Microstructure-Aware Bayesian Materials Design

على مر قرون، كُتبت قصة التقدم البشري بالمواد التي صنعناها. فمن الأدوات الحجرية لأسلافنا الأوائل إلى رقائق السيليكون التي تشغل الحياة المعاصرة، تم تعريف كل عصر بالمواد التي تعلمنا كيفية تشكيلها. واليوم، وبينما نواجه تحديات ملحة مثل تغير المناخ والحاجة إلى طاقة مستدامة، فإن الطلب على مواد جديدة وأفضل لم يكن قط في مثل هذا الارتفاع. كانت الطريقة التقليدية لإيجاد هذه المواد عملية بطيئة ومحبطة في كثير من الأحيان، تعتمد على التجربة والخطأ؛ حيث يخلط العلماء المواد الكيميائية، ويسخنونها، ثم يبردونها، ويختبرون النتائج، آملين في العثور بمحض الصدفة على تركيبة تعمل بشكل جيد. ورغم أن هذه الطريقة هي التي بنت عالمنا، إلا أنها أبطأ من اللازم لمواكبة وتيرة الابتكار المطلوبة اليوم. ويعود سبب رئيسي لهذا البطء إلى أن الباحثين غالباً ما يتعاملون مع البنية الداخلية غير المرئية للمادة — أي ترتيب حبيباتها وبلوراتها الدقيقة — باعتبارها نتاجاً ثانوياً غامضاً بدلاً من كونها أداة يمكنهم التحكم فيها. فهم يركزون على الوصفة ودرجة حرارة الطهي، لكنهم يتجاهلون "قوام" الطعام الذي يحدد في الواقع مذاقه وأداءه.

اقترح فريق من الباحثين في جامعة تكساس إيه آند إم (Texas A&M) طريقة جديدة لتسريع عملية الاكتشاف هذه من خلال جعل غير المرئي مرئياً. فقد طوروا نظاماً حاسوبياً ذكياً يتعامل مع البنية الداخلية للمادة ليس كسر غامض، بل كمعلومة مباشرة يمكنها توجيه البحث عن مواد أفضل. وفي عملهم، أنشأوا إطار عمل يربط المكونات الكيميائية وخطوات المعالجة مباشرة بالأنماط الداخلية الدقيقة التي تتشكل داخل المادة، ومن ثم بالخصائص النهائية التي تظهرها تلك المواد. ومن خلال تعليم الكمبيوتر الانتباه إلى هذه الأنماط الداخلية، يمكن للنظام التنبؤ بكيفية سلوك المادة بعدد أقل بكثير من التجارب مقارنة بما سبق. ويشير هذا النهج إلى أنه إذا استطعنا قياس وفهم الهندسة المجهرية للمادة أثناء تصميمها، فيمكننا إيجاد الوصفة المثالية بسرعة أكبر بكثير.

اختبر الباحثون فكرتهم باستخدام نهجين مختلفين. أولاً، أنشأوا مسألة رياضية افتراضية لمعرفة ما إذا كان المنطق سيصمد؛ حيث وضعوا سيناريو يتعين على الكمبيوتر فيه إيجاد الحل الأمثل من بين احتمالات عديدة، ولكن المسار نحو ذلك الحل كان مخفياً خلف طبقة من المتغيرات الوسيطة المعقدة. وقارنوا طريقتهم الجديدة، التي نظرت في تلك المتغيرات الخفية، بالطريقة القديمة التي تجاهلتها. وأظهرت النتائج أن الطريقة الجديدة وجدت الحل الأمثل بسرعة أكبر بكثير؛ إذ تعلمت العلاقة بين المكونات الأولية والنتيجة النهائية باستخدام الأنماط الخفية كطريق مختصر، بينما اضطرت الطريقة القديمة للتخمين بعشوائية حتى تجمع ما يكفي من البيانات لفهم الرابط بنفسها.

ولإثبات نجاح ذلك في العالم الحقيقي، طبق الفريق نظامهم على مشكلة محددة وهامة: تصميم مادة يمكنها تحويل الحرارة إلى كهرباء. هذه المواد، المعروفة باسم "المواد الكعبرية" (thermoelectrics)، تعد حاسمة لالتقاط الحرارة المهدرة وتحويلها إلى طاقة قابلة للاستخدام. ركز الباحثون على سبيكة محددة مكونة من المغنيسيوم والقصدير والسيليكون. وكان هدفهم هو إيجاد المزيج الكيميائي وظروف المعالجة الدقيقة التي تجعل المادة توصل الحرارة بأقل قدر ممكن، وهو أمر ضروري للحفاظ على فرق درجات الحرارة اللازم لتوليد الكهرباء. واستخدموا عمليات محاكاة حاسوبية متقدمة لنمذجة كيفية تغير البنية الداخلية للمادة تحت ظروف مختلفة. وقد ولدت عمليات المحاكاة هذه كمية هائلة من البيانات حول حجم الحبيبات، وتوزيع الأطوار المختلفة، وتعقيد الأنماط داخل المادة.

