متنبئ الكريستال السائل: منصة تعلم آلي للتصنيف وتوقع تحولات الطور

لماذا يهم التنبؤ بالمادة اللينة

من شاشات الهواتف إلى النوافذ الذكية والروبوتات اللينة، تعتمد العديد من التقنيات الحديثة على الكريستالات السائلة — مواد تتدفق مثل السوائل لكنها تحتفظ ببعض الترتيب الذي يميز المواد الصلبة. لا يزال تصميم كريستالات سائلة جديدة يعتمد إلى حد كبير على التجربة والخطأ، لأن من الصعب التنبؤ بدرجات الحرارة التي تنتقل عندها بين الحالات المرتبة وغير المرتبة. تقدم هذه الدراسة منصة مفتوحة تعتمد على التعلم الآلي تساعد العلماء على توقع متى يذوب جزيء مرشح ليصبح كريستالًا سائلًا ومتى يفقد ترتيبه تمامًا، مما يسهل اختراع مواد أفضل لأجهزة المستقبل.

ما الذي يجعل هذه السوائل مفيدة

تحتل الكريستالات السائلة موقعًا غريبًا بين الصلب والسائل. تميل جزيئاتها — غالبًا على شكل قضبان أو أقراص أو منحنية — إلى أن تشير في اتجاهات متشابهة، مكوِّنة أطوارًا مرتبة لكنها سائلة. لأي تطبيق عملي، يجب أن يكون هذا الترتيب مستقرًا ضمن نافذة درجات حرارة محددة عادةً بنقطتين أساسيتين: درجة الانصهار، حيث يتحول بلور صلب لأول مرة إلى طور الكريستال السائل، ودرجة المسح (clearing)، حيث يتحول هذا الطور أخيرًا إلى سائل عادي. معرفة هاتين الدرجتين مسبقًا تمكّن المهندسين من تحديد ما إذا كان المادتان ستعمل في جهاز حساس يعمل في درجة حرارة الغرفة، أو شاشة سيارة ساخنة، أو جهاز طبي.

تعليم الحواسب التعرف على الجزيئات الواعدة

جمع الباحثون أولًا ونقّحوا مجموعة بيانات عامة كبيرة تضم 11,335 جزيءًا عضويًا. من بينها، 1,256 معروفة بأنها كريستالات سائلة تنتمي إلى العائلات الثلاث الرئيسة — ذات الشكل القضيبِي، القرصي، والنواة المنحنية — بينما الباقي مركبات غير كريستالية سائلة مأخوذة من مجالات متعددة في الكيمياء. باستخدام هذه المجموعة، درّبوا وقارنوا عدة نماذج تعلم آلي لتمييز جزيئات الكريستال السائل عن غيرها. من خلال دمج ثلاثة نماذج مكملة في نظام «تصويت بالأغلبية» يُفضّل تصنيف المرشح ككريستال سائل بدل تفويته، استعاد المصنّف تقريبًا جميع الكريستالات السائلة المعروفة في اختبار مستقل، مع أداء قوي بشكل خاص لأنواع القرصية والنواة المنحنية الأكثر تعقيدًا.

توقع درجات الحرارة الأساسية من شكل الجزيء

بمجرد وسم الجزيء كمرشح محتمل للكريستال السائل، التحدي التالي هو التنبؤ بدرجات انصهاره ومسحه. لمعالجة ذلك، قارن الفريق الخوارزميات التقليدية التي تعتمد على بصمات مُحسوبة مسبقًا لبنية الجزيء مع نهج أحدث يعالج كل جزيء كرسوم بيانية من الذرات والروابط. بالنسبة لدرجات الانصهار، أعطى نموذج هجين يمزج بين مقيّم بالغابات العشوائية وشبكة عصبية رسومية أفضل دقة إجمالية، معتبرًا سلوكيات المواد القضيبية والقرصية والمنحنية المختلفة بنجاح. أما بالنسبة لدرجات المسح، فقد عّمّم النموذج القائم على الرسوم البيانية وحده بشكل أفضل، على الأرجح لأن هذا الانتقال الأعلى حرارة يعتمد أكثر على الشكل العام والاتصال في الجزيء بدل التفاصيل المحلية.

كشف الأنماط الدقيقة وفهم حالات الفشل

اختبار صارم لأي أداة تنبؤية هو ما إذا كانت تلتقط الأنماط الدقيقة التي يعرفها الكيميائيون من خبرتهم. هنا، لم تقتصر النماذج على إعادة إنتاج نطاقات درجات الحرارة النموذجية فحسب، بل كررت أيضًا ما يُعرف بتأثيرات الفردي‑الثنائي (odd–even)، حيث يؤدي إضافة أو إزالة ذرة كربون واحدة في سلسلة جانبية إلى تذبذب درجات الانتقال. كما فحص المؤلفون الحالات التي كانت فيها التنبؤات خاطئة بأكثر من نحو 30 درجة. غالبًا ما امتلكت هذه الجزيئات المربكة هياكل خلفية ذات انحناءات شديدة، أو نوى قرصية ضخمة، أو بدائل غير معتادة مثل تعدد ذرات الفلور، وكلها يمكن أن تغير طريقة تكديس الجزيئات بطرق لا تلتقطها البيانات والوصفات الموصوفة حاليًا تمامًا. يشير هذا التحليل إلى المجالات التي يمكن أن تحسّن فيها التجارب الإضافية والميزات المحسنة أداء الأداة.

اختصار جديد لتصميم المواد المستقبلية

كل البيانات والنماذج وواجهة الويب سهلة الاستخدام متاحة علنًا كـ "متنبئ الكريستال السائل". يمكن للباحث الآن رسم أو تحديد جزيء، وتتيح المنصة تحديد ما إذا كان مرجحًا أن يشكل طورًا كريستاليًا سائلاً، وتقدير درجات الحرارة التي سيظهر ويختفي عندها — دون حاجة لخبرة عميقة في التعلم الآلي. رغم أن الدقة لا تزال أقل لبعض العوائل الجزيئية الممثلة تمثيلًا ناقصًا، فإن النظام يقدم بالفعل دليلاً قويًا لفرز المرشحين قبل التخليق والاختبار. ومع مرور الوقت، ومع إضافة تراكيب أكثر غرابة وموصِفات بنيوية أفضل، قد تحول أدوات مثل هذه البحث عن مواد كريستال سائلة متقدمة من صناعة تعتمد على الحدس إلى علم تعاوني قائم على البيانات.

الاستشهاد: Wu, H., Patel, H., Xiang, Y. et al. Liquid crystal predictor: a machine learning platform for classification and phase transition forecast. npj Soft Matter 2, 11 (2026). https://doi.org/10.1038/s44431-026-00020-1

الكلمات المفتاحية: الكريستالات السائلة, التعلم الآلي, تحولات الطور, تصميم المواد, المادة اللينة