دالة بين ذرية تعتمد على التعلّم الآلي لخصائص البنية لأكاسيد الحديد

لماذا تهم الصخور الصدِئَة

أكاسيد الحديد — المعادن التي تمنح الصدأ لونه — تدعم بصمت جزءًا كبيرًا من حياتنا المعاصرة. فهي المصدر الرئيسي للحديد لصناعة الصلب، ومكونات أساسية في البطاريات والخلايا الشمسية، وتساهم أيضًا في تنقية المياه الملوثة. ومع ذلك، وعلى الرغم من أهميتها، ما زلنا نواجه صعوبة في التنبؤ بكيفية تصرّف هذه المواد في ظروف العالم الحقيقي، وبالأخص على المستوى الذري. يصف هذا المقال كيف استخدم الباحثون تقنيات الذكاء الاصطناعي الحديثة لبناء نموذج رقمي سريع ودقيق لأحد أكاسيد الحديد الأساسية، الهيماتيت، فاتحًا الباب لإجراء تجارب افتراضية أكثر موثوقية في مجالات تمتد من معالجة الخام إلى أجهزة الطاقة النظيفة.

من حسابات مكلفة إلى اختصارات ذكية

لفهم مادة صلبة مثل الهيماتيت بتفصيل، يعتمد العلماء بصورة مثالية على طرق ميكانيكا الكم التي تتتبّع تفاعلات الإلكترونات والذرّات. هذه الطرق، رغم دقتها العالية، مكلفة حسابيًا إلى حد يجعلها غير عملية لمحاكاة عينات كبيرة أو فترات زمنية طويلة. النماذج الكلاسيكية، بالمقابل، سريعة لكن بسيطة: فهي تعتمد على صيغ مبسطة مضبوطة لحالات محددة وغالبًا ما تفشل عندما تتغير درجات الحرارة أو الضغوط أو أشكال البلورات. يهدف العمل المقدم هنا إلى جسر هذه الفجوة عبر استخدام التعلّم الآلي لتقليد دقة حسابات الكم مع الحفاظ على سرعة النماذج التقليدية.

تلقين شبكة عصبية عن الذرات

بنى الفريق ما يُعرف بإمكانات شبكة عصبية بيانية للهيماتيت. في هذا النهج، تُعامل كل ذرة كعُقدة في شبكة، والروابط والذرّات المجاورة هي الاتصالات بين العقد. لتعليم هذه الشبكة كيف تدفع الذرات وتجذب بعضها البعض في الهيماتيت، أنتج الباحثون أولًا آلاف لقطات ذرّية باستخدام محاكاة معيارية عبر نطاق واسع من درجات الحرارة والضغوط والتشوهات البلورية، شاملة البلورات السائبة والأسطح المعرضة. ثم استخدموا طريقة كمومية متقدمة (DFT+U) لحساب الطاقة والقوى والضغوط الداخلية لكل لقطة، ودربوا الشبكة العصبية على استنساخ هذه القيم بأكبر قدر ممكن من الدقة.

مقارنة النموذج مع الواقع

بعد التدريب، خضع الإمكان الجديد — المسمى Fe-MLIP — لاختبارات صارمة. قارن المؤلفون توقعاته لكميات بنيوية أساسية مثل أبعاد الخلايا البلورية وكيفية تمدّد البلورة تحت الإجهاد مع النتائج التجريبية ومع عدة نماذج كلاسيكية مستخدمة على نطاق واسع. أعاد Fe-MLIP إنتاج البنية البلورية المعروفة للهيماتيت ضمن مدى عدة في المئة والتقط سلوكه المرن بشكل يقارب حسابات الكم المباشرة، متفوقًا بوضوح على حقول قوى أخرى في العديد من الخصائص. كما أدّى أداءً جيدًا في اختبارات أدق، مثل كيفية تمدد المادة مع الحرارة وكيفية اهتزاز ذرّاتها، وهي جوانب مهمة لنقل الحرارة والتحليل الطيفي. هذه التردّدات الاهتزازية، التي لم تُعرض صراحة أثناء التدريب، كانت أقرب إلى القيم المقاسة من تلك الناتجة عن النماذج المنافسة.

التمدّد ما بعد معدن واحد

ثم بحث الباحثون إلى أي مدى يمكن دفع هذا النموذج القائم على الهيماتيت. طبقوه على أكاسيد حديدية ذات صلة — الماجهيمايت والماغنيتايت — التي تشترك في لبنات ذرّية مشابهة لكن تختلف في الترتيب البلوري وحالات شحنة الحديد. رغم أن Fe-MLIP لم يتم تدريبه على هذه الطوريات، فقد أنتج قيمًا معقولة لأحجام الخلايا البلورية وصلابتها، وغالبًا ما طابق أو تفوّق على نماذج كلاسيكية متخصصة. كما التقط الإمكان الاستقرار النسبي للأسطح البلورية الرئيسية وحتى اتجاهات تكلفة الطاقة لخلق شواغر ذرية، وهي خصائص حاسمة لفهم التآكل والتحفيز وأداء البطاريات.

ماذا يعني هذا لتصميم المواد في المستقبل

بالنسبة لغير المتخصصين، الخلاصة هي أن هذا العمل يوفر "توأمًا رقميًا" قويًا جديدًا لأكاسيد الحديد. يتيح نموذج Fe-MLIP للباحثين تشغيل محاكاة كبيرة وطويلة للهيماتيت والمواد ذات الصلة بموثوقية تقارب مستوى حسابات الكم ولكن بتكلفة جزء منها. ومع أنه يرث بعض قيود طريقة الكم الأساسية وتركيزه حاليًا على الحديد والأكسجين، فإنه يمكنه بالفعل تمكين دراسات أكثر واقعية لكيفية استجابة هذه المعادن للإجهاد والحرارة والأسطح والعيوب. عمليًا، يمكن لمثل هذه الأداة تسريع تصميم عمليات صهر أفضل للحديد والصلب ومحفزات وبطاريات أكثر كفاءة وتقنيات بيئية محسّنة تعتمد على أكاسيد الحديد — كل ذلك عبر السماح للعلماء باختبار الأفكار على الحاسوب قبل الانتقال إلى المختبر أو المنجم.

الاستشهاد: Torres, A., de Oliveira, A.B., Barbosa, M.d.S. et al. Machine learning interatomic potential for the structural properties of iron oxides. Sci Rep 16, 8576 (2026). https://doi.org/10.1038/s41598-026-38096-4

الكلمات المفتاحية: هيماتيت, أكاسيد الحديد, إمكانية التعلّم الآلي, شبكات عصبية بيانية, ديناميكا جزيئية