فرز دقيق للمواد الوظيفية باستخدام احتمالات التعلم الآلي والانحدارات المتعلمة بالنقل: معيار سبائك هيوسِلر

لماذا تسريع اكتشاف المواد مهم

تعتمد التقنيات الحديثة، من السيارات الكهربائية إلى مراكز البيانات، على مواد متخصصة تُضبط بنيتها الداخلية لأداء مهمة محددة للغاية. فئة مهمة واحدة، تُعرف باسم سبائك هيوسِلر، يمكن أن تعمل كموصلات مغناطيسية قوية وخفيفة الوزن للاستخدام في المجسات، وأجهزة الذاكرة، والسبينترونيكس. لكن العثور على التركيبات النادرة ذات التوليفة الصحيحة من الاستقرار والسلوك المغناطيسي كان بطيئًا بشكل مؤلم، لأن كل مرشح يتطلب عادة حسابات ميكانيكا كمية مكثفة. توضح هذه الورقة كيف يمكن لنماذج التعلم الآلي المتقدمة أن تتولى معظم ذلك العمل، فرز مئات الآلاف من الاحتمالات وتسليط الضوء على القلائل الأكثر وعدًا بسرعة أكبر بكثير من السابق.

البحث في مشهد واسع من السبائك

يركز المؤلفون على عائلة كبيرة وغنية من الناحية الهيكلية من المواد تُسمى مركبات هيوسِلر، تتكون من مزج عناصر فلزية وعناصر من المجموعة الرئيسية في نمط بلّوري منتظم. كانت عمليات البحث الحاسوبية السابقة التي استخدمت حسابات كمومية قد فحصت بالفعل النسخ الأبسط ذات الثلاثة عناصر ووجدت أن حوالي نصف بالمئة فقط تستوفي متطلبات صارمة لكل من الاستقرار والقوة الاتجاهية المغناطيسية. في هذه الدراسة، وسّع الفريق نطاق البحث بشكل كبير ليشمل خلطات أكثر تعقيدًا من أربعة عناصر وإصدارات مبنية بالكامل من المعادن الانتقالية، مكوّنين أكثر من 230,000 وصفة كيميائية مميزة للفحص. إن استكشاف مثل هذا الفضاء التصميمي الهائل بالطرق التقليدية وحدها سيكون عبئًا حاسوبيًا طاغيًا.

التعلم الآلي كبديل للحسابات المكثفة

للتعامل مع هذه التعقيدات، يبني الباحثون سير عمل «عالي الإنتاجية» حيث تُحاكي نماذج التعلم الآلي الخطوات التي كانت تقوم بها عادةً الحسابات الكمومية. أحد أنواع النماذج، المسماة إمكانية بين ذرّية عامة، يتعلم طاقة البلورة من أمثلة عديدة معروفة ويمكنه بسرعة إرخاء تخمين أولي إلى شكله الأكثر استقرارًا. مجموعة أخرى من النماذج، تُسمى المنحدرات، تأخذ هذه الهياكل المرخّية وتتنبأ بالخصائص الرئيسية: ما إذا كانت الذرات تهتز بشكل مستقر، وما إذا كانت المادة مغناطيسية، وما مدى ارتفاع درجة الحرارة التي تفقد عندها المغناطيسية، ومدى قوة تفضيلها لتوجيه المغناطيسية في اتجاه معين. بسلسلة من هذه النماذج، يمكن للمؤلفين فرز كل مادة مرشحة في جزء من الثانية بدلًا من ساعات.

