قابلية توسيع قاعدة البيانات والتعلم العميق لخصائص الفونونات غير التوافقية بواسطة حسابات أولية قسرية مؤتمتة

لماذا تهم الاهتزازات الناقلة للحرارة

كل جسم صلب من حولنا، من شرائح الهواتف الذكية إلى عزل المباني، ينقل الحرارة في الغالب عبر اهتزازات ذرية صغيرة تُسمى فونونات. مدى سهولة انتقال هذه الاهتزازات يحدد ما إذا كانت المادة مناسبة لتبريد الإلكترونيات، أو للحفاظ على دفء المنازل، أو لتحويل الحرارة المهدورة إلى كهرباء. ومع ذلك، فإن التنبؤ بدقة بتدفق الحرارة هذا انطلاقاً من بنية المادة على المستوى الذري كان أمراً معروفاً بصعوبته وبطئه. تعرض هذه الورقة طريقة جديدة لأتمتة مثل هذه التنبؤات لآلاف البلورات ثم استخدام التعلم العميق لاستكشاف مساحات واسعة من المواد المحتملة بحثاً عن تلك ذات التوصيل الحراري العالي أو المنخفض للغاية.

بناء مكتبة ضخمة من البلورات المهتزة

أنشأ المؤلفون إطار برمجي يسمى auto-kappa يأخذ بنية بلورية كمدخل ويشغّل تلقائياً سلسلة طويلة من الحسابات الكمومية. هذه الحسابات لا تبيّن فقط كيف تهتز الذرات بطريقة مرنة مثالية، بل تفصّل أيضاً كيف تتصادم الاهتزازات وتتشتت بشكل أكثر واقعية و"فوضوي". من ذلك يستخلص البرنامج خصائص مفصّلة مثل أعمار الفونونات ومقدار مساهمة كل اهتزاز في حمل الحرارة. باستخدام هذا السطر الحسابي على الحواسب الفائقة، جمع الفريق قاعدة بيانات جديدة اسمُها Phonix تغطي خصائص الفونونات غير التوافقية لأكثر من 6500 بلورة غير عضوية—تتراوح من أملاح بسيطة مثل كلوريد الصوديوم إلى هياكل معقدة تحتوي على أكثر من 100 ذرة في الخلية الوحدة.

خريطة متنوعة لكيفية حمل المواد للحرارة

بوجود هذه القاعدة، فحص الباحثون كيف يختلف التوصيل الحراري عبر مواد مختلفة. وجدوا أن التوصيل الحراري الشبكي، أي الجزء الذي تحمله الاهتزازات في الشبكة الذرية، ينخفض عموماً مع زيادة الحجم لكل ذرة — بشكل فضفاض، الهياكل الأكثر اتساعاً تميل إلى توصيل الحرارة بشكل أقل. كشفت قاعدة البيانات عن تشتت واسع: تقع معظم المواد بين نحو 0.15 و40 واط لكل متر لكل درجة كلفن عند درجة حرارة الغرفة، لكن هناك جزءاً صغيراً يصل إلى قيم عالية فوق 200، وفئة أصغر فوق 500 أو حتى 1000. العديد من أفضل الموصلات هي أشكال من الكربون وكربيد السيليكون، بينما يظهر عدد كبير من المركبات توصيلاً حرارياً منخفضاً للغاية، ما يوفّر إمكانيات غنية لتطبيقات التحويل الحراري أو العزل.

مساهمات موجية مخفية في تدفق الحرارة

غالباً ما يُصوَّر انتقال الحرارة في البلورات على أنه فونونات تتصرف كجزيئات غاز، لكن عند المقاييس الصغيرة يمكن للاهتزازات أن تتصرف أيضاً كموجات متداخلة. تفصل قاعدة بيانات Phonix المساهمة التقليدية "الشبيهة بالجزيء" في نقل الحرارة عن هذه المساهمة الأكثر موجية أو التوافقية. بالنسبة لمعظم المواد، خصوصاً الموصلات الحرارية القوية، يهيمن القناة التقليدية الشبيهة بالجزيء. ومن المدهش أن المؤلفين وجدوا العديد من المركبات حيث تكون الجزء التوافقي كبيراً وفي بعض الحالات قابلاً للمقارنة مع الجزء الجسيمي. تظهر بعض أشكال كربيد السيليكون المعقدة، ذات عدد كبير من الذرات وفروع اهتزازية مكتظة، مساهمات توافقية كبيرة بشكل خاص. هذا يشير إلى أن النقل الحراري الموجي، الذي كثيراً ما يُهمل في النمذجة العملية، يمكن أن يكون مهماً حتى في بلورات تتمتع بتوصيل مرتفع.

