تعلم آلي فعال من حيث البيانات للمركبات البينية المعقدة Fe–Mo باستخدام معرفة المجال في الكيمياء والبلورية

لماذا تهم أنماط البلورات الغريبة

تعتمد محركات نفاثة حديثة، والصلب خفيف الوزن، وحتى بعض مواد تخزين الهيدروجين على سبائك معدنية ترتب ذراتها في أنماط ثلاثية الأبعاد معقدة. ومن بين أكثر هذه الأنماط حيرة ما يُعرف بطوارف «المعبأ تقاربياً طوبولوجيًا» (TCP)—هياكل بلورية مرتبة للغاية لكنها معقدة، يمكن أن تقوّي السبيكة أو تجعلها هشة. إن حساب أيٍّ من هذه الأنماط سيتكوّن في سبيكة معينة متطلب للغاية حتى أن الطرق الكمومية القوية تكافح في ذلك. تُظهر هذه الدراسة كيف أن نماذج التعلم الآلي المصممة بعناية والمشبعة بمعرفة خبراء في الكيمياء والبلورية يمكنها التنبؤ بثبات طوارف TCP المعقدة بشكل موثوق في سبيكة حديد–موليبدينوم (Fe–Mo) باستخدام بيانات قليلة بشكل مفاجئ.

ذرات معدنية في أطر ثلاثية الأبعاد معقدة

في كثير من السبائك، لا تصطف الذرات في مكعبات بسيطة؛ بل تشكل أُطراً مفصّلة مبنية من أقفاص متعدد السطوح، تحيط بكل ذرة 12 إلى 16 جارًا. تكتسب طوارف TCP أهميتها لأنها غالبًا ما تظهر كرافات—جسيمات صغيرة يمكن أن تغيّر بشكل كبير المتانة ومقاومة الانسياب أو سلوك التآكل. في أنظمة Fe–Mo وما شابهها، الطوارف الأبسط مثل A15، ومراحل لافز، وطورَي σ و μ معروفة ويمكن التعامل معها بالحسابات الكمومية التقليدية. لكن الأقارب الأكثر تعقيدًا، الموسومة R و M و P و δ، تحتوي على عدد أكبر بكثير من المواقع الذرية المميزة لكل خلية بلورية. لاستكشاف جميع طرق وضع ذرات Fe و Mo على هذه المواقع سيُطلِب عددًا هائلًا من المحاكاة المكلفة، يفوق إمكانيات الأدوات الحاسوبية القياسية.

تعليم الآلات باستخدام تلميحات الخبراء

عالج المؤلفون هذه الاختناقات بتدريب نماذج تعلم آلي على أقل من 300 حساب كمومي (DFT) للطوارف TCP الأبسط في Fe–Mo. بدلاً من تزويد الخوارزميات بمعلومات التركيب الخام فقط (كمية Fe و Mo)، بنوا واصفات غنية تغرس معرفة المجال. تشفر هذه الواصفات خصائص ذرية مثل إلكترونات التكافؤ وحجم الذرة والبيئة الهندسية المحلية حول كل ذرة، وكيف تحتل الذرات مواقع الشبكة ذات أعداد التنسيق المحددة. من خلال متوسط هذه البصمات المحلية على مجموعات من المواقع التي تشترك في نفس الهندسة المحلية، «ترى» النماذج ليس فقط أي العناصر موجودة، بل كيف تتوضع داخل الإطار ثلاثي الأبعاد.

من الأحياء المحلية إلى خرائط طاقة موثوقة

لالتقاط الفروق الدقيقة بين الترتيبات البلورية المتنافسة، استعان الفريق بواصفات متقدمة من عدة عائلات من النماذج بين الذرية. تلخّص واصفات SOAP و ACE أشكال وترتيبات الذرات المجاورة، بينما تلخص واصفات قائمة على رتبة الروابط ميزات البنية الإلكترونية، مثل عرض نطاق طاقات الإلكترونات المسموح بها. تُجمع هذه البصمات لكل ذرة وتُؤخذ متوسطاتها بطريقة تحترم بنية البلورة الداخلية. ثم درّب المؤلفون نماذج انحدار بسيطة نسبيًا—انحدار بقيمة النواة (kernel ridge regression)، شبكات عصبية صغيرة، وغابات عشوائية—مع اختبار منهجي لأي ميزات تُحسّن التنبؤات فعلاً. مع إدماج المزيد من المعارف البلورية والكيميائية في الواصفات، انخفض خطأ التنبؤ بشكل كبير، ليصل في النهاية إلى نحو 20 ميلي إلكترون فولت لكل ذرة، وهو مستوى يقارن بدقة بيانات DFT المستخدمة كأساس.

