التحليل المقارن للإنتروبيا لأربعة هيدروكسينكوينونات المعادن الانتقالية ثنائية الأبعاد عبر طرق التعلم الآلي

لماذا هذه المادة والرياضيات مهمة

تعتمد تقنيات العصر الحديث للطاقة الأنظف واحتجاز الكربون على مواد قادرة على تخزين وتحريك وتحويل الجزيئات بكفاءة عالية. تبحث هذه الدراسة في فئة واعدة من المواد المسامية فائقة الرقة المسماة أطر التتراهيدروكسيكوينون المزودة بمعادن انتقالية (TM-THQ) وتطرح سؤالاً بسيطاً لكنه جوهري: هل يمكننا التنبؤ بثباتها الداخلي وسلوكها مجرّدًا من طريقة ارتباط ذراتها، باستخدام الرياضيات والتعلم الآلي بدلاً من العمل المختبري المكلف؟

تحويل الجزيئات إلى شبكات

بدل التفكير في TM-THQ كتشابك من الذرات، يتعامل المؤلفون معها كشِبكة: تصبح الذرات نقاطاً والروابط الكيميائية خطوطاً تربط بينها. تسمح هذه المقاربة، المعروفة باسم نظرية الرسم البياني الكيميائي، للباحثين بوصف البنية بأرقام تُدعى مؤشرات طوبولوجية تلتقط مدى ازدحام أو تباعد الروابط. الـ TM-THQ هو إطار معدني-عضوي ثنائي الأبعاد مكوّن من روابط عضوية وذرات معادن انتقالية مرتبة في نمط صفائحي متكرر ذو فراغات منتظمة. تحتوي كل وحدة متكررة على كربون وأكسجين ومراكز معدنية في تخطيط مسطح مسامي، وهذه الوحدات تبطّن الفراغ في اتجاهين، مكوّنة شبكة جزيئية كبيرة ومنتظمة.

قياس البنية بأرقام بسيطة

لكي يكمم الفريق شبكة TM-THQ، حسبوا عدة مؤشرات كلاسيكية يستخدمها الكيميائيون والرياضيون لربط البنية بخصائص مثل نقطة الغليان أو الاستقرار. تشمل هذه مؤشرات زاجرب (Zagreb) التي تعكس عدد الروابط المحيطة بكل ذرة؛ ومؤشرات رانديتش (Randić) التي تبرز التفريع؛ ومقاييس أخرى تمزج أو تقارن تواصل الذرات المجاورة. باستخدام أدوات رمزية وعددية في بايثون، استدلّوا بصيغ عامة تعبّر عن كل مؤشر فقط من حيث عدد الوحدات المتكررة على طول الاتجاهين في الصفائح. ومع نمو الصفيحة، تزداد كل هذه المؤشرات بطرق منتظمة، مما يعكس إطارًا أكثر امتدادًا وترابطًا.

من النظام والعشوائية إلى الإنتروبيا

معرفة كيفية ارتباط الذرات تشكّل جزءًا من القصة؛ والمكوّن الآخر المهم هو مدى النظام أو العشوائية في البنية ككل. لالتقاط ذلك، استخدم المؤلفون إنتروبيا شانون، مفهوم من نظرية المعلومات يقيس العشوائية، وطبقوه على نفس المؤشرات البنيوية. لكل مؤشر حسبوا قيمة إنتروبيا مقابلة تلخّص مدى تساوي توزيع أنواع الروابط المختلفة عبر شبكة TM-THQ. تظهر النتائج أنه كلما أصبح الإطار أكبر وأكثر تعقيدًا، ترتفع هذه القيم الإنتروبية بثبات، مما يدل على تنوع بنيوي أكبر وتفاوت دقيق في كيفية تفاعل الذرات عبر الصفيحة.

سماح الآلات بتعلّم النمط

بدلاً من الاعتماد فقط على الصيغ المباشرة، تساءل المؤلفون أيضًا عما إذا كان بإمكان الحواسب أن تتعلم التنبؤ بإنتروبيا TM-THQ انطلاقًا من قيم المؤشرات فقط. اختبروا ثلاث مناهج انحدار: منحنى لوغاريتمي بسيط، وطريقتان شائعتان في التعلم الآلي — الغابة العشوائية (Random Forest) وXGBoost — اللتان تجمعان العديد من أشجار القرار لالتقاط أنماط معقدة. باستخدام نماذج مبنية على بايثون، درّبوا كل طريقة على بيانات تربط المؤشرات بالإنتروبيا. والمفاجئ أن النموذج اللوغاريتمي المتواضع كان الأفضل: استنسخ قيم الإنتروبيا بدقة شبه تامة، بأخطاء ضئيلة وتطابق وثيق بين القيم المتوقعة والفعلية. اقترب XGBoost من الأداء، بينما تأخرت الغابة العشوائية، خاصة في الحالات الأكبر والأكثر تطرفًا.

ما يعنيه هذا لمواد المستقبل

لغير المتخصص، الرسالة الأساسية هي أن السلوك المعقّد للمواد المسامية المتقدمة مثل TM-THQ يمكن الإمساك به والتنبؤ به باستخدام رياضيات بسيطة نسبيًا، دون محاكاة كل ذرة بالتفصيل. من خلال تحويل الصفائح الجزيئية إلى شبكات، وتلخيصها ببصمات عددية مضغوطة، ثم تعليم نماذج مباشرة لربط تلك البصمات بمقاييس النظام وعدم النظام، يمكن للباحثين فحص مرشحين من المواد بسرعة على الحاسوب. تشير النتائج إلى أن لدى TM-THQ بنية داخلية قابلة للضبط يمكن قراءة استقرارها وتعقيدها من هذه المؤشرات، مما يساعد في توجيه استخدامه في مجالات مثل تحويل ثاني أكسيد الكربون والتحفيز وتخزين الطاقة، مع تقليل التجريب والخطأ في المختبر.

الاستشهاد: Irfan, M., Bashir, N., Gaid, A.S.A. et al. Comparative entropy analysis of 2D transition metal tetrahydroxyquinones via machine learning approaches. Sci Rep 16, 6819 (2026). https://doi.org/10.1038/s41598-026-37731-4

الكلمات المفتاحية: الهياكل المعدنية العضوية, نظرية الرسم البياني, الإنتروبيا, التعلم الآلي, تحويل CO2