🔬 materials science

Developing a Complete AI-Accelerated Workflow for Superconductor Discovery

تقدم هذه الدراسة إطار عمل قائم على البيانات يدمج نموذج تعلم آلي مبتكر (BEE-NET) مع سير عمل متعدد المراحل مُسرَّع بالذكاء الاصطناعي لفحص ملايين المرشحين بكفاءة، مما أدى بنجاح إلى تحديد وتأكيد مركبين جديدين من الموصلات الفائقة تجريبياً.

المؤلفون الأصليون: Jason B. Gibson, Ajinkya C. Hire, Pawan Prakash, Philip M. Dee, Benjamin Geisler, Jung Soo Kim, Zhongwei Li, James J. Hamlin, Gregory R. Stewart, P. J. Hirschfeld, Richard G. Hennig

نُشر 2026-03-18

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jason B. Gibson, Ajinkya C. Hire, Pawan Prakash, Philip M. Dee, Benjamin Geisler, Jung Soo Kim, Zhongwei Li, James J. Hamlin, Gregory R. Stewart, P. J. Hirschfeld, Richard G. Hennig

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 أنك صائد كنوز تبحث عن "حجر سحري" (مادة خارقة) يمكنه توصيل الكهرباء دون أي مقاومة (موصل فائق). هذه الأحجار لا تقدر بثمن لأنها قد تُحدث ثورة في شبكات الطاقة، وأجهزة المسح الطبي، وقطارات الماجليف (الرفع المغناطيسي).

المشكلة؟ الكون مليء بالصخور (المواد)، لكن العثور على الأحجار السحرية يشبه البحث عن إبرة في كومة قش بحجم المجرة. تقليديًا، كان على العلماء اختبار كل صخرة على حدة باستخدام محاكاة حاسوبية مكلفة وبطيئة وتستهلك الكثير من الطاقة. كان الأمر يشبه محاولة العثور على حبة رمل معينة على الشاطئ عبر التقاط كل حبة رمل باستخدام ملقط.

تصف هذه الورقة استراتيجية جديدة، ذكية للغاية، تستخدم الذكاء الاصطناعي (AI) لتقليص كومة القش التي بحجم المجرة إلى كومة يمكن التعامل معها، ثم نجحت بالفعل في العثور على "حجرين سحريين" جديدين.

إليك كيف فعلوا ذلك، مقسمًا إلى خطوات بسيطة:

1. المشكلة: "ضريبة السوبركمبيوتر"

لمعرفة ما إذا كانت المادة موصلة فائقة، يتعين على العلماء عادةً إجراء عملية حسابية معقدة تسمى DFT (نظرية الدالة الوظيفية للكثافة). تخيل أن هذه العملية الحسابية هي فيلم ثلاثي الأبعاد عالي الدقة يوضح كيف ترقص الإلكترونات مع الذرات في المادة.

المشكلة: صنع هذا الفيلم يستغرق من السوبركمبيوتر ساعات أو أيامًا لكل مادة.
النتيجة: لم يستطع العلماء سوى فحص بضعة آلاف من المواد. كانوا بحاجة لفحص الملايين للعثور على المواد النادرة وعالية الأداء.

2. الحل: "البلورة السحرية" (BEE-NET)

بنى الباحثون نموذج ذكاء اصطناعي جديدًا يسمى BEE-NET. بدلاً من صنع الفيلم ثلاثي الأبعاد الكامل لكل صخرة، يعمل BEE-NET مثل بلورة سحرية تنظر إلى شكل الصخرة وتخمن فورًا كيف سترقص الإلكترونات.

كيف يعمل: قاموا بتدريب هذا الذكاء الاصطناعي على 7,000 مادة معروفة حيث صنعوا بالفعل الفيلم الكامل لها. تعلم الذكاء الاصطناعي الأنماط: "أوه، عندما تترتب الذرات بهذه الطريقة، ترقص الإلكترونات عادةً بتلك الطريقة".
الخدعة: الذكاء الاصطناعي لا يخمن رقمًا فحسب؛ بل يتنبأ بنمط الرقص الكامل (دالة إلياشبيرج الطيفية - Eliashberg spectral function). وهذا يسمح له بأن يكون دقيقًا للغاية.
القوة الخارقة: إنه بارع جدًا في قول "لا"، حيث يمكنه استبعاد 99.4% من الصخور التي لن تنجح فورًا. هذا يشبه حارسًا عند ملهى ليلي يكون صارمًا جدًا بحيث لا يدخل أحد إلا إذا كان موجودًا بالفعل في القائمة.

