إطار تصميم عكسي قائم على نموذج بديل للتحكم المستهدف بقطر ألياف النانو المُسْتَمَّرَة بالكهرباء

لماذا تهم الألياف الدقيقة

تعتمد العديد من التقنيات اليومية، من مرشحات الهواء والضمادات الطبية إلى الحساسات والبطاريات، على حِشَايات من خيوط دقيقة جداً تُسمى ألياف النانو. يؤثر قياس سمك هذه الألياف—الذي يكون غالباً بضع مئات من النانومترات—بشكل كبير على كفاءتها في ترشيح الجسيمات، أو توجيه نمو الخلايا، أو تخزين الطاقة. ومع ذلك، فإن ضبط السمك بدقة عادةً ما يتطلب تجارب مملة بالتجربة والخطأ في المختبر. تقدم هذه الورقة طريقة أذكى موجهة بالحاسوب لتصميم ألياف النانو بأقطار محددة بسرعة وموثوقية، ما قد يسرّع الابتكار في العديد من المنتجات التي تعتمد على هذه الهياكل الرقيقة.

من نفاثات الغزل إلى التصميم الذكي

تركز الدراسة على الغزل الكهربائي، وهي طريقة راسخة لصنع ألياف نانو مستمرة. في الإعداد النموذجي، يسحب فرق جهد عالي نفاثاً رفيعاً من محلول البوليمر من إبرة نحو جامع، ما يطيله إلى ألياف دقيقة مع تبخّر المذيب. يمكن لتعديل تركيبة المحلول، أو الجهد المطبق، أو معدل التدفق، أو المسافة إلى الجامع أن يجعل الألياف أكثر سمكاً أو أقل، وأن تكون ملساء أو مسامية أكثر. لكن هذه المقاييس تتفاعل بطرق معقدة وغير خطية، لذا قد تؤدي تغييرات صغيرة إلى نتائج غير متوقعة. بدلاً من الاعتماد على قواعد تقريبية، يقترح المؤلفون بناء «توأم رقمي» للعملية يمكنه التنبؤ بقطر الألياف من مجموعة محدودة من التجارب المصممة جيداً، ثم استخدام هذا التوأم بالعكس لإيجاد إعدادات تُنتج السمك المرغوب.

بناء توأم رقمي لعملية الألياف

لبناء هذا التوأم الرقمي، استخدم الفريق مجموعة بيانات موجودة ومصممة بعناية تضم 96 تجربة غزل كهربائي على بوليمر البوليفينيل كحول، وهو بوليمر شائع قابل للذوبان في الماء. نوّعت كل تجربة أربعة معلمات عملية رئيسية: تركيز المحلول، الجهد المطبق، معدل التدفق، والمسافة من الطرف إلى الجامع، وسجلت القطر المتوسط الناتج للألياف، الذي تراوح بين نحو 200 إلى 350 نانومتراً. اختبر الباحثون أحد عشر طريقة مختلفة في التعلّم الآلي لمعرفة أيها يمكنه تعلم العلاقة بين المدخلات الأربعة وقطر الألياف بشكل أفضل. شملت هذه الطرق تناسبات خطية بسيطة ونماذج «تجميعية» أكثر مرونة تجمع بين العديد من أشجار القرار الصغيرة.

معرفة ما الذي يتحكم فعلاً في حجم الألياف

من بين جميع النماذج، قدّم خوارزم يُدعى التعزيز التدرجي المتطرف (XGBoost) أفضل أداء، موضحاً نحو 89 بالمئة من التباين في قطر الألياف على بيانات لم تُستخدم أثناء التدريب. وللتأكد من أن هذا النموذج ليس دقيقاً فقط بل ذو معنى فيزيائي، استخدم المؤلفون أداة تفسيرية تُعرف بتحليل SHAP. هذا الأسلوب يقدّر مقدار مساهمة كل مدخل في التنبؤ. كشف التحليل أن الجهد المطبق وتركيز المحلول يهيمنان على سمك الألياف: فالجهد الأعلى يميل إلى شد النفاثة أكثر، مما يعطي أليافاً أرق، بينما يقاوم المحلول الأعظم تركيزاً (والذي عادة ما يكون أكثر لزوجة) الشد فينتج أليافاً أكثر سمكاً. أما معدل التدفق والمسافة فكان لهما تأثير أقل لكنه ما زال يحرّك القطر بشكل يتوافق مع ملاحظات التجريبين منذ زمن.

