نموذج لغوي كبير متعدد الوسائط لعلوم المواد

لماذا تهم المواد الجديدة في الحياة اليومية

من بطاريات هواتف أفضل إلى ألواح شمسية أكثر كفاءة وحواسيب أسرع، تعتمد العديد من تقنيات الغد على اكتشاف وتحسين مواد جديدة. ومع ذلك فإن معرفة أي تراكيب ذرية ستمنح الخواص المناسبة يشبه البحث عن إبر في كوم قش بحجم كوني. يقدم هذا المقال MatterChat، نظام ذكاء اصطناعي مصمم للتواصل مع العلماء بلغة يومية مع القدرة أيضاً على «رؤية» البنية الذرية التفصيلية للمواد، مما يساعد في التنبؤ بسلوكها وكيفية تصنيعها في المختبر.

مساعد رقمي يرى الذرات ويقرأ الكلمات

تم تصميم MatterChat لدمج نوعين مختلفين من المعلومات: الترتيب ثلاثي الأبعاد الدقيق للذرات في مادة صلبة والنصوص والأسئلة والمعرفة التي يستخدمها العلماء. من جهة، يستقبل النظام بنية بلورية يمكن تمثيلها كشبكة من الذرات والروابط. يعالجها عبر نماذج مستوحاة من الفيزياء تم تدريبها على مئات الآلاف من المواد المعروفة لإنتاج بصمات رقمية مُدمجة لكل ذرة وبيئتها. ومن الجهة الأخرى، يحول نموذج لغوي كبير—مبني على نظام Mistral 7B مفتوح المصدر—سؤال المستخدم، مثل الاستفسار عن الثبات أو السلوك الإلكتروني، إلى تمثيل داخلي خاص به. ثم يتعلم مكوّن «جسر» مصمم خصيصاً كيفية مواءمة هذين العالمين حتى يستطيع النموذج اللغوي أن يستدل مباشرة على ما تفعله الذرات.

تدريب النظام باستخدام فهرس غني من المواد

لتدريب MatterChat، اعتمد المؤلفون على قاعدة بيانات كبيرة تحتوي على 142,899 مادة غير عضوية من مشروع المواد. لكل مادة، استخدموا ليس فقط البنية الذرية الكاملة ولكن أيضاً اثني عشر نوعاً من المعلومات الوصفية. شملت هذه من المعرفات الأساسية مثل الصيغة الكيميائية ونوع التناظر وفصيلة البلورة إلى تسعة خواص رئيسية بما في ذلك ما إذا كانت المادة موصلة أو عازلة، فجوة النطاق الإلكتروني، السلوك المغناطيسي وعدّة مقاييس للاستقرار الثرموديناميكي. من خلال إقران كل بنية بالعديد من الأسئلة والأجوبة على شكل نصوص حول هذه الخواص، تعلّم النظام ربط أنماط الترتيبات الذرية بالكلمات التي يستخدمها العلماء لوصف وتحليل المواد.

من الاستعلامات البسيطة إلى الاستدلال بأسلوب علمي

بعد التدريب، يمكن لـ MatterChat أن يفعل أكثر من مجرد تكرار سجلات قاعدة البيانات. عندما يقدّم المستخدم بنية، يستطيع النظام الإجابة على مجموعة واسعة من الأسئلة، مثل تحديد الصيغة، التخمين ما إذا كانت المادة قابلة للتواجد في المختبر، أو تقدير طاقات تتطلب عموماً حسابات كمية مكثفة. يعرض المؤلفون أمثلة حيث ينتج MatterChat تقييمات مفصلة لمواد محددة، بما في ذلك تعليقات حول الثبات، فجوات النطاق والمغناطيسية. وفي بعض الحالات يتجاوز ذلك، مولداً وصفات مخبرية معقولة خطوة بخطوة لصنع مركبات معروفة جيداً مثل نيتريد الغاليوم والفرجينات الحديدية الإيتيرية، مستفيداً من المعرفة العلمية العامة المخزنة في نموذجه اللغوي مع تدعيم إجاباته بالبنية البلورية المقدمة.

تفوق على الدردشات متعددة الأغراض في الأرقام الصعبة

نتيجة بارزة هي أن MatterChat يتفوق في توقع الخواص الكمية للمواد مقارنة بكل من النماذج اللغوية التقليدية وعدة أدوات تعلم آلي متخصصة قائمة على الفيزياء. عبر تسع مهام معيارية، كان أدق في تقرير، على سبيل المثال، ما إذا كان صلب ما موصلاً أو مستقراً أو مغناطيسياً. وبالنسبة للكمميات المستمرة مثل طاقة التكوين أو فجوة النطاق، كانت توقعاته أقرب إلى القيم المحسوبة من محاكيات حاسوبية مطلوبة. وهذا يظل صحيحاً حتى عند اختباره على مجموعة منفصلة من المركبات المكتشفة حديثاً من مشروع GNoME، والتي لم تُستخدم أثناء التدريب. كما يحلل المؤلفون التمثيلات الداخلية للنظام ويظهرون أن الهياكل المشابهة تتجمع معاً وأن تغيّرات الاستقرار تتتبع بسلاسة عبر هذه الخريطة الداخلية، مما يدل على أن النموذج تعلّم أنماطاً ذات معنى كيميائياً.

ماذا قد يعني هذا لاكتشاف مواد جديدة

بالنسبة لغير المتخصصين، الخلاصة أن MatterChat يعمل كشريك محادثة يفهم اللغة العلمية ولديه إحساس مفصل بكيفية ترتيب الذرات في المواد الصلبة. من خلال دمج هاتين القدرتين، يمكنه الإجابة بسرعة على أسئلة كانت تتطلب في السابق حدساً خبيراً وحسابات مكلفة، ويمكنه اقتراح مسارات تصنيع واقعية للمرشحين الواعدين. وعلى الرغم من ملاحظة المؤلفين أن النظام لا يزال يواجه صعوبة مع الأرقام الدقيقة جداً وقد يخطئ أحياناً بثقة مفرطة، إلا أنهم يجادلون بأن تصميمه الوحدوي وأدائه القوي يمثلان خطوة مهمة نحو أدوات ذكاء اصطناعي تساعد العلماء على التنقل في الفضاء الشاسع للمواد الممكنة، مسرّعةً الطريق من الأفكار إلى تقنيات قابلة للعمل.

الاستشهاد: Tang, Y., Xu, W., Cao, J. et al. A multimodal large language model for materials science. Nat Mach Intell 8, 588–601 (2026). https://doi.org/10.1038/s42256-026-01214-y

الكلمات المفتاحية: اكتشاف المواد, الذكاء الاصطناعي متعدد الوسائط, هياكل البلورات, تنبؤ الخواص, الدردشات العلمية