🔬 materials science

SynCoTrain: A Dual Classifier PU-learning Framework for Synthesizability Prediction

يُعد SynCoTrain إطار عمل للتعلم الآلي شبه المشرف يستخدم استراتيجية التدريب المشترك مع شبكات عصبية رسومية مزدوجة (SchNet و ALIGNN) والتعلم من البيانات الموجبة وغير المصنفة للتغلب على ندرة البيانات والتنبؤ بدقة بقابلية تصنيع بلورات الأكاسيد، مما يعزز اكتشاف المواد عالي الإنتاجية.

المؤلفون الأصليون: Sasan Amariamir, Janine George, Philipp Benner

نُشر 2026-08-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sasan Amariamir, Janine George, Philipp Benner

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل عالماً يعمل فيه العلماء مثل كبار الطهاة، ولكن بدلاً من طهي العشاء، يحاولون ابتكار مكونات جديدة تماماً للمستقبل. إنهم يريدون ابتكار مواد يمكنها علاج الأمراض، أو تخزين الطاقة الشمسية، أو تنقية هوائنا. المشكلة هي أن الكون يمتلك مخزناً لا نهائياً تقريباً من المكونات الممكنة، لكن معظمها مجرد "وصفات نظرية" — أفكار تبدو جيدة على الورق ولكن قد يكون من المستحيل طهيها في مطبخ حقيقي. لعقود من الزمن، حاول العلماء تخمين أي الوصفات ستنجح باستخدام قواعد بسيطة أو من خلال التحقق مما إذا كانت المكونات مستقرة طاقياً. ولكن اتضح أن الوصفة قد تكون مستقرة تماماً ومع ذلك يستحيل صنعها لأن "عملية الطهي" صعبة للغاية، أو أن الأدوات اللازمة لصنعها لم تُخترع بعد. هذه هي المعضلة الصعبة لـ "قابلية التصنيع": معرفة أي المواد الجديدة يمكن بناؤها فعلياً في المختبر وأيها مجرد أشباح في جهاز كمبيوتر.

إليك SynCoTrain، وهو محقق رقمي جديد صُمم لحل هذا الغموض. فكر فيه كفريق من خبيرين مختلفين تماماً — "كيميائي" و"فيزيائي" — يحاولان تخمين أي من مليون صندوق غامض يحتوي على مادة حقيقية قابلة للبناء. العائق هو أن لديهما فقط قائمة بالمواد التي يعرفان أنها قابلة للبناء (القائمة "الإيجابية")، وكومة ضخمة من الصناديق الغامضة التي لا تحمل أي تسميات. ليس لدما قائمة بالمواد "الفاشلة" لأن أحداً في العلم لا ينشر تجاربه الفاشلة. ولحل ذلك، يستخدم SynCoTrain خدعة ذكية تسمى "التدريب المشترك" (co-training). ينظر الخبيران إلى الصناديق الغامضة من زوايا مختلفة؛ فالكيميائي (باستخدام نموذج يسمى ALIGNN) ينظر إلى كيفية ترابط الذرات والزوايا بينها، بينما الفيزيائي (باستخدام نموذج SchNet) ينظر إلى التدفق المستمر للطاقة والبنية. يتبادلان الأدوار في تعليم بعضهما البعض: "مهلاً، أعتقد أن هذا الصندوق هو فائز!" ويتحقق الآخر: "أنا أتفق معك، لنضفه إلى قائمة الفائزين المعروفين لدينا". ومن خلال تبادل الملاحظات وصقل تخميناتهما عبر عدة جولات، يصبحان أفضل بكثير في رصد المواد الحقيقية مما لو كان كل منهما يعمل بمفرده.

تظهر الورقة البحثية أن نهج العمل الجماعي هذا يعمل بشكل جيد بشكل مدهش. فعندما اختبرا نظامهما على عائلة محددة من المواد تسمى الأكاسيد (الموجودة في كل مكان، من الصدأ إلى السيراميك)، تمكن النموذج من تحديد جميع المواد التي كانت معروفة بالفعل بأنها قابلة للبناء بدقة تقريباً. في الواقع، حقق معدل "استدعاء" (recall) يتراوح بين 95% و97%، مما يعني أنه لم يفتِ الكثير من النجاحات الحقيقية. ومع ذلك، فقد تعلم أن يكون انتقائياً: فمن بين جميع الصناديق الغامضة التي فحصها، لم يصنف سوى حوالي 21% منها كأنها قابلة للتصنيع على الأرجح. وهذا أمر جيد؛ فهو يعني أن النموذج لا يخمن "نعم" لكل شيء فح Fre. لقد لاحظ أيضاً أن المواد ذات الطاقة العالية (أكثر من 1 إلكترون فولت فوق ما يسمى بـ "غلاف التحدب" - وهي طريقة فنية للقول إنها غير مستقرة للغاية) كانت أقل عرضة بنحو 2.5 مرة لأن تُصنف كقابلة للتصنيع، مما يثبت أن النموذج يفهم أن الاستقرار أمر مهم، رغم أنه لم يُعلّم هذه القاعدة صراحةً.

لم يتوقف الباحثون عند هذا الحد، بل استخدموا "فريق الخبراء" الجديد هذا لتسمية مجموعة ضخمة من البيانات النظرية، مما أدى إلى إنشاء مجموعة تدريب جديدة عالية الجودة. ثم قاموا بتدريب متنبئ نهائي فائق الذكاء (باستخدام نموذج SchNet) على هذه البيانات الجديدة. تم اختبار هذه الأداة النهائية على ثلاث قواعد بيانات مختلفة للمواد لم ترها من قبل. ووجدت أنه في حين احتوت بعض قواعد البيانات (مثل قاعدة بيانات المواد الكمومية المفتوحة) على ضعف عدد البلورات "التي يُحتمل تصنيعها" عما هو متوقع، فإن قواعد بيانات أخرى (مثل تلك التي أنتجها ذكاء اصطناعي يسمى iMatGen) كانت معظمها "مستحيلة البناء"، حيث تجمعت درجاتها بالقرب من الصفر. تشير الورقة البحثية إلى أنه على الرغم من أن هذه الأداة ليست مثالية ولا يمكنها التنبؤ بالمستقبل بيقين 100%، إلا أنها مرشح قوي. يمكنها مساعدة العلماء على تجاوز ملايين "الوصفات الشبحية" والتركيز على المئات القليلة التي قد تنجح بالفعل، مما يوفر كميات هائلة من الموارد في السباق لاكتشاف مواد الغد.

أبحاث مشابهة