تعليم الشبكات العصبية لقراءة مخططات الذرات

للانتقال إلى ما بعد الحسابات القسرية المكلفة، درّب الفريق شبكات عصبية قائمة على الرسوم تستقبل البنية الذرية للبلورة وتتنبأ بتوصيلها الحراري—بما في ذلك كيف تتراكم المساهمة مع ضم اهتزازات ذات متوسط مسافات انتقال مختلفة. عن طريق تغيير حجم مجموعة التدريب من بضع مئات إلى عدة آلاف من المواد، وجدوا قانون توسيع واضح: تنخفض أخطاء التنبؤ بطريقة متوقعة مع إضافة المزيد من البيانات، مشابهة لاتجاهات ملحوظة في نماذج اللغة الكبيرة. مسلحين بهذه النماذج المدربة، فحص المؤلفون مئات الآلاف من البلورات الافتراضية من قاعدة بيانات GNoME التابعة لDeepMind، ثم أجروا حسابات كمية كاملة على مجموعة فرعية من أفضل المرشحين الوعداء بتوصيل حراري استثنائي عالٍ أو منخفض.

إيجاد النطاقات القصوى: موصلات فائقة وعوازل فائقة

كشف الفحص عن مواد مرشحة جديدة تقع عند أطراف توزيع التوصيل الحراري. أظهرت بعض المركبات الغنية بالهيدروجين التي تحتوي على ذرات ثقيلة جداً توصيلاً حرارياً عالياً لأن اهتزازاتها تنفصل بوضوح إلى أوضاع منخفضة التردد من الذرات الثقيلة وأوضاع عالية التردد من الذرات الخفيفة، مما يقلل التشتت المُعطّل. على الجانب المقابل، أظهرت هياكل معقدة قائمة على السيزيوم توصيلاً حرارياً منخفضاً جداً، مع اهتزازات ذات خلطية عالية منتشرة عبر العديد من الذرات والترددات، ما يعزز التشتت القوي وتدفق الحرارة الضعيف. قد تكون بعض هذه البلورات صعبة التخليق، لكن الدوافع التركيبية المشتركة بينها توفّر دلائل قيمة لتصميم كل من "طرق حرارية" موصلة للغاية و"حواجز حرارية" شديدة المقاومة.

ماذا يعني هذا لمواد المستقبل

بعبارات بسيطة، يقدّم هذا العمل تقدمين رئيسيين: مكتبة كبيرة متاحة علناً تلتقط كيف تهتز وتتصادم الذرات في آلاف البلورات فعلياً، ومجموعة من نماذج التعلم الآلي التي تقرأ تلك المخططات الذرية للتنبؤ بمدى كفاءة المادة في حمل الحرارة. معاً، يشكلان طريقاً مختصراً قوياً لاكتشاف مبعثات حرارة أفضل للإلكترونيات، ومولدات حرارية كهربائية محسّنة لالتقاط الطاقة، ومواد متقدمة لتقنيات تكون فيها السيطرة على الحرارة مهمة بمقدار التحكم في الكهرباء. مع نمو القاعدة وتضمين تأثيرات اهتزازية أدق، هذه الأدوات مهيأة لجعل البحث عن مواد حرارية جديدة أسرع وأرخص وأكثر نظامية بكثير من التجربة والخطأ.

الاستشهاد: Ohnishi, M., Deng, T., Torres, P. et al. Database and deep-learning scalability of anharmonic phonon properties by automated brute-force first-principles calculations. npj Comput Mater 12, 150 (2026). https://doi.org/10.1038/s41524-026-02033-w

الكلمات المفتاحية: التوصيل الحراري البلوري, قاعدة بيانات الفونونات, الاهتزازات غير التوافقية, معلومات المواد, الشبكات العصبية الرسومية