التعلم الآلي القابل للتفسير لتصميم مواد التحويل الحراري الكهربائي باستخدام شبكات كولموغوروف–أرنولد

تحويل الحرارة إلى طاقة مفيدة

يُهدر كل يوم كميات هائلة من الطاقة على شكل حرارة مفقودة من محركات السيارات والمصانع وحتى أجهزتنا الإلكترونية. توفر المواد الثرمَوإلكتريك طريقة لتحويل جزء من تلك الحرارة الضائعة مباشرة إلى كهرباء، دون أجزاء متحركة ودون وقود. لكن العثور على مواد جديدة تعمل بكفاءة عالية أمر صعب، لأن أدائها يعتمد على عدة خصائص إلكترونية مرتبطة ارتباطًا وثيقًا. تستكشف هذه الدراسة نوعًا جديدًا من الذكاء الاصطناعي يمكنه ليس فقط التنبؤ بمدى جودة مادة ما، بل أيضًا تفسير السبب — فاتحًا طريقًا أوضح لتصميم مركبات ثرمَوإلكتريك أفضل.

لماذا يصعب إيجاد مواد أفضل لتحويل الحرارة إلى طاقة

تعتمد الأجهزة الثرمَوإلكتريك على مواد تُولد فرق جهد حين يكون أحد جانبيها ساخنًا والجانب الآخر باردًا. تُقاس كفاءتها برقم يُدعى zT، الذي يعتمد على ثلاثة مكونات رئيسية: مدى استجابة حاملي الشحنة للحرارة (معامل سيباك)، ومدى سهولة حركتهم (الموصلية الكهربائية)، ومدى قدرة المادة على نقل الحرارة (الموصلية الحرارية). تحسين أحد هذه العناصر غالبًا ما يضر بالآخر — على سبيل المثال، تحسين الموصلية الكهربائية قد يزيد كذلك من نقل الحرارة، مما يقلل الكفاءة. يمكن للمحاكاة الكمية التقليدية، مثل نظرية الكثافة الوظيفية، التنبؤ بهذه الخصائص انطلاقًا من البنية الذرية، لكنها مكلفة حسابيًا لدرجة لا تسمح بتطبيقها على ملايين المواد المرشحة.

النماذج الصندوق الأسود والحاجة إلى الفهم

أصبحت نماذج التعلم الآلي مؤخرًا أدوات قوية لتقدير خواص المواد بسرعة استنادًا إلى محاكاة وتجارب سابقة. في هذا العمل، يبدأ الباحثون من أوصاف عددية غنية لهياكل البلورات ينتجها مشفّر متخصص اسمه "كريستالفورمر"، الذي يلتقط كيفية ترتيب الذرات وتفاعلاتها في البلورة. درّبوا أولًا نموذجًا شائعًا للتعلم العميق (متعدد الطبقات) للتنبؤ بكميةَين رئيسيتين: معامل سيباك والفجوة الإلكترونية (band gap)، التي تؤثر في سهولة وجود حوامل شحنة متحركة في المادة. يحقق هذا النموذج دقة عالية في المهمتين عبر مجموعة بيانات كبيرة تضم نحو 15,000 مركب. ومع ذلك، وكما هو الحال مع معظم الشبكات العميقة، يتصرف كنموذج صندوق أسود، ولا يقدم إرشادًا واضحًا حول أي الخصائص البنائية هي المهمة فعلاً أو كيف تتجمع للتحكم في الاستجابة الثرمَوإلكتريك.

نوع مختلف من الشبكات العصبية

الفكرة المركزية في الورقة هي استبدال الشبكات العصبية الغامضة بشبكات كولموغوروف–أرنولد (KANs). بدلًا من إخفاء كل التعقيد داخل تفعيلات العصبونات، تُلحق شبكات KAN دوال مرنة أحادية البُعد تشبه المنحنيات بالروابط بين الطبقات. رياضيًا، هذه المنحنيات هي سبلاينز سلسة تتكيف مع البيانات، ويمكن كتابة النموذج الإجمالي كمجموع دوال بسيطة لمُوَصِّفات الإدخال. بعد التدريب، يركّب المؤلفون تعابير رياضية موجزة — مبنية من دوال مألوفة مثل الجيب، جيب التمام، ودوال التشبع السلسة — لتقريب هذه السبلاينز المتعلّمة. بهذه الطريقة يصبح النموذج صيغة رمزية صريحة تربط الموصِّفات البنيوية بالفجوة الإلكترونية ومعامل سيباك، بدلًا من أن يكون مجموعة معقّدة من معاملات غامضة. رغم أن تدريب شبكات KAN أغلى حسابيًا، فإنها تحقق دقة قابلة للمقارنة، وفي بعض الحالات أفضل من، نموذج المتعدد الطبقات والعديد من أسس التعلم الآلي الأخرى في الأدبيات.

