التعلّم التبايني المعزَّز بـ KAN: مُسرِّع تحديد بنية البلّورة من أنماط الانحراف المئوي للأشعة السينية

لماذا يهمّ تسريع رسم الخرائط البلّورية

غالبًا ما تُكتشف مواد جديدة للبطاريات والإلكترونيات والطاقة النظيفة بلّورة تلو الأخرى. الترتيب الذري الداخلي لكل بلّورة يحدّد سلوكها، وعادةً ما يقرأ العلماء هذا الترتيب من أنماط انحراف الأشعة السينية للمساحيق (XRD)—وهي رسوم بيانية مسننة تنتج عندما تتشتّت الأشعة السينية من العينة. اليوم، تحويل تلك الأنماط إلى بنية ملموسة عملية بطيئة وتعتمد بكثافة على الخبراء. تُقدّم هذه الورقة نظامًا للتعلّم الآلي يمكنه بسرعة مطابقة نمط XRD مع البنى البلّورية المحتملة، ما يجعل هذا العمل التحقيقي أسرع وأكثر موثوقية وأسهل للاندماج في مختبرات آلية.

من الأنماط المسننة إلى المخططات الذرية

في الممارسة التقليدية، يفحص أخصائي XRD قمم النمط، ويستخدم صيغًا فيزيائية لاستنتاج مسافات ذرّية محتملة، ثم يقارن بشكل تكراري البنى المرشحة مع البيانات. تواجه هذه العملية صعوبات عندما تتداخل القمم أو عندما توجد احتمالات متشابهة كثيرة، ولا تتوسع جيدًا لتجارب الإنتاج عالية الكثافة التي يمكن أن تنتج آلاف الأنماط يوميًا. أدوات التعلّم الآلي السابقة تعاملت مع XRD في الغالب كمشكلة تصنيف—تتنبّأ بفئة التناظر أو زمرة الفضاء من النمط—بدلًا من تحديد البنية مباشرة. النهج الجديد، المسمّى التمهيد التبايني لبنى البلّورة لـ XRD (XCCP)، يعيد تأطير المهمة كسحب من قاعدة بيانات: بالنظر إلى نمط، اعثر على البلّورة الأكثر توافقًا في قاعدة بيانات كبيرة.

رؤية ذات قرنيْن لأنماط الأشعة السينية

يتعلّم XCCP «رؤية» بيانات XRD بطريقة مستنيرة فيزيائيًا. بدلًا من إدخال النمط بأكمله إلى شبكة عصبية واحدة، يقسم الأسلوب النمط إلى مجالَين زاويّين. يركّز فرع واحد على الزوايا الصغيرة، التي تلتقط ميزات طويلة المدى مثل تباعدات الطبقات والفوقَبلورات. يركّز الآخر على الزوايا الكبيرة، حيث تكون القمم كثيفة وتخضع بقوة لتناظر البلّورة. يعالج كل فرع بواسطة شبكة عميقة ثم تُدمَج عبر وحدة إسقاط خاصة مبنية على شبكات كولموغوروف–أرنولد (KAN). تتفوق هذه الوحدة في توجيه الانتباه إلى مناطق ضيقة من النمط—تمامًا حيث تحمل قمم الانحراف الحادة أغنى المعلومات البنيوية.

رؤية النمط والبنية يلتقيان في الوسط

على جانب البلّورة، يستخدم XCCP شبكة قائمة على الرسم البياني تمثل الذرّات كورَؤوس وروابطها كاتصالات. خلال التدريب، يرى النظام أزواجًا كثيرة مطابقة: نمط XRD وبنيته البلّورية المعروفة. يتعلّم فضاءً عدديًا مشتركًا حيث يتقارب النمط مع بنيته ويبتعد عن الأزواج غير المطابقة. عندما يصل نمط جديد، يقوم النموذج بتضمينه في هذا الفضاء، ويقارنه مع تضمينات جميع البنى في قاعدة البيانات، ويعيد قائمة مُصنَّفة بالترتيب. من دون معرفة أيّة عناصر موجودة، تُصنَّف البنية الصحيحة في المركز الأول تقريبًا نصف الوقت وتظهر ضمن الخمسة الأوائل في الغالبية العظمى من الحالات. عندما يزوّد المستخدم أيضًا بتركيب كيميائي—معلومة متاحة شائعًا في التجارب الحقيقية—تكون المطابقة الأولى صحيحة ما يقارب 90% من الوقت.

رؤية ما تراه الآلة

يفحص المؤلفون ما إذا كان نظامهم يعتمد على فيزياء حقيقية أم على خصائص عرضية في البيانات. من خلال إخفاء أجزاء من النمط واستخدام أدوات إسناد الأهمية، يظهرون أن رأس KAN يبني قراراته أساسًا على قمم انحراف قوية ومحددة جيدًا بدلاً من التباينات الخلفية العريضة أو الضجيج. يحرز الفرع ذو الزوايا المنخفضة تحسنًا ثابتًا في الأداء، لا سيما للبلّورات منخفضة التناظر والأنماط التي تكون فيها ميزات الزوايا الكبيرة مشوشة. يثبت النموذج أيضًا متانة تجاه العيوب التجريبية الشائعة مثل اتساع القمم وتحويلات صغيرة على محور الزاوية، وينتقل بشكل معقول إلى مجموعات بيانات تجريبية حقيقية. والأهم، أن درجات التشابه التي ينتجها تعمل أيضًا كمقاييس للثقة، فتتراجع بشكل ملحوظ عندما تكون البنية الحقيقية غائبة من قاعدة البيانات—وهي خاصية أساسية للاستخدام الآمن في العالم الحقيقي.

نحو اكتشاف مواد أذكى وقادرة على العمل الذاتي

لغير المتخصص، الرسالة الأساسية هي أن XCCP يحوّل تحليل XRD من حرفية إلى بحث سريع مدفوع بالبيانات. من خلال محاذاة أنماط الانحراف والبلّورات المرشحة في فضاء مشترك، وباستخدام تصميم شبكات واعٍ فيزيائيًا، يمكن للنظام أن يقترح بسرعة قائمة قصيرة من المخططات الذرية الواقعية مع ثقة قابلة للتفسير. لا يحلّ هذا محل حكم الخبير أو التنقيح التفصيلي، لكنه يسرّع كثيرًا الخطوة الأولى والأصعب—معرفة أي البنى معقولة أصلًا. هذا يجعل النظام مناسبًا لمختبرات الإنتاج العالية والذاتية، حيث يمكن للروبوتات تركيب مركبات جديدة، وقياس أنماط XRD، ودع XCCP يقترح البنى المحتملة في الوقت الحقيقي، مسرّعًا المسار من البيانات الخام إلى مواد جديدة.

الاستشهاد: Xu, C., Su, T., Xiong, J. et al. KAN-enhanced contrastive learning: the accelerator of crystal structure identification from XRD patterns. npj Comput Mater 12, 144 (2026). https://doi.org/10.1038/s41524-026-02015-y

الكلمات المفتاحية: انحراف الأشعة السينية لمساحيق, تحديد بنية البلّورة, التعلّم التبايني, معلوماتية المواد, شبكات كولموغوروف–أرنولد