باحثون يطورون ذكاء اصطناعي توليدي قادر على تصميم بلورات جديدة باستخدام التعلم المعزز
© Sputnik . Yuri Somov
/ تابعنا عبر
طور باحثون نظام ذكاء اصطناعي توليدي " Generative AI " يستكشف مناطق غير مألوفة في الفضاء الكيميائي، مع إعطاء الأولوية للهياكل البلورية المتوقع استقرارها، ويمكن لهذا النهج القائم على التعلم المعزز " Reinforcement Learning" أيضاً استهداف خصائص محددة، مثل فجوة النطاق الإلكتروني المطلوبة، مع العلم أن كل مادة مقترحة لا تزال تتطلب تحققاً تجريبياً.
لماذا يُعد اكتشاف بلورات جديدة أمراً بالغ الصعوبة؟
تشكل المواد البلورية أساساً لتقنيات متنوعة، بدءاً من البطاريات ورقائق الحاسوب، وصولاً إلى المحفزات والخلايا الشمسية والتقنيات البيئية، إلا أن كل مادة قد تحتوي على عناصر مختلفة مرتبة في أنماط ذرية لا حصر لها، ما يخلق فضاءً تصميمياً واسعاً جداً يصعب على العلماء دراسة كل احتمال على حدة.
يمكن للذكاء الاصطناعي تسريع هذا البحث من خلال تعلم القواعد الهيكلية الموجودة في قواعد بيانات المواد الحالية، ثم توليد مرشحين جدد، لكن هذا يخلق مشكلة جوهرية، فالنماذج المدربة على إعادة إنتاج البيانات المعروفة تُصبح بارعةً بطبيعتها في اقتراح تراكيب مشابهة للمواد المكتشفة سابقًا، بينما قد توجد المركبات الأكثر أهمية علميًا في مناطق قليلة الاستكشاف، تكاد تكون غير ممثلة في قواعد البيانات تلك.
لذا، لا يكمن التحدي في مجرد توليد شيء غير مألوف، بل يجب على الذكاء الاصطناعي الفعال أن يقترح بلورات جديدة بما يكفي لتوسيع المعرفة العلمية، وفي الوقت نفسه واقعية بما يكفي لتظل مقبولة من الناحيتين التركيبية والديناميكية الحرارية.
لماذا لا يكفي الإبداع وحده؟
قد يُنتج نموذج الذكاء الاصطناعي، إذا مُنح حرية كاملة، ترتيبات ذرية مبتكرة للغاية، لكن الكثير منها سيكون غير مستقر، وقد يتحول فورًا إلى تراكيب أخرى، أو قد لا يتشكل أصلًا، وعلى النقيض تمامًا، قد يبقى النموذج الذي يُعطي الأولوية للاستقرار قريبًا جدًا من المركبات المألوفة، ولا يُقدم سوى القليل من الاكتشافات الحقيقية.
يصف الباحثون هذا التوتر بـ معضلة الجدة والاستقرار. فالبيئات الكيميائية المعروفة أسهل في التنبؤ، وأكثر عرضة للظهور مستقرة، بينما تُقدم التركيبات غير المألوفة قدرًا أكبر من الجدة، ولكنها تُقدم أيضًا قدرًا أكبر من عدم اليقين.
لمعالجة هذه المشكلة، طوّر الباحثون إطار عمل توليدي يستخدم التعلّم المعزز لتحقيق التوازن بين الإبداع والاستقرار والتنوع، بدلاً من التركيز فقط على التشابه مع بيانات التدريب.
كيف يُوجّه التعلّم المعزز الذكاء الاصطناعي
يمكن فهم التعلّم المعزز على أنه تعلّم من خلال المكافآت، فبدلاً من عرض البلورات الموجودة مسبقًا فقط على النموذج، يُقيّم الباحثون كل مرشح مُولّد ويُكافئون النظام عندما يقترب من الأهداف العلمية المرجوة.
يحصل النظام المقترح على درجات أعلى عندما يقترح هياكل تختلف اختلافًا جوهريًا عن المواد المعروفة، وتبدو قابلة للتطبيق من الناحية الديناميكية الحرارية، وتُوسّع نطاق الهياكل الكيميائية المستكشفة، ومن خلال مقارنة مجموعات المرشحين والتعلم من أدائهم النسبي، يُعدّل النموذج تدريجيًا استراتيجية التوليد الخاصة به نحو مجالات أكثر واعدة.