كشف طوارف مخفية في الحديد–الموليبدينوم

مسلّحين بهذه النماذج المدمجة ولكن القوية، مسح الباحثون جميع التراكيب الممكنة لذرات Fe/Mo على المواقع العديدة في الطوارف TCP المعقدة الأربعة R و M و P و δ. رسموا طاقات التشكّل لعشرات الآلاف من التكوينات لتحديد أيها يقع على «الحد المحدب»—مجموعة حالات الطاقة الدنيا التي تحدد الاستقرار الحراري. تتنبأ النماذج بأن طور R في Fe–Mo يمكن أن يحقق طاقات تشكيل سالبة—مما يعني أنه مستقر ذاتيًا—قريبًا من التراكيب التي تلاحَظ تجريبيًا عند درجات حرارة عالية. يظهر طور M كمنافس قريب، بينما تظل الطوارف P و δ أقل ملاءمة باستمرار ومن غير المرجح أن تتشكل في هذه السبيكة. أكدت فحوصات DFT الإضافية على تشكيلات منتقاة تنبؤات التعلم الآلي، خاصةً بالنسبة للطوارف R و M.

التجربة تغلق الحلقة

لاختبار القوة التنبؤية للطريقة بدقة أكبر، قارن المؤلفون نتائج النموذج مع بيانات حيود الأشعة السينية المتزامنة الجديدة لعَيّنة Fe–Mo تحتوي طور R. يتنبأ نموذجهم، مرفقًا بتقريب ترموديناميكي قياسي، بتكرارات إشغال كل موقع بلوري من قِبل Fe أو Mo عند درجة حرارة عالية. تتطابق هذه الإشغالات المتوقعة للمواقع مع القيم التجريبية المصقولة بشكل ملحوظ وتتبع «قواعد كاسبر» الكلاسيكية، التي تنص على أن الذرات الأكبر تفضّل شغل المواقع ذات عدد الجيران الأكبر. يُظهر هذا الاتفاق أن النموذج لا يقدّر الطاقات الإجمالية فحسب، بل يلتقط أيضًا فروقًا دقيقة بين ترتيبات ذرية تكاد تكون متكافئة.

ما يعنيه هذا لتصميم المواد في المستقبل

من خلال تضمين البصيرة الكيميائية والبنيوية مباشرة في واصفات التعلم الآلي، يقدم هذا العمل تنبؤات دقيقة لهياكل بلورية معقدة للغاية باستخدام مجموعة تدريب متواضعة فقط. لخبراء تصميم السبائك، يفتح ذلك الباب لاستكشاف طوارف TCP التي كانت سابقًا معقدة جدًا للحساب الكمومي المباشر، مما يساعد على تحديد أي الطوارف ستقوّي أو تضعف مادة معينة وتحت أي شروط تظهر. وبشكل أوسع، توضح الدراسة أن التعلم الآلي الفعّال من حيث البيانات والموثوق في علم المواد ممكن عندما تُوجّه النماذج بنفس التفكير الفيزيائي الذي يستخدمه الخبراء البشريون، بدلًا من الاعتماد على البيانات الخام وحدها.

الاستشهاد: Forti, M., Malakhova, A., Lysogorskiy, Y. et al. Data-efficient machine-learning of complex Fe–Mo intermetallics using domain knowledge of chemistry and crystallography. npj Comput Mater 12, 161 (2026). https://doi.org/10.1038/s41524-026-02070-5

الكلمات المفتاحية: التعلم الآلي في علم المواد, الطوارف البينية المعدنية, سبائك الحديد والموليبدينوم, تنبؤ البنية البلورية, الطور المعبأ تقاربياً طوبولوجيًا