3. سير العمل: "قمع الفلاتر"

لم يعتمد الفريق على التخمين فحسب؛ بل بنوا خط تجميع متعدد المراحل لمعالجة 1.3 مليون مادة مرشحة. تخيل قمعًا عملاقًا يحتوي على عدة مناخل:

المنخل 1 (فلتر "هل هي معدن؟"): بدأوا بـ 1.3 مليون هيكل. أولاً، استخدموا ذكاءً اصطناعيًا سريعًا للتحقق مما إذا كانت المادة معدنية حتى. إذا كانت مادة عازلة (مثل البلاستيك)، يتم استبعادها.
المنخل 2 (فلتر "هل ستنهار؟"): تحققوا مما إذا كانت الذرات ستبقى متماسكة أم ستتحطم وتتحول إلى غبار.
المنخل 3 (فلتر "البلورة السحرية"): استخدموا BEE-NET للتنبؤ بدرجة حرارة التوصيل الفائق ( $T_c$ ). إذا خمن الذكاء الاصطناعي أن درجة الحرارة منخفضة جدًا (أقل من 5 كلفن)، يتم استبعاد المادة.
المنخل 4 (التحقق الحقيقي): بالنسبة لآلاف الناجين، قاموا بتشغيل "الفيلم" المكلف والبطيء (DFT) للتأكد من صحة توقعات الذكاء الاصطناعي.

النتيجة: انتقلوا من 1.3 مليون مرشح إلى 741 فقط من الموصلات الفائقة الواعدة والمستقرة للغاية.

4. استراتيجية "ماذا لو": الطبخ بالاستبدال

كيف حصلوا على 1.3 مليون مرشح في المقام الأول؟ استخدموا خدعة وصفة ذكية تسمى استبدال مواقع ويكوف (Wyckoff site substitution).

تخيل أن لديك وصفة كعكة مثالية (معدن مستقر معروف).
بدلًا من خبز كعكة جديدة من الصفر، تأخذ الوصفة وتستبدل مكونًا واحدًا بمكون "قريب" (على سبيل المثال، استبدال الصوديوم بالبوتاسيوم، أو النيوبيوم بالهافنيوم).
قاموا بهذا الأمر رياضيًا ملايين المرات، من خلال إنشاء نسخ "ماذا لو" من المعادن المعروفة لمعرفة ما إذا كانت المكونات الجديدة ستجعل الكعكة (المادة) أفضل.

5. الإثبات: من النظرية إلى الواقع

تنبأ الذكاء الاصطناعي بمادتين جديدتين محددتين: Be₂Hf₂Nb و Be₂HfNb₂.

التصنيع: أخذ الفريق التجريبي هذه الوصفات إلى المختبر. قاموا بصهر العناصر معًا (Be, Hf, Nb) لإنشاء العينات الفعلية.
الاختبار: قاموا بتبريد العينات إلى ما يقرب من الصفر المطلق.
النصر: تحولت كلتا المادتين إلى موصلات فائقة!
- بدأت إحداهما في التوصيل بدون مقاومة عند 3.18 كلفن.
- والأخرى عند 4.24 كلفن.
- والأهم من ذلك، تطابقت النتائج التجريبية مع توقعات الذكاء الاصطناعي بشكل شبه مثالي.

لماذا هذا مهم؟

هذه الورقة تعد نقطة تحول لأنها تثبت أن الذكاء الاصطناعي + الفيزياء + التجربة يعمل بشكل أفضل من أي منها بمفرده.

قبلًا: كان العثور على موصل فائق جديد يشبه العثور على إبرة في كومة قش عن طريق الحظ.
الآن: الأمر يشبه استخدام جهاز كشف عن المعادن يمكنه مسح الشاطل بأكمله في ساعة واحدة ويخبرك بالضبط أين تحفر.