قبل بدء هذه المرحلة الموجهة بالمكافآت، يتم تدريب النموذج على قواعد بيانات بلورية ضخمة ليتعلم الأنماط الفيزيائية الأساسية، بما في ذلك البنى الدورية، والتنسيق الذري المحلي، والهندسة المرتبطة عادةً بالمركبات المحتملة. ثم يشجعه التعلم المعزز على تجاوز مجرد المحاكاة مع الحفاظ على تلك القواعد الكيميائية الأساسية.
يمكن تشبيه ذلك بمستكشف مزود بخريطة لمدن معروفة. يميل النموذج التوليدي التقليدي إلى السير على الطرق المألوفة، بينما يحصل النموذج المقترح على مكافآت لدخول مناطق أقل استكشافًا، ولكن فقط عندما يبدو المسار الجديد سالكًا فيزيائيًا.
لماذا يستخدم النموذج خريطة بلورية مضغوطة؟
عادةً ما تُوصف البلورة من خلال أنواع ذراتها، ومواقعها الذرية، وأبعاد شبكتها. يُعد تحسين جميع هذه المتغيرات مباشرةً أمرًا صعبًا لأن بعضها منفصل، مثل العناصر الكيميائية، بينما البعض الآخر متصل، مثل الإحداثيات والمسافات.
لذلك، يضغط النظام المقترح وصف البلورة الكامل في تمثيل رياضي متصل يُعرف باسم "الفضاء الكامن". تُوضع البنى المتشابهة بالقرب من بعضها في هذا الفضاء المُبسّط، ما يسمح للذكاء الاصطناعي باستكشاف المرشحين وتعديلهم بكفاءة أكبر قبل إعادة بناء ترتيباتهم الذرية الكاملة.
يستخدم النظام نموذج "الانتشار الكامن"، الذي يبدأ بتمثيل غير دقيق ويُحوّله تدريجيًا إلى مرشح مُهيكل، ويؤثر التعلّم المعزز في هذا التحوّل، مُوجّهًا العملية نحو المناطق التي تُوفّر توازنًا أفضل بين الجدة والتنوّع والاستقرار المُتوقّع.
أدى هذا النهج المضغوط أيضًا إلى تحسين سرعة التوليد، فقد أفاد الباحثون بزيادة ملحوظة في إنتاجية أخذ العينات مقارنةً بنموذج سابق كان يعمل مباشرةً على تمثيلات ذرية كاملة.
نتائج الدراسة
قارن الباحثون برنامج ال بأنظمة أخرى لتوليد البلورات، وذلك من خلال مطالبة كل نموذج بإنتاج 10,000 بنية،وقاموا بتقييم النتائج باستخدام مقياس مُركّب يُسمى (mSUN)، والذي يُحدد المرشحين الذين يتميزون بالاستقرار شبه التام، والتفرد، والحداثة.
قبل تطبيق التعلم المعزز، لم تستوفِ سوى 15.9% من بنى النظام المقترح الشروط الثلاثة جميعها،وبعد التدريب الموجه بالمكافأة، ارتفعت النسبة إلى 61.3%، بينما ارتفعت نسبة الحداثة من 62.3% إلى 97.5%، وتحسّنت نسبة الاستقرار شبه التام المُتوقع من 51.2% إلى 72.1%.
تشير هذه الأرقام إلى أن التعلم المعزز لم يقتصر دوره على جعل النموذج أكثر إبداعًا، بل ساعد النظام أيضًا على التوجه نحو مواد أقل شيوعًا مع الحفاظ على مستوى معقول من المعقولية الفيزيائية.
كما اتسع نطاق التركيب الكيميائي المُولّد، مع زيادة في وجود المعادن الانتقالية وظهور المزيد من البنى التي تحتوي على عناصر متعددة، وشكّلت المركبات الرباعية - وهي مواد تتكون من أربعة عناصر كيميائية - المجموعة الأكبر ضمن مخرجات نموذج التعلم المعزز.
تصميم بلورة بخاصية مطلوبة
يُعدّ اكتشاف مواد غير معروفة أمرًا بالغ الأهمية، لكن البحث العملي يبدأ عادةً بحاجة محددة، فقد يرغب العالم في بلورة موصلة للأيونات بكفاءة، أو تمتص نطاقًا محددًا من الضوء، أو تتحمل الحرارة، أو تتمتع بخصائص إلكترونية مناسبة لأشباه الموصلات.
ولاختبار هذه القدرة، طلب الباحثون من النظام توليد مواد ذات فجوة طاقة إلكترونية تقارب 3 إلكترون فولت، وهو هدف صعب لم يكن ممثلاً بشكل كافٍ في بيانات التدريب.