اقتراض المعرفة عبر التعلم بالنقل

ابتكار محوري هو كيفية تدريب نماذج التنبؤ بالخصائص. بدلًا من البدء من نقطة الصفر على مجموعة بيانات صغيرة نسبيًا لهيُسلر، يبدأ المؤلفون بإمكانية قوية سبق تدريبها على عشرات الملايين من البيئات الذرية التي تغطي جزءًا كبيرًا من الجدول الدوري. يقومون بـ«تجميد» الطبقات المبكرة من هذا النموذج، التي تشفر بالفعل قواعد عامة عن تفاعل الذرات، ويعيدون تدريب الطبقات النهائية فقط لإخراج الخصائص المغناطيسية والاهتزازية. تحسّن استراتيجية التعلم بالنقل هذه الدقة وتساعد النماذج على التعامل مع السبائك التي تحتوي على عناصر أو تراكيبات لم ترها أثناء التدريب. تُظهر اختبارات حُجبت فيها مجموعات كاملة من العناصر أثناء التدريب أن هذه المعرفة المُقترضة تعزز الأداء بشكل ملحوظ على الكيمياء غير المألوفة.

العثور على جواهر مغناطيسية نادرة والتحقق منها بعناية

بتشغيل خط أنابيب التعلم الآلي الكامل على جميع المرشحين، يحدد الفريق 334 سبيكة هيوسِلر رباعية العناصر و924 هيوسِلر معدنية بالكامل تبدو مستقرة حراريًا وتمتلك لاتماثلًا مغناطيسيًا قويًا إلى جانب ترتيب مغناطيسي متين واستقرار اهتزازي. للتحقق من موثوقية الاختصار، يقومون بعد ذلك بإجراء حسابات كمومية كاملة على كل مرشح مختار. بالنسبة لمعظم معايير الفرز، ينجح بين نحو 80 إلى 99 بالمئة من المواد التي اختارتها النماذج في الاختبارات الأكثر صرامة، مما يدل على أن النماذج ليست سريعة فحسب بل دقيقة للغاية أيضًا. تقارن الدراسة كذلك عدة إمكانات تعلم آلي متنافسة ونماذج أقدم قائمة على الرسوم البيانية، فتجد أن الإمكانية الأحدث السلسة والمعبرة مجتمعة مع المنحدرات المتعلمة بالنقل تقدم أفضل توازن بكثير بين السرعة والموثوقية.

تسريع الاكتشاف يتجاوز المغناطيسات بكثير

بعيدًا عن القائمة المحددة للمواد المغناطيسية الجديدة من نوع هيوسِلر التي اكتُشفت هنا، الرسالة الأوسع للعمل هي أن نماذج التعلم الآلي يمكنها الآن أن تحل مكان الحسابات الكمومية المكلفة عبر جزء كبير من خط فرز قياسي. يقدّر المؤلفون أن مسحًا قائمًا كليًا على الكم على نفس الفضاء الكيميائي سيتطلب أوامرًا من حيث الحجم أكثر بكثير من حيث وقت الحوسبة مقارنةً بنهجهم الهجين، حتى قبل بدء أي عمل تجريبي. من خلال التعامل مع نماذج التعلم الآلي كوحدات قابلة للاستبدال لإرخاء البنية وتقييم الخصائص، وتنقيحها كلما وصلت بيانات عالية الجودة جديدة، يمكن للباحثين استكشاف فضاءات تصميم أكبر بكثير للمغانط والمواد الحارّة‑كهربائياً والبطاريات وغيرها من المواد الوظيفية. عمليًا، يعني ذلك أن المواد النادرة والأفضل في فئتها اللازمة للتكنولوجيات المستقبلية يمكن العثور عليها في وقت أقرب وبكلفة حاسوبية أقل بكثير.

الاستشهاد: Xiao, E., Tadano, T. Accurate screening of functional materials with machine-learning potential and transfer-learned regressions: Heusler alloy benchmark. npj Comput Mater 12, 133 (2026). https://doi.org/10.1038/s41524-026-02013-0

الكلمات المفتاحية: إمكانات بين ذرّية بالتعلم الآلي, سبائك هيوسِلر, الفرز عالي الإنتاجية, اللاتماثل المغناطيسي, اكتشاف المواد