نهج تعلّم آلي لتوقّع معاملات الاسموزية واستخلاص معاملات الفعالية في أملاح الأمونيوم الألكيلية

مواد يومية ذات تعقيد خفي

من منعمات الأقمشة وبلسمات الشعر إلى مناديل التعقيم وغسول الفم، تقوم عائلة من المواد الكيميائية تُدعى أملاح الأمونيوم الرباعية —المعروفة اختصارًا باسم «كوات»— بدور أساسي في العديد من المنتجات التي نعتمد عليها بصمت. تساعد هذه المركبات على قتل الجراثيم، وتنعيم الملابس، وتسريع التفاعلات الصناعية. ومع ذلك، كان من الصعب بشكل مفاجئ التنبؤ بدقة بكيفية تصرُّف هذه الأملاح في الماء، مما حدّ من كفاءة تصميم تركيبات أكثر أمانًا وصديقة للبيئة. تُظهر هذه الدراسة كيف يمكن للتعلّم الآلي الحديث أن يتعلم من القياسات السابقة ليوقّع هذا السلوك بمرونة أكبر وفي كثير من الحالات بدقة أفضل من النماذج التقليدية.

لماذا هذه الأملاح مهمة

الكوات هي جزيئات موجبة الشحنة محاطة بذيول غنية بالكربون. يسمح هذا الشكل غير الاعتيادي لها بأداء وظائف متعددة في آن واحد: الالتصاق بالأوساخ الدهنية، التمسك بالأسطح مثل النسيج أو الشعر، وتعطيل أغشية الميكروبات، ما يجعلها مطهّرات ومخففات سطح فعّالة. كما تُستخدم كعوامل نقل طور، تعمل كناقلات تحمل الأيونات التفاعلية من الماء إلى مذيبات شبيهة بالزيت حيث لا تنتقل عادةً. يمكن لهذا الدور الناقل، الذي يحدث على حدود الماء والزيت، أن يسرّع بشكل كبير التفاعلات الكيميائية المستخدمة في تصنيع الأدوية والبوليمرات والمواد الكيميائية الدقيقة.

لماذا يصعب التنبؤ بسلوكها

لتصميم كوات جديدة أو تعديل الموجودة، يحتاج الكيميائيون إلى معرفة كيفية تصرّفها في المحلول — مدى تفاعلها مع الماء ومع الأيونات المذابة الأخرى. مقياسان رئيسيان هما معامل الاسموزية، الذي يعكس كيف تؤثر الأملاح على ميل الماء للانتقال عبر الأغشية، ومعامل الفعالية، الذي يعبّر عن مدى «فعالية» النوع المذاب مقارنة بحالة مثالية من الخلط التام. تقليديًا، تُستخرج هذه القيم إما بواسطة تجارب دقيقة تستغرق وقتًا أو باستخدام نماذج فيزيائية معقّدة مثل Electrolyte‑NRTL وExtended UNIQUAC، التي تتطلّب العديد من المعاملات المُعدَّلة ولا يسهل تعميمها على جزيئات جديدة.

تعليم الحاسوب قراءة الجزيئات

سار الباحثون في مسار مختلف: تساءلوا عما إذا كان الحاسوب قادرًا على تعلم العلاقة بين بنية الكوات والسلوك الاسموزي مباشرةً من البيانات المتاحة. جمعوا 1654 قياسًا لمعاملات الاسموزية لما مجموعه 52 نوعًا مختلفًا من الكوات من الأدبيات العلمية. وُصِف كل جزيء باستخدام تدوين SMILES — وهو تمثيل نصي يُشفِّر خواصًا مثل عدد ذرات الكربون والأكسجين، وجود حلقات البنزين، التفرّع، ونوع مجموعة النيتروجين الموجبة الشحنة، بالإضافة إلى الأيون السالب المرافق (مثل الكلوريد أو البروميد أو النترات). خدمت هذه المؤشرات البنائية، إلى جانب تركيز الملح، كمدخلات لعدة خوارزميات تعلّم مشرف نُفِّذت بلغة بايثون.

