهم يكررون هذه العملية كلها مع تغيير مدى النظر من كل ذرة—من الجيران الأوائل فقط حتى مسافات تمتد عبر عدة قشور من الجيران. خطأ التنبؤ للنموذج لا يتحسن ببساطة كلما أدرجوا المزيد من الذرات. بدلاً من ذلك، يصل الأداء الأمثل عندما يكون نصف القطر حوالي 5 أنغستروم، أي تقريباً حتى قشرة الجيران الثانية، ثم يتدهور مرة أخرى. عند ذلك النطاق، يصل عدد وتنوّع البيئات المحلية المميزة إلى ذروتهما، وتكون تباينات مقياس إنتروبيا البنية أعرض، مما يشير إلى أن هذا المقياس يحتوي على أغنى معلومات تركيبية.

رؤية من الأسفل عبر صور ثلاثية الأبعاد

لاختبار ما إذا كان هذا النصف الخاص قد يكون أثرًا هامشيًا لطريقتهم الأولى، يبني الفريق نموذجًا ثانياً مختلفًا جداً مستوحى من تقنيات التعرف على الصور الحديثة. يحولون كل بنية ذرية إلى زوج من الشبكات البكسلية ثلاثية الأبعاد—قناة واحدة لكل نوع كيميائي—ويغذون هذه الشبكات إلى محول رؤية، وهو شبكة عصبية تتعلم الأنماط في بقع من الشبكة. من خلال ضبط مدى «تواصل» هذه البقع مع بعضها، يتحكمون في طول اتصال فعّال يحدد أكبر مقياس تركيبي يمكن أن يستخدمه النموذج. مع زيادة هذا الطول، يتحسن دقة النموذج ثم يستقر: بعد طول اتصال يقابل نصف قطر كروي حوالي 5 أنغستروم، لا تضيف المدى الإضافي أي فائدة تُذكر. التحليل المستقل للمناطق في الشبكة التي تؤثر أكثر على التنبؤ يظهر أن انتباه الشبكة يتقارب أيضاً بمجرد الوصول إلى نفس هذا المقياس.

متين عبر الأحجام والأنواع المختلفة من الزجاج

الاتفاق بين هذين المنظورين المتناقضين في التعلم الآلي—الأحد مبني على بصمات ذرية مصنوعة يدويًا، والآخر على شبكات بكسل خام—يشير إلى أن المقياس الطولي المحدد هو خاصية فيزيائية حقيقية، وليس صفة ناتجة عن النموذج. يزيد المؤلفون من صلابة هذه الفكرة من خلال تغيير الإعدادات التقنية وأحجام الأنظمة وحتى أنواع المواد الزجاجية. تحافظ صناديق المحاكاة الأكبر التي تحتوي على ذرات أكثر على نفس نصف القطر الأمثل. عندما يكررون التحليل لزجاجات معدنية أكثر تعقيدًا تحتوي على الألمنيوم، ولزجاج من البالاديوم–السيليكون مختلف كيميائياً، تظهر في كل نظام مرة أخرى نصف قطر معلوماتي محدد، والذي يكون أصغر قليلاً في حالة Pd–Si الأكثر إحكامًا. يظهر سلوك مماثل في الكربون والسليكون غير المتبلورين، حيث تؤدي الروابط التساهمية إلى مقاييس مميزة مختلفة لكنها لا تزال محددة جيدًا. عبر كل هذه الحالات، يتوافق نصف القطر الذي يبلغ فيه أداء النموذج ذروته أو يشبع مع دلائل تركيبية وتجريبية مستقلة عن التنظيم متوسط المدى في هذه المواد.

ما الذي تكشفه الدراسة بكلمات بسيطة

لغير المتخصص، الرسالة المركزية هي أنه حتى في زجاج معدني يبدو عشوائيًا، هناك «منطقة نفوذ» طبيعية حول كل ذرة—حوالي ذرتين إلى الخارج—حيث يرتبط ترتيب الجيران تقريبًا بكل المعلومات اللازمة للتنبؤ بكيفية سيتصرف ذلك القطعة من الزجاج من حيث الطاقة. النظر إلى الجيران الأقرب فقط يفوّت سياقًا مهمًا، بينما النظر بعيدًا جدًا يضيف تفاصيل زائدة ومتكررة. من خلال تحديد هذا النصف لبيئات بنيوية معلوماتية، يوفر العمل هدفًا عمليًا للمقاييس القادمة والنماذج والتجارب. كما يقدم خارطة طريق لتصميم زجاجات معدنية ومواد لامتبلورة أخرى أفضل عبر تركيز الاهتمام على الزخارف التركيبية التي تعيش في هذا المقياس الوسيط، حيث يشكل النظام الخفي في الفوضى الخصائص الماكروسكوبية بأقوى صورة.

الاستشهاد: Wang, M., Wang, Y., Islam, M. et al. Dual machine learning pinpoints the Radius of Informative Structural Environments in metallic glasses. npj Comput Mater 12, 122 (2026). https://doi.org/10.1038/s41524-026-01997-z

الكلمات المفتاحية: الزجاج المعدني, التعلم الآلي, البنية الذرية, النظام متوسط المدى, الطاقة التكوينية