قام الفريق بتغذية هذه البيانات في إطار التحسين الجديد الخاص بهم. حلل النظام آلاف السيناريوهات المحاكاتية، بحثاً عن التركيبة الكيميائية وعملية المعالجة المحددة التي ستؤدي إلى أدنى موصلية حرارية. والأهم من ذلك، أن النظام لم ينظر فقط إلى المدخلات (الوصفة) والمخرجات (تدفق الحرارة)، بل نظر أيضاً إلى الخطوة الوسطى: البنية المجهرية. ومن خلال التعامل مع البنية الداخلية كمتغير رئيسي، استطاع الكمبيوتر رؤية كيف تغير الوصفة الأنماط الدقيقة داخل المادة، وكيف تؤثر تلك الأنماط بدورها على تدفق الحرارة. سمح هذا للنظام بتعلم قواعد اللعبة بشكل أسرع بكثير. وفي عمليات المحاكاة الخاصة بهم، تفوق النهج الجديد على الأساليب التقليدية بعد حوالي 200 تكرار، حيث وجد حلولاً أفضل بثقة أكبر.

كشفت الدراسة أن ليست كل الميزات الداخلية متساوية في الأهمية؛ فقد تمكن النظام من تحديد الجوانب المحددة للبنية المجهرية التي تهم أكثر بالنسبة للنتيجة النهائية. فعلى سبيل المثال، وجد أن حجم الحبيبات وعشوائية التركيب هما العاملان الأكثر تأثيراً في تحديد مدى قدرة المادة على حجب الحرارة. ويمثل هذا تحولاً كبيراً في كيفية تصميم المواد؛ فبدلاً من مجرد الأمل في أن تنتج وصفة معينة بنية جيدة، يسمح النهج الجديد للعلماء بالاستهداف المباشر لبنية محددة. إنه يحول عملية التصميم إلى مسار أكثر مباشرة، حيث تصبح الهندسة الداخلية هدفاً وليست مفاجأة.

كما أشار الباحثون إلى أنه على الرغم من أن عملهم تم بالكامل من خلال عمليات المحاكاة الحاسوبية، إلا أن المنطق جاهز للعالم الحقيقي. فهم يتصورون مستقبلاً يتم فيه دمج هذه الطريقة في المختبرات المؤتمتة، أو "المختبرات ذاتية القيادة"، حيث تقوم الروبوتات بخلط المواد الكيميائية وإجراء التجارب دون تدخل بشري. وفي مثل هذا النظام، يمكن للروبوت تحليل البنية الداخلية للمادة فور صنعها، وتغذية تلك المعلومات في النموذج الحاسوبي، ثم تقرير ما يجب صنعه تالياً بالضبط. وهذا من شأنه أن يخلق حلقة مستمرة من التعلم والتحسين، مما يقلل بشكل كبير من الوقت المستغرق لتطوير مواد جديدة.

تشير النتائج إلى أن مفتاح تسريع اكتشاف المواد يكمن في سد الفجوة بين الكيمياء التي نتحكم بها والخصائص التي نريدها، باستخدام البنية الموجودة بينهما كدليل. ومن خلال إدراج البنية المجهرية صراحة في عملية اتخاذ القرار، يمكن للعلماء التنقل في الفضاء الشاسع للمواد الممكنة بكفاءة أكبر. لا تدعي الدراسة أنها حلت مشكلة إيجاد جميع المواد الجديدة، لكنها توفر أداة قوية للقيام بذلك. وهي تظهر أنه عندما نتوقف عن تجاهل الهندسة غير المرئية للمادة ونبدأ في استخدامها كمعيار للتصميم، يمكننا التحرك بشكل أسرع نحو التقنيات المستدامة التي يحتاجها العالم. إن الطريق إلى الأمام لا يقتصر فقط على تجربة المزيد من التركيبات، بل يتعلق بفهم الروابط الخفية التي تجعل تلك التركيبات تعمل.