Active Learning Enables Generation of Molecules that Advance the Known Pareto Front

إن البحث عن جزيئات جديدة هو رحلة للبحث عن لبنات البناء المثالية لكل شيء، من الخلايا الشمسية إلى الأدوية المنقذة للحياة. لعقود من الزمن، اعتمد العلماء على مكتبات رقمية ضخمة من المواد الكيميائية المعروفة، حيث يتم فحصها واحدة تلو الأخرى للعثور على تلك التي تمتلك الخصائص المناسبة. ولكن عالم الجزيئات الممكنة شاسع للغاية — ويُقدر بأرقام تفوق عدد النجوم في السماء — مما يجعل فحصها جميعًا أمرًا مستحيلاً. مؤخرًا، ظهر نهج جديد: استخدام برامج حاسوبية لابتكار جزيئات جديدة تمامًا من الصفر، مصممة لتكون ذات سمات محددة ومرغوبة. وكان الأمل أن تتمكن هذه الأنظمة القائمة على الذكاء الاصطناعي من التنقل في هذا الفضاء الكيميائي اللامتناهي وإيجاد حلول لم ترها قواعد البيانات البشرية من قبل.

ومع ذلك، ثمة مشكلة مستعصية حالت دون وصول هؤلاء المبتكرين الرقميين إلى كامل إمكاناتهم. فبينما هم بارعون في إعادة مزج الأفكار المألوفة، غالبًا ما يتعثرون عندما يُطلب منهم الخوض في مناطق مجهولة حقًا. المشكلة ليست في افتقار المبتكرين إلى الخيال، بل في أن الأدوات التي يستخدمونها للحكم على ابتكاراتهم غير موثوقة خارج نطاق تدريبها. فعندما يقترح برنامج حاسوبي جزيئًا مبتكرًا، يجب على برنامج آخر التنبؤ بسلوكه. وإذا كانت أداة التنبؤ هذه قد رأت فقط أمثلة شائعة، فإنها غالبًا ما تفشل في التخمين بشكل صحيح عندما تواجه شيئًا جديدًا حقًا، مما يقود المبتكر نحو طريق مسدود. وقد أظهر فريق من الباحثين في مختبر لورانس ليفرمور الوطني الآن كيفية إصلاح هذه النقطة العمياء؛ فمن خلال إنشاء حلقة ذاتية التصحيح حيث يتم التحقق باستمرار من تنبؤات الحاسوب مقابل عمليات محاكاة فيزيائية صارمة، تمكنوا من تمكين نظامهم من اكتشاف جزيئات ليست جديدة فحسب، بل أفضل بكثير مما هو موجود في السجلات الحالية.

ركز الباحثون على تحدٍ محدد: تصميم جزيئات تكون كثيفة وقادرة على تخزين الطاقة في آن واحد، وهي خصائص حاسمة للمواد المتقدمة. بدأوا ببرنامج حاسوبي قياسي قادر على توليد هياكل كيميائية جديدة. وفي الإعداد التقليدي، يقوم هذا المولد بإنشاء جزيء، ثم يقوم نموذج تنبؤ منفصل بتقدير خصائصه. وبناءً على هذا التقدير، يقوم المولد بتعديل التصميم والمحاولة مرة أخرى. لكن الباحثين وجدوا أن هذه العملية اصطدمت بحائط مسدود؛ إذ لم يستطع نموذج التنبؤ، المدرب فقط على البيانات المعروفة، الحكم بدقة على الجزيئات التي تختلف كثيرًا عما رآه من قبل. ونتيجة لذلك، لم يجرؤ المولد أبدًا على الابتعاد بما يكفي لإيجاد تصميمات متفوقة حقًا، وظل فعالًا داخل حدود العالم المعروف.