كما أن فجوة الطاقة هي حاجز الطاقة الذي يجب أن تتجاوزه الإلكترونات قبل أن تتمكن من الحركة عبر المادة، وهي تؤثر بشكل كبير على ما إذا كانت البلورة تتصرف كموصل أو شبه موصل أو عازل، بالإضافة إلى أطوال موجات الضوء التي يمكنها امتصاصها أو إصدارها. لذا، يُعدّ التحكم في هذه القيمة أمرًا بالغ الأهمية عند تصميم المواد الإلكترونية والبصرية ومواد الطاقة الشمسية.
أنتجت أساليب التوجيه التقليدية مرشحين موزعين على نطاق واسع من فجوات الطاقة، وغالبًا ما أضرت بقدرة النموذج على توليد هياكل ذات أساس كيميائي منطقي. في المقابل، ركّز نظام التعلم المعزز تصاميمه بشكل أدق حول الهدف المطلوب وهو 3 إلكترون فولت، مع الحفاظ على درجات أعلى في الجدة والجدوى المتوقعة.
يُجسّد هذا مبدأ التصميم العكسي للمواد، فبدلًا من اكتشاف بلورة أولًا ثم قياس خصائصها لاحقًا، يُحدد الباحثون الخاصية التي يحتاجونها ويطلبون من الذكاء الاصطناعي اقتراح هياكل قد تُوفرها.
لماذا لا تُعتبر البلورة المصممة حاسوبيًا مادة حقيقية حتى الآن؟
يُولد النظام فرضيات واعدة، لا مواد نهائية. تعتمد تقديرات استقراره جزئيًا على مجالات القوى وحسابات الطاقة المُستمدة من التعلم الآلي، والتي تُعدّ تقريبات عملية، بينما قد يعتمد الاستقرار الحقيقي أيضًا على درجة الحرارة والضغط والأطوار المتنافسة وظروف التصنيع وسرعة إعادة ترتيب الذرات.
يمثل النموذج حاليًا المواد على أنها هياكل بلورية منتظمة ومتكررة، مما يعني أنه لا يستطيع وصف السبائك غير المنتظمة أو الحالات التي تتشارك فيها عدة عناصر عشوائيًا نفس المواقع الذرية وصفًا كاملًا، وقد حدد الباحثون حالاتٍ مثّل فيها النظام محلولًا صلبًا غير منتظم معروفًا كما لو كان مركبًا منتظمًا متميزًا.
قد يُسبب نظام المكافآت صعوبةً أخرى، فعندما يُكافأ التنوع بشكل مفرط، قد يقترح الذكاء الاصطناعي موادًا معقدة بلا داعٍ تحتوي على العديد من العناصر لمجرد أن التعقيد يزيد من نقاطه. يُظهر هذا السلوك، المعروف باسم "اختراق المكافآت"، سبب ضرورة تصميم المكافآت العلمية بعناية، وأهمية مراجعة الخبراء.
لذا، يجب أن يمر كل مرشح ذي أولوية عالية بعدة مراحل إضافية: حسابات ميكانيكية كمية أكثر دقة، ومقارنة بالمواد المنافسة، وتقييم وجود مسار تصنيع واقعي، والتصنيع المختبري، والقياس المباشر لخصائصه الفيزيائية.
شريك أكثر قابلية للتحكم لعلماء المواد
لا تكمن أهمية النظام في الادعاء بأن الذكاء الاصطناعي قادر على ابتكار بطارية أو شبه موصل جاهز للتسويق بشكل مستقل. تُسهم هذه الطريقة في توفير أسلوب أكثر تحكمًا لاستكشاف فضاء هائل من الاحتمالات، مع تحقيق التوازن بين عدة أهداف علمية في آنٍ واحد.
يستطيع الباحثون تعديل دوال المكافأة للتركيز على الابتكار، أو الاستقرار، أو التنوع البنيوي، أو خاصية وظيفية مرغوبة، مما يجعل هذا الإطار قابلًا للتكيف مع مهام اكتشاف المواد المختلفة، ويمكن لهذا المبدأ نفسه أن يُرشد في نهاية المطاف عمليات البحث عن مكونات بطاريات أفضل، أو محفزات، أو مواد إلكترونية، أو بلورات للتحكم بالضوء، شريطة توفر أساليب تقييم موثوقة.
من خلال تجاوز مجرد تقليد الكيمياء المعروفة، قد يساعد التعلم المعزز الذكاء الاصطناعي التوليدي على أن يصبح شريكًا علميًا أكثر فائدة - شريكًا لا يحل محل البحث المختبري، ولكنه يوجهه نحو مجموعة أصغر وأكثر وعدًا من المرشحين.
المصدر : | مجلة ناتشر العلمية |