ما الذي يتعلمه النموذج عن المواد

من خلال فحص البنية الداخلية لشبكة KAN، يظهر المؤلفون أن جزءًا فرعيًا فقط من بين 128 موصِّفًا بنيويًا يؤثر بقوة على كل خاصية. يحسبون درجات الانتماء (attribution scores) لتحديد أهم الموصِّفات ثم يقصّون الوصلات الضعيفة، محوّلين الشبكة إلى بنية متناثرة أسهل في التفسير مع حفاظ على جودة التنبؤات. باستخدام أزواج من أعلى الموصِّفات ترتيبًا، يبنون خرائط ثنائية الأبعاد تُظهر كيف تتغير الفجوة الإلكترونية أو معامل سيباك المتوقَّع عبر فضاء الموصِّفات. تكشف هذه الخرائط عن تأثيرات سلسة وتعاونية، حيث تتداخل الاتجاهات المتذبذبة واتجاهات التشبع، بدلًا من قواعد بسيطة بنمط واحد لواحد. من الناحية الكيميائية، يواجه النموذج صعوبة أكبر في الأنظمة المعقدة ذات الترابط الاتجاهي العالي أو الإلكترونات d و f ذات التداخل القوي، لكن حتى في هذه الحالات تنتج شبكات KAN تنبؤات أكثر استقرارًا ومنطقية فيزيائيًا من النموذج الصندوق الأسود. على سبيل المثال، تولد عددًا أقل من الفجوات السالبة غير الفيزيائية وأقل من قيم سيباك ذات الإشارة الخاطئة.

من التنبؤ إلى التصميم الموجَّه

لأن شبكات KAN تخرج تعابير سلسة وصريحة بدلًا من توقعات عددية فقط، يمكن استخدامها لاستكشاف كيف سيؤثر تغيير الموصِّفات الأساسية على الأداء الثرمَوإلكتريك. وعلى الرغم من أن هذه الموصِّفات لا تزال كميات مجردة مستخرجة من مشفّر هيكلي عميق، إلا أنها تتوافق مع خصائص حقيقية لترتيبات الذرات والترابط. هذا يعني أن الباحثين يمكنهم استخدام نموذج KAN التحليلي كخريطة: بمسحه بحثًا عن المناطق المرتبطة بمعامل سيباك مرتفع وفجوة إلكترونية مناسبة، يمكنهم تضييق نطاق المواد الواعدة، ثم ربط أنماط الموصِّفات تلك إلى هياكل بلورية مرشحة في قواعد بيانات كبيرة أو أدوات التصميم التوليدية.

ما الذي يعنيه هذا لمستقبل المواد

بالنسبة للقارئ العادي، الرسالة الأساسية هي أن هذا العمل يقربنا من ذكاء اصطناعي "صندوق زجاجي" لاكتشاف المواد. تؤدي شبكات كولموغوروف–أرنولد أداءً يكاد يضاهي أفضل المتنبئين الصندوق الأسود، لكنها أيضًا تعرض، بصيغة رياضية، كيف ترتبط ميزات بنية البلورة بقدرتها على تحويل الحرارة إلى كهرباء. يمكن لهذا المزيج من السرعة والدقة وقابلية التفسير أن يساعد العلماء على اتخاذ قرارات مدروسة بشأن المركبات الجديدة التي يجب تركيبها واختبارها، مما قد يقصّر الطريق من البيانات الخام إلى أجهزة ثرمَوإلكتريك عملية تحصد الحرارة المهدرة وتحسن كفاءة الطاقة.

الاستشهاد: Fronzi, M., Ford, M.J., Nayal, K.S. et al. Interpretable machine learning for thermoelectric materials design with Kolmogorov–Arnold networks. Sci Rep 16, 14146 (2026). https://doi.org/10.1038/s41598-026-44723-x

الكلمات المفتاحية: مواد تحويل الحرارة إلى كهرباء, التعلم الآلي القابل للتفسير, شبكات كولموغوروف–أرنولد, تصميم المواد, معامل سيباك