تسريع تحديد البنية الدقيقة الذرّية باستخدام التعلم المعزز على الرسوم البيانية

لماذا يهم هذا البحث

عندما ينظر العلماء إلى ضوء النجوم أو بلازما الاندماج أو مصابيح صناعية، يرون آلاف الخطوط الملونة الحادة. كل خط يحتفظ بمعلومات حول تركيب الذرّات، لكن استخراج تلك البنية يدوياً قد يستغرق من الخبراء سنوات. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يتحمل جزءاً كبيراً من هذه المهمة، محوّلاً أشهراً أو حتى عقوداً من الجهد البشري إلى عمل يُنجز في ساعات، مع الحفاظ على الدقة المطلوبة للاستخدام العلمي الحقيقي.

قراءة بصمات الذرّات

كل عنصر كيميائي يصدر نمطاً فريداً من خطوط الطيف، يشبه إلى حد ما رمزاً شريطياً. وراء كل خط قفزة بين مستويي طاقة داخل الذرّة. بالنسبة للعناصر الثقيلة، خصوصاً تلك ذات ترتيب إلكتروني أكثر تعقيداً، قد توجد آلاف مثل هذه المستويات. العمل الدقيق على حساب طاقاتها والخواص المرتبطة بها يُسمى تحليل المصطلحات (term analysis)، وهو أمر حاسم لمجالات تتراوح من تصميم الإضاءة ومعالجة المعادن إلى البحوث النووية، إنتاج النظائر الطبية، طاقة الاندماج والفلك. يعتمد الفلكيون بشكل خاص على بيانات ذرّية دقيقة لفهم العناصر الموجودة في النجوم وفي أحداث غريبة مثل اندماجات نجوم النيوترون.

عنق الزجاجة في بيانات الذرّات

يمكن للأجهزة الحديثة تسجيل عشرات الآلاف من خطوط الطيف لعنصر واحد في غضون أسابيع، وتستطيع النظرية التنبؤ بأنماط المستويات بسرعة معقولة. الخطوة البطيئة هي تحويل كل تلك القياسات إلى مجموعة متسقة من مستويات الطاقة الدقيقة. يجب على الخبراء تحديد أي الخطوط المرصودة تنتمي لأي انتقالات نظرية، ثم تحسين طاقات المستويات حتى تتوافق مع البيانات. بالنسبة لبعض أيونات الكوبالت والنيوديميوم التي يناقشها المؤلفون، كان هذا تاريخياً يعني سنوات من العمل المفصّل لكل عنصر. على الرغم من جهود عقود، لا تزال العديد من مستويات العناصر الأثقل مجهولة، والحسابات النظرية وحدها ليست دقيقة بما يكفي لتطبيقات عالية الدقة.

تعليم الذكاء الاصطناعي تحليل المصطلحات

أعاد المؤلفون صياغة تحليل المصطلحات كمشكلة قرار خطوة بخطوة يمكن للكمبيوتر تعلم حلها. يمثلون كل مستويات الطاقة المعروفة والمتوقعة كنقاط في رسم بياني، مع وصلات بينها تمثل الانتقالات المسموحة لإصدار الضوء. تتضمن حالة النظام معلومات مؤكدة تجريبياً وتخمينات نظرية. في كل خطوة، يجب على وكيل اصطناعي أولاً اختيار مستوى غير معروف للتركيز عليه، ثم اختيار مجموعة من خطوط الطيف المرصودة التي تثبت طاقة ذلك المستوى بأكبر قدر من الاتساق. هذه الحركة المكوَّنة من مرحلتين توسع تدريجياً مجموعة المستويات الموثوقة. يتعلم الوكيل استراتيجية عبر التعلم المعزز، حيث تكافأ القرارات الجيدة وتُثبَّط القرارات السيئة، مستخدماً شبكة نيورونية مبنية على الرسم البياني لفهم شبكة الاتصالات الممكنة.

التعلم من اختيارات البشر

لتوجيه الذكاء الاصطناعي نحو قرارات تحاكي حكم الخبراء، يدرب الباحثون جزءاً من نظام المكافآت على تحليلات بشرية سابقة. يستخرجون أمثلة لكيفية اختيار مطيافيين ذوي خبرة بين مطابقات الخطوط المتنافسة، ويستخدمون شبكة نيورونية منفصلة لتقليد تلك التفضيلات. تقيس مكافأة التعلم هذه مدى إقناع المستوى الجديد، استناداً إلى عوامل مثل مدى توافق شدات وخطوط الطاقة مع التوقعات، وعدد الخطوط المستقلة التي تدعم نفس قيمة الطاقة. ثم يبحث وكيل التعلم المعزز عن تسلسلات من الاختيارات تعظم هذا الثقة، مستكشفاً عملاً تجريبياً كثيراً أسرع مما يمكن للإنسان القيام به.

ما الذي حققه الذكاء الاصطناعي

اختبر الفريق طريقتهم على ثلاث أيونات نموذجية: كوبالت مؤين أحادياً وحالتان من نيوديميوم مؤين، باستخدام أطياف حقيقية عالية الدقة ومدخلات نظرية واقعية. في كل حالة، حاكوا وضعية جزئية في منتصف تحليل بشري وطلبوا من الذكاء الاصطناعي توسيعها. حدّد نظامهم، المسمى TAG DQN، مئات المستويات الإضافية خلال ساعات. بالنسبة للكوبالت، اتفقت نتائجه مع القيم المنشورة بنحو 95 بالمئة من الوقت، وبالنسبة لحالتي النيوديميوم تراوحت الاتفاقيات بين قليلاً أكثر من النصف وما يقرب من تسعين بالمئة، اعتماداً على مدى دقة النظرية الابتدائية. في مقارنات وجهاً لوجه مع استراتيجيات بحث تقليدية أكثر، طابق الوكيل القائم على التعلم أو تجاوزها عموماً في عدد المستويات الصحيحة التي وجدها.

دلالات للعلم المستقبلي

لباحثين يعتمدون على بيانات ذرّية دقيقة، يقترح هذا العمل أن جزءاً كبيراً من أكثر جوانب تحليل المصطلحات روتينية يمكن تفويضه للآلات، بينما يركز البشر على فحص الحالات الصعبة وصقل الفيزياء الأساسية. لا تحل الطريقة محل حكم الخبراء، ولا تزال تعتمد على الحسابات النظرية، لكنها قادرة بسرعة على توليد مخططات مستويات مرشحة عالية الجودة التي كانت ستستغرق شهوراً أو سنوات لتجميعها. مع تمديد وتحسين أدوات مشابهة، قد تساعد في إبقاء قواعد بيانات الذرّات متماشية مع الطلبات الملاحظة المتزايدة، كما تقدم مثالاً أوسع لكيفية مساعدة الذكاء الاصطناعي في مجالات علمية أخرى معقدة وثقيلة البيانات.

الاستشهاد: Ding, M., Darvariu, VA., Ryabtsev, A.N. et al. Accelerating atomic fine structure determination with graph reinforcement learning. Commun Phys 9, 158 (2026). https://doi.org/10.1038/s42005-026-02582-y

الكلمات المفتاحية: أطياف ذرّية, مستويات الطاقة, التعلم المعزز, شبكات نيورونية على الرسوم البيانية, تشخيص البلازما