ترك الخوارزميات تبحث عن الوصفة المناسبة

مع وجود النموذج البديل، تعامل الفريق مع مسألة «التصميم العكسي»: بالنظر إلى قطر مستهدف، ما إعدادات العملية التي ينبغي استخدامها؟ صاغوا هذه المسألة كتصغير للفجوة بين القطر الذي يتنبأ به النموذج والقيمة المطلوبة، مع إبقاء جميع المعلمات ضمن نطاقات واقعية. قُورنت سبع استراتيجيات تحسين، من المسح الشبكي الشامل والبحث العشوائي البسيط إلى طرق متقدمة قائمة على التجمعات التي تحسّن مراراً العديد من الحلول المرشحة. برزت تقنية تسمى تحسين سرب الجسيمات (PSO)، التي تحاكي مجموعة من الجسيمات تستكشف المشهد وتتبادل المعلومات، كالفائز الواضح. وصلت إلى الأقطار المستهدفة بأخطاء صغيرة للغاية—بمتوسط يقارب 2 نانومتر—وباستمرار عبر تشغيلات متكررة، وكل ذلك مع أوقات حساب معقولة.

القيود وفرص النمو

الإطار مضبوط حالياً لِبوليمر واحد في بيئة مختبرية مسيطَر عليها، لذا لا يمكنه بعد التنبؤ بسلوك مواد مختلفة تماماً أو ظروف محيطة متغيرة مثل الرطوبة. كما أن مجموعة البيانات، رغم تخطيطها بعناية، صغيرة نسبياً وتفتقر إلى قياسات مكررة تحت شروط متطابقة، والتي من شأنها أن تساعد في تقدير التباين الطبيعي. يرى المؤلفون أن إضافة المزيد من التجارب، بما في ذلك بوليمرات وظروف محيطة مختلفة، وإدخال النتائج الجديدة مرة أخرى في النموذج سيجعل التوأم الرقمي أكثر عمومية وموثوقية. كما يقترحون توسيع الطريقة للتحكم ليس فقط في القطر بل في خصائص أخرى مثل متانة الألياف أو نسيج السطح، وإدماج قيود التصنيع العملية مباشرة في عملية التحسين.

ماذا يعني هذا لمواد المستقبل

من خلال الجمع بين توأم رقمي معتمد على البيانات وخوارزمية بحث قوية، تحوّل هذه العملة الغزل الكهربائي من فن يوجهه الخبرة إلى مهمة تصميم أكثر قابلية للتنبؤ. بدلاً من إجراء عشرات التجارب للوصول إلى حجم الألياف الصحيح، يمكن للباحثين أو المهندسين تحديد الهدف وطلب اقتراح إعدادات عملية قابلة للتنفيذ من الحاسوب في ثوانٍ، ثم التحقق تجريبياً من عدد قليل من الاقتراحات فقط. وعلى الرغم من تطبيقها على ألياف النانو، يمكن أن تسرّع نفس الاستراتيجية—التعلم من مجموعة مضغوطة من التجارب، ثم استخدام ذلك عكسياً—تصميم العديد من المواد والعمليات الأخرى، مما يساعد المرشحات والهياكل الخلوية والبطاريات والطلاءات الجديدة على الانتقال من الفكرة إلى الواقع بسرعة أكبر.

الاستشهاد: Mahdian, M., Ender, F. & Pardy, T. A surrogate-based inverse design framework for targeted diameter control of electrospun nanofibers. Sci Rep 16, 11034 (2026). https://doi.org/10.1038/s41598-026-40692-3

الكلمات المفتاحية: الغزل الكهربائي, ألياف النانو, التصميم العكسي, التعلّم الآلي, تحسين العملية