تسريع اكتشاف أطر معدنية عضوية لتخزين الهيدروجين عبر التعلم الآلي في تطبيقات الطاقة

لماذا هذا مهم للطاقة النظيفة

يُنظر إلى الهيدروجين غالبًا على أنه وقود نظيف للمستقبل، لكن هناك مشكلة عملية مثابرة: إنه خفيف جدًا، لذا فإن حشْو كمية كافية من الهيدروجين في خزان آمن ومضغوط للسيارات أو الشاحنات أو السفن أمر صعب. تُظهر هذه الورقة كيف يمكن للطرق الحاسوبية، وبالأخص التعلم الآلي، أن تنقّب عبر ما يقرب من مئة ألف مادة مسامية متقدمة تُدعى الأُطُر المعدنية العضوية (MOFs) للعثور على تلك القادرة على تخزين الهيدروجين بكثافة وكفاءة. يشير العمل إلى سبل أسرع وأرخص لتحديد الجيل القادم من خزانات الهيدروجين التي قد تساعد المجتمع على الابتعاد عن الوقود الأحفوري.

مواد إسفنجية مصممة حسب الطلب

الأُطُر المعدنية العضوية هي مواد بلورية تبدو، على المستوى الجزيئي، كقواعد معقدة ذات مساحة سطح داخلية هائلة وفراغ داخلي كبير. يمكن لهذه «الإسفنجيات» الصغيرة أن تمتص وتطلق جزيئات الغاز مثل الهيدروجين مرارًا وتكرارًا. من خلال استبدال لبنات البناء المعدنية والروابط العضوية، يمكن للعلماء ضبط حجم المسام وشكلها وانفتاحها. تبيّن أن خصائص مثل كمية الفراغ الداخلي (كسرة الفراغ)، وحجم المسام المتاح، ومساحة السطح المعرضة لجزيئات الغاز أهم للقدرة على تخزين الهيدروجين من الوصفة الكيميائية الدقيقة. والتحدي أن قواعد البيانات تحوي أكثر من 100,000 هيكل ممكن للأُطُر المعدنية العضوية، لكن جزءًا ضئيلاً منها فقط تم تصنيعه واختباره مخبريًا، ومحاكاة الحاسوب التفصيلية لكل مرشح مكلفة للغاية.

ترك الحواسيب لتستكشف الإمكانات

لمعالجة عنق الزجاجة هذا، يجمع المؤلفون محاكيات امتصاص غاز عالية الدقة مع التعلم الآلي. بدأوا من قاعدة بيانات موجودة تسمى HyMARC، التي تسرد 98,695 إطارًا معدنيًا عضويًا من عدة مجموعات بحثية وجامعات. لكل إطار، يستخدمون أدوات محاكاة معتمدة لحساب كمية الهيدروجين التي يمكن أن يخزنها ثم يطلقها ضمن دورة «تغير درجة الحرارة–الضغط» واقعية: تُملأ المادة بالهيدروجين عند درجة حرارة منخفضة جدًا وضغط عالٍ، ثم تُسخَّن وتُخفَّض الضغوط لتسليم الغاز. من كل بنية بلورية يستخلصون سبعة مواصفات هندسية فقط، بما في ذلك الكثافة، وحجم المسام، وعدد من مقاييس مساحة السطح، وقطرا مسام مميزان. تلتقط هذه الأرقام البسيطة مقدار الفراغ والمساحة التي يمكن لجزيئات الهيدروجين استكشافها داخل كل إطار.

تعليم الشبكات العصبية لتقدير سعة التخزين

بعد ذلك يدرّب الفريق نوعين من الشبكات العصبية — نماذج ذات تغذية أمامية ونماذج تعرف أنماط — لتعلّم العلاقة بين تلك المواصفات السبعة ونتيجتين أساسيتين: كمية الهيدروجين المخزنة بالوزن (السعة الجرافيتمية) وبالحجم (السعة الحجميّة). تُعدّل طريقة تحسين مستوحاة من الفيزياء، تُسمى مُحسّن التوازن (Equilibrium Optimizer)، تلقائيًا حجم وتصميم كل شبكة لتقليل أخطاء التنبؤ. بعد التدريب على معظم قاعدة البيانات واحتفاظ جزء للاختبار، تعيد النماذج نتائج المحاكاة بدقة لافتة، خصوصًا فيما يتعلق بالتخزين بالوزن. تؤكد التحليلات أيضًا اتجاهات معقولة فيزيائيًا: الأُطُر ذات حجم مسام أكبر وكسرة فراغ أعلى تخزن عمومًا هيدروجينًا أكثر بالوزن، بينما تتحقق أقصى سعة حجمية عند كثافة متوسطة حيث تتوازن المسامية والتراص بشكل جيد.

العثور على مواد متميزة في حقل مزدحم

مسلّحين بهذه الشبكات المدربة، يقوم الباحثون بمسح سريع لجميع 98,695 إطارًا لتمييز المرشحين الواعدين، ثم يتحققون من أفضلها عبر محاكاة كاملة. يستخدمون إطارًا معروفًا هو MOF‑5 كنقطة مرجعية ويطبقون أيضًا أهدافًا طموحة لوزارة الطاقة الأمريكية لتخزين الهيدروجين. تكشف عملية الفرز عن 1,289 إطارًا تلبي أو تتجاوز هذه الأهداف في آنٍ واحد، وضمن تلك المجموعة توجد 12 بنية تتفوق على MOF‑5 في الأداء كلٍّ من حيث الوزن والحجم. تشترك العديد من أفضل المواد هذه بصفات مماثلة — كثافة معتدلة، ومساحة سطح كبيرة لكن غير مفرطة، وفراغ داخلي عالٍ — ويأتي عدد من هذه المواد من قاعدة بيانات افتراضية أعدتها جامعة نورثويسترن، ما يبرز قيمة استكشاف تصاميم لم تُصنع بعد.

ما يعنيه هذا لخزانات الهيدروجين المستقبلية

بعبارة بسيطة، تُظهر هذه الدراسة أن مجموعة صغيرة من الخصائص الهيكلية السهلة الحساب، مقرونة بشبكات عصبية مصممة جيدًا، يمكن أن تحل محل محاكاة أكثر استهلاكًا للوقت عند البحث عن مواد لتخزين الهيدروجين. لا يمكن لهذه المقاربة بعد أن تضمن أن كل إطار مقترح سيكون سهل التصنيع أو مستقرًا ميكانيكيًا، لكنها تضيق نطاق البحث بشكل كبير إلى قائمة قصيرة يمكن للكيميائيين اختبارها. من خلال إظهار أي الصفات الهندسية هي الأكثر أهمية وتسليط الضوء على مرشحين محددين عاليي السعة، تقرب هذه الدراسة خزانات الهيدروجين العملية والمضغوطة خطوة أخرى إلى التطبيق وتُبرِز كيف يمكن للأدوات القائمة على البيانات تسريع اكتشاف المواد من أجل نظام طاقة أنظف.

الاستشهاد: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

الكلمات المفتاحية: تخزين الهيدروجين, أطر معدنية عضوية, التعلم الآلي, مواد مسامية, اكتشاف مواد الطاقة