لم يجدوا مجرد مادتين جديدتين؛ بل بنوا مصنعًا يمكنه الاستمرار في إنتاج اكتشافات جديدة. يمكن لهذا الإطار أن يساعدنا في النهاية في العثور على موصلات فائقة تعمل في درجة حرارة الغرفة، مما سيغير العالم من خلال جعل نقل الطاقة بدون فقدان وجعل النقل عديم الاحتكاك.

باختًا شديد: لقد بنوا فلتر ذكاء اصطناعي فائق الذكاء يمكنه النظر إلى ملايين الوصفات الكيميائية لـ "ماذا لو"، واستبعاد السيئ منها فورًا، وتسليم العلماء قائمة قصيرة لأفضل المواد لبنائها فعليًا. وعندما قاموا ببنائها، نجحت.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تطوير سير عمل كامل معزز بالذكاء الاصطناعي لاكتشاف الموصلات الفائقة."

1. بيان المشكلة

يعيق اكتشاف مواد جديدة ذات موصلية فائقة حالياً التكلفة الحسابية الباهظة لحساب الدوال الطيفية لإلكترون-فونون ( $\alpha^2F(\omega)$ )، وهي الدوال المطلوبة لتحديد درجة الحرارة الحرجة للموصل الفائق ( $T_c$ ) باستخدام معادلة ألين-داينز. وبينما يمكن لنظرية وظيفية الكثافة (DFT) التنبؤ بدقة بـ $T_c$ للخلايا الوحدة الصغيرة، فإن توسيع هذا النهج لفحص ملايين الهياكل المرشحة في قواعد بيانات المواد يعد أمراً غير ممكن حسابياً. علاوة على ذلك، غالباً ما تواجه مناهج تعلم الآلة (ML) الحالية صعوبات بسبب نقص البيانات التدريبية المناسبة؛ حيث تعتمد معظمها على قواعد البيانات التجريبية (مثل SuperCon) التي تحتوي على أخطاء وموصلات فائقة غير تقليدية، أو تحاول التنبؤ بـ $T_c$ مباشرة دون التقاط الفيزياء الكامنة وراء اقتران إلكترون-فونون.

2. المنهجية

يقترح المؤلفون مسار عمل متعدد المراحل، معزز بالذكاء الاصطناعي للاكتشاف، يدمج تعلم الآلة، والحسابات الكمومية، والتحقق التجريبي.

أ. نموذج تعلم الآلة: BEE-NET

جوهر سير العمل هو مجموعة بوتستراب من الشبكات العصبية الرسومية المتكافئة (BEE-NET).

البنية: يستخدم النموذج شبكات عصبية رسومية متكافئة للتنبؤ بـ دالة إلياشبرج الطيفية ( $\alpha^2F(\omega)$ ) بدلاً من مجرد قيمة $T_c$ النهائية. وهذا يسمح للنموذج بتعلم التوزيع المعتمد على التردد لعمليات تفاعل إلكترون-فونون ("الغراء المزدوج") بالكامل.
الأنواع: تم تطوير نوعين:
1. CSO (هيكل البلورة فقط): يأخذ الهيكل البلوري فقط كمدخل. وهو مثالي للفحص السريع واسع النطاق.
2. CPD (كثافة حالات الفونون التقريبية): يدمج كثافة حالات الفونون (PhDoS) التقريبية بالإضافة إلى الهيكل لتحقيق دقة أعلى.
بيانات التدريب: تم التدريب على مجموعة بيانات مكونة من 7,000 دالة $\alpha^2F(\omega)$ تم حسابها باستمرار باستخدام DFT.
دوال الخسارة: قارن المؤلفون بين متوسط مربع الخطأ (MSE)، ومتوسط مربع الخطأ الموزون (WMSE)، ومسافة الأرض الناقلة (EMD). حققت دالة خسارة EMD أفضل مقاييس الانحدار لـ $T_c$ وثوابت الاقتران، مما قلل من متوسط الخطأ المطلق (MAE) بأكثر من 20% مقارنة بـ MSE.
الأداء: حققت النماذج متوسط خطأ مطلق (MAE) قدره 0.87 كلفن لـ $T_c$ (نسبة إلى DFT) ومعدل حقيقي سلبي (TNR) قدره 99.4% لتحديد المواد غير الموصلة فائقة التوصيل ( $T_c \le 5$ كلفن). هذا الـ TNR المرتفع أمر بالغ الأهمية للفحص الفعال، مما يقلل من النتائج الإيجابية الكاذبة.