إيجاد المتنبئ الأكثر موثوقية

تدربت سبع خوارزميات مختلفة، بما في ذلك الانحدار الخطي، أشجار القرار، الغابات العشوائية، آلات الدعم الناقل، التعزيز التدرُّجي، الجيران الأقرب k، والعمليات الغاوسية، على 70% من البيانات واختُبرَت على الـ30% المتبقية. استخدم الفريق أيضًا مخطط تحقق أكثر صرامة حيث حُجبت كل البيانات الخاصة بملح واحد لقياس مدى قدرة النماذج على الاستيفاء إلى مركب لم يُرَ من قبل. أدّى الانحدار الخطي أداءً ضعيفًا، إذ فشل في التقاط الاتجاهات غير الخطية المهمة. ملاءمتْ طرق الأشجار لبيانات التدريب كانت ممتازة لكنها أنتجت تنبؤات متعرِّجة قليلًا وفقدت دقتها على الأملاح الجديدة. أما نموذج العملية الغاوسية فقد حقق أفضل توازن: قدّم منحنيات سلسة ومعقولة فيزيائيًا لمعاملات الاسموزية وحقق متوسط خطأ نسبي مطلق بنحو 5% على الإجمال، متفوقًا على أساليب التعلّم الآلي البديلة في أصعب اختباراتها.

من السلوك الاسموزي إلى أرقام تصميم مفيدة

بعد اختيار أفضل نموذج، حُوِّلت معاملات الاسموزية المتوقعة إلى معاملات الفعالية باستخدام علاقات ترموديناميكية معيارية. وعند مقارنة هذه المعاملات بالقيّم المستخلصة من التجارب والنماذج الفيزيائية المعروفة، طابقت المنهجية القائمة على التعلّم الآلي القيم التجريبية وغالبًا ما تفوَّقت عليها بالنسبة لكوات فردية. ورغم أن متوسط الخطأ عبر جميع المواد كان أعلى قليلًا من بعض النماذج المتخصصة، فقد امتلك ميزة حاسمة: بما أن النموذج يعتمد على واصفات بنيوية بدلًا من ملاءمة خاصة بكل ملح، فيمكن تطبيقه على كوات جديدة لم تُقاس في المختبر من قبل، بشرط أن تشبه هياكلها تلك الموجودة في مجموعة التدريب.

ما الذي يعنيه هذا للمنتجات والعمليات

بالنسبة للقارئ غير المتخصص، تكمن الفكرة في أن الحواسيب باتت قادرة الآن على «قراءة» أوصاف نصية مضغوطة للجزيئات ومن أنماط تعلمتها من بيانات سابقة أن تتوقع كيفية تصرّف تلك الجزيئات في الماء بدقة ملحوظة. هذا يفتح الباب أمام فحص أسرع وأرخص للكوات الجديدة المستخدمة في المطهّرات والمنظفات ومنتجات العناية الشخصية والمواد الكاتاليزية الصناعية، من دون إجراء تجارب شاملة لكل مرشح. النموذج الحالي خطوة أولى فقط، ويشير المؤلفون إلى أن بصمات جزيئية أغنى وخوارزميات أحدث قد تحسّن الأداء أكثر. ومع ذلك، فإنه يبرهن كيف يمكن للأدوات المعتمدة على البيانات أن تكمل الكيمياء التقليدية، مساعدًة المهندسين على تصميم تركيبات أكثر فاعلية وربما أكثر أمانًا عبر استكشاف إمكانيات كيميائية سيكون من غير العملي اختبارها مفردة في المختبر.

الاستشهاد: Chawuthai, R., Murathathunyaluk, S., Saengsuradech, S. et al. A machine learning approach for predicting osmotic coefficients and deriving activity coefficients in alkyl ammonium salts. Sci Rep 16, 5969 (2026). https://doi.org/10.1038/s41598-026-36758-x

الكلمات المفتاحية: أملاح الأمونيوم الرباعية, التحفيز بنقل الطور, معاملات الاسموزية, معاملات الفعالية, التعلّم الآلي في الكيمياء