ولكسر هذه الحلقة، استحدث الفريق نظامًا "مغلق الحلقة" يعمل كفحص للواقع. فبدلاً من الاعتماد فقط على نموذج التنبؤ الأولي، بنوا عملية يتم فيها إخضاع كل جزيء مرشح جديد يولده الحاسوب لمحاكاة فيزيائية عالية الدقة. هذه المحاكاة، وهي عملية حسابية معقدة تعتمد على قوانين ميكانيكا الكم، تحدد كثافة الجزيء وطاقته واستقراره الفعليين. والأهم من ذلك، أن نتائج هذه المحاكاة لا يتم التخلص منها فحسب، بل يتم تغذيتها في النظام لإعادة تدريب نموذج التنبؤ. ومع كل جولة من الاختبارات، يتعلم نموذج التنبؤ المزيد عن المناطق الكيميائية الجديدة التي يستكشفها المولد. ويصبح أكثر قدرة على الحكم على الأشياء التي كان يعاني منها سابقًا، مما يسمح للمولد بالاندفاع أبعد في المناطق غير المكتشفة بثقة أكبر.

لقد ثبت أن هذه العملية التكرارية كانت تحولية. فبينما فشلت النماذج الحاسوبية القياسية في إنتاج أي جزيئات تتفوق على أفضل الأمثلة في بيانات تدريبها، نجح النظام الجديد مغلق الحلقة. فبعد أربع جولات من دورة التصحيح الذاتي هذه، أنتج النظام جزيئات تتجاوز كثافتها 2 جرام لكل سنتيمتر مكعب، متجاوزة بذلك أعلى كثافة وُجدت في مجموعة البيانات الأصلية التي تضم أكثر من 10,000 جزيء معروف. علاوة على ذلك، اكتشف النظام جزيئات ذات قدرات تخزين طاقة دفعت الحدود التي كان يُعتقد سابقًا أنها ممكنة. وأظهرت الدراسة أن المفتاح وراء هذه الاختراقات لم يكن مولدًا أكثر ذكاءً، بل حكماً أكثر موثوقية؛ فقد أصبح نموذج التنبؤ، بعد إعادة تدريبه على بيانات المحاكاة الجديدة، أكثر دقة بشكل كبير، حيث قلل أخطاءه بنسبة تصل إلى 90 بالمائة عند تقييم هذه الهياكل المبتكرة.

وثمة عقبة حرجة أخرى في اكتشاف الجزيئات وهي ضمان إمكانية بناء التصميم الناتج عن الحاسوب في المختبر. فالعديد من الجزيئات النظرية تكون غير مستقرة كيميائيًا وتنهار فورًا. وقد عالج الباحثون ذلك من خلال تدريب مصنف متخصص للتعرف على علامات عدم الاستقرار، باستخدام بيانات من عمليات المحاكاة الفيزيائية. ومن خلال تصفية المرشحين غير المستقرين قبل توليدهم حتى، أنتج النظام مجموعة نهائية من الجزيئات كانت أكثر عرضة للاستقرار بمقدار 3.5 مرة من الطرق الرائدة الأخرى. وهذا الاستقرار أمر ضروري، لأنه يشير إلى أن هذه الجزيئات ليست مجرد فضول نظري، بل هي مرشحات محتملة للتخليق في العالم الحقيقي.

تشير النتائج إلى تحول في كيفية مقاربتنا لاكتشاف المواد الجديدة. وتوضح الدراسة أن العائق في ابتكار جزيئات أفضل غالبًا لا يكمن في القدرة على تخيل هياكل جديدة، بل في عدم القدرة على التنبؤ بسلوكها بشكل موثوق. ومن خلال الجمع بين القدرة الإبداعية للنماذج التوليدية وعملية تحقق صارمة وذاتية التحسين، أظهر الباحثون أنه من الممكن توسيع حدود الأداء الكيميائي المعروف بشكل موثوق. والنتيجة هي نظام لا يكتفي بإعادة تدوير الأفكار القديمة، بل يعمل بنشاط على توسيع آفاق الممكن، ليجد جزيئات مستقرة وعالية الأداء تقع خلف متناول الطرق التقليدية مباشرة.