إطار معالجة صور مدفوع بالذكاء الاصطناعي للكشف عالي الدقة وتوصيف الفراغات في المواد ثنائية الأبعاد

لماذا تهم الفجوات الصغيرة في المواد فائقة الرقة

من الهواتف القابلة للطي إلى الحساسات شديدة الحساسية والأجهزة الكمومية، تعتمد العديد من تقنيات المستقبل على مواد «صفائحية» فائقة الرقة بسماكة ذرة واحدة. لكن هذه الطبقات الحساسة نادراً ما تكون مثالية: فهي مليئة بثقوب دقيقة حيث تفتقد ذرات. يمكن لتلك الثقوب غير المرئية أن تصنع الفارق في أداء الجهاز. الورقة البحثية الموجزة هنا تقدم طريقة جديدة بالذكاء الاصطناعي يمكنها رصد وقياس مثل هذه الفراغات بسرعة وبكلفة منخفضة من صور عادية، مما قد يسرع تصميم إلكترونيات ومواد كمومية أفضل.

مواد فائقة الرقة بإمكانات فائقة

تشتهر مواد مثل الجرافين والفوسفورين وكسيد الموليبدينوم بصلابتها وموصليتها وقدرتها على التعامل مع الضوء، كلها مضغوطة في طبقة بسماكة ذرة واحدة. يأمل المهندسون في استخدامها في النانوالإلكترونيات والفوتونيكس والتقنيات الكمومية. ومع ذلك، تكون خصائصها حساسة للغاية للعيوب. الذرات المفقودة، المسماة فراغات، قد تضعف الجهاز أو، إذا تم التحكم بها بعناية، تخلق تأثيرات مفيدة مثل حالات إلكترونية جديدة أو مواقع استشعار. للاستفادة من هذه العيوب بدلاً من أن تضر، يحتاج الباحثون إلى معرفة المكان الدقيق للفراغات، حجمها، وعددها في مساحة معينة.

مشكلة أدوات الفحص المقربة الحالية

الطرق التقليدية لدراسة هذه الفجوات الصغيرة تتضمن إما مجاهر قوية قادرة على رؤية الذرات الفردية أو محاكاة حاسوبية مكثفة تحاكي حركة كل ذرة. تقنيات مثل المجهر الالكتروني النافذ والمحاكاة الديناميكية الجزيئية يمكن أن تكون دقيقة للغاية، لكنها بطيئة ومكلفة ويصعب توسيعها لتشمل آلاف العينات. حتى الأساليب الحديثة المبنية على الاهتزاز التي تستنتج العيوب من طريقة اهتزاز الصفائح تصل بدقة تقريبية إلى حوالي 90% وما تزال تتطلب نماذج فيزيائية معقدة. مع اتساع مكتبة المواد ثنائية الأبعاد، تصبح هذه القيود عنق زجاجة حاد لاكتشاف وتحسين الأجهزة الجديدة.

تعليم الذكاء الاصطناعي لقراءة الأنماط في الصور الرمادية

يقترح المؤلف إطار عمل ذكاء اصطناعي يتجاوز فحص الذرة تلو الأخرى ويتعلم بدلاً من ذلك من الأنماط في صور رمادية بسيطة. أولاً، تُولد صور واقعية لثلاثة أنواع من الصفائح ثنائية الأبعاد، تحتوي كل واحدة على ثقوب دائرية موضوعة عشوائياً بأحجام مختلفة. تُحوّل هذه الصور إلى خرائط شدة أبيض-أسود، حيث تظهر الثقوب كمناطق أكثر سطوعاً. بدلاً من تغذية كل بكسل مباشرة إلى شبكة عصبية، يضغط الأسلوب كل صورة إلى مجموعة مُنتقاة بعناية من 25 ميزة رقمية. تلتقط هذه الميزات كيفية توزيع السطوع عبر الصفوف والأعمدة، شكل كل ثقب وتماسكه، ونسيج الصورة الإجمالي. صُممت بحيث يترك الفراغ بصمة واضحة في هذه الأرقام.

كيف يتعلم النموذج العثور على الذرات المفقودة

مع آلاف الصور المحاكاة ومواقع الثقوب المعروفة وأحجامها كبيانات تدريب، تُختبر عدة نماذج تعلم آلي. يبرز أسلوب قائم على الأشجار يسمى الغابة العشوائية كخيار أفضل توازن بين الدقة والسرعة وسهولة التفسير. يتعلم تحويل 25 ميزة إلى توقعات دقيقة لموقع كل ثقب أفقياً وعمودياً ونصف قطره الفعّال. بالنسبة للجرافين، يصل النموذج المدرب إلى دقة اختبار تتجاوز 96%، مع أداء قوي بشكل خاص لتقدير حجم الثقب. يُستخدم أداة إحصائية تسمى SHAP لاستكشاف أهم الميزات، كاشفةً، على سبيل المثال، أن متوسط موقع ذروة السطوع الأقوى حاسم لتحديد الإحداثي العمودي. تنجح الطريقة أيضاً عندما توجد فراغات متعددة في نفس الصفيحة: تُجزأ الصورة وتُحلل كل منطقة تباعاً، مع تطابق وثيق بين أحجام وكثافات الثقوب المتوقعة والقيم الحقيقية.

من المحاكاة إلى مواد العالم الواقعي

بما أن الإطار يعمل على صور رمادية قياسية، يمكن نظرياً تطبيقه على صور مأخوذة من مجاهر شائعة دون الحاجة إلى إعدادات متخصصة. وهو عام بما يكفي للتعامل مع أنماط شبكية مختلفة، كما يظهر في اختبارات على الجرافين والفوسفورين وكبريتيد الموليبدينوم. يقلل الأسلوب بشكل كبير من التكاليف التجريبية والحسابية مقارنة بالتقنيات التقليدية، مع توفير معلومات رقمية مفصلة بدلاً من مجرد «وجود عيب أم لا». رغم أن هذه الدراسة تعتمد أساساً على بيانات محاكاة، فإنها ترسم مساراً نحو بناء قواعد بيانات صور تجريبية مشتركة واستخدام النموذج كأداة مجتمعية.

ماذا يعني هذا للأجهزة المستقبلية

بعبارة بسيطة، يبين هذا العمل أن توليفة ذكية من معالجة الصور وتعلم الآلة يمكن أن تعمل كمفتش آلي للمواد الرقيقة كذرة، كاشفة ومقيسة الفجوات الدقيقة بثقة عالية. من خلال تحويل الصور البسيطة إلى أوصاف رقمية غنية ثم السماح لنموذج ذكاء اصطناعي بتفسيرها، يحصل الباحثون على وسيلة سريعة وغير مدمرة لرسم خرائط العيوب عبر العديد من العينات. قد يسرّع هذا ضبط الفراغات لتحسين التوصيل أو المتانة أو السلوك الكمومي، مما يساعد على دفع النانوالإلكترونيات والتقنيات الكمومية من المختبر نحو الاستخدام اليومي.»

الاستشهاد: Alibagheri, E. AI-driven image processing framework for high-accuracy detection and characterization of vacancies in 2D materials. npj 2D Mater Appl 10, 44 (2026). https://doi.org/10.1038/s41699-026-00667-4

الكلمات المفتاحية: المواد ثنائية الأبعاد, كشف الفراغات, تعلم الآلة, تحليل الصور, الجرافين