ب. سير عمل الفحص الافتراضي عالي الإنتاجية (HTVS)

يعالج سير العمل أكثر من 1.3 مليون هيكل مرشح من خلال تسلسل تصفية تدريجي:

توليد المرشحين:
- الاستعلام: تم البحث في قواعد بيانات Alexandria وMaterials Project عن المعادن ( $E_h < 200$ ميلي إلكترون فولت/ذرة).
- التخليق: تم توليد هياكل جديدة عبر استبدال مواقع ويكوف الجزئي على الهياكل المعدنية الأم، مما أدى إلى إنشاء حوالي 1.22 مليون مرشح جديد.
تصفية تعلم الآلة (صفر DFT):
- تم استخدام إمكانات التفاعل لتعلم الآلة (M3GNET) لتهدئة الهياكل والتنبؤ بطاقات التكوين ( $E_f$ ) وفجوات النطاق ( $E_g$ ).
- تم تطبيق CSO BEE-NET للتنبؤ بـ $T_c$ وتصفية المواد غير الموصلة فائقة التوصيد.
- تم تطبيق فلاتر الاستقرار الديناميكي الحراري ( $E_h$ ).
- النتيجة: تقليل 1.22 مليون مرشح إلى 5,600 مرشح واعد دون إجراء عملية حسابية واحدة باستخدام DFT.
تحسين DFT:
- تم تحسين الهياكل لـ 5,600 مرشح باستخدام DFT.
- تمت إعادة تقييم $T_c$ باستخدام CSO BEE-NET على الهياكل المهدأة.
- تم حساب أطياف الفونون على شبكة q-grid تقريبية $2\times2\times2$ لضمان الاستقرار الديناميكي (عدم وجود ترددات تخيلية).
- تم تطبيق CPD BEE-NET للحصول على تنبؤ أكثر دقة لـ $T_c$ .
التحقق النهائي:
- تم حساب $\alpha^2F(\omega)$ عالي الدقة عبر DFT للمرشحين المتبقين.
- النتيجة: تحديد 741 موصلاً فائقاً مستقراً بـ $T_c > 5$ كلفن.

3. المساهمات الرئيسية

بنية تعلم آلة مبتكرة: تقديم BEE-NET، الذي يتنبأ بدالة إلياشبرج الطيفية الكاملة، مما يوفر رؤية فيزيائية أعمق وقدرة أفضل على التعميم مقارنة بمتنبئات $T_c$ المباشرة.
فحص عالي الكفاءة: تطوير سير عمل يقلل من مجموعة تضم 1.3 مليون مادة إلى 741 مرشحاً قابلاً للتطبيق بدقة إجمالية بلغت 86%، مما يتطلب حوالي 866 عملية حسابية مكلفة فقط من DFT في المرحلة النهائية.
تصنيف متفوق: تحقيق معدل حقيقي سلبي (TNR) بنسبة 99.4%، مما أدى بفعالية إلى تصفية المواد غير الموصلة فائقة التوصيد وتوفير موارد حسابية هائلة.
التحقق التجريبي: نجح في تخليق وتوصيف مركبين لم يسبق تسجيلهما، وهما Be $_2$ Hf $_2$ Nb و Be $_2$ HfNb $_2$ ، مما أكد موصليتهما الفائقة.

4. النتائج الرئيسية

إحصائيات الفحص:
- المجموعة الأولية: > 1.3 مليون مرشح.
- المجموعة النهائية: 741 مركباً مستقراً ديناميكياً وديناميكياً حرارياً بـ $T_c > 5$ كلفن.
- المرشحون ذوو $T_c$ المرتفع: 69 مركباً بـ $T_c \ge 20$ كلفن.
دقة النموذج:
- متوسط الخطأ المطلق (MAE) لـ $T_c$ : 0.87 كلفن (نسخة CPD مع خسارة EMD).
- الدقة للمواد الموجودة: 92%؛ وللمرشحين المولدين: 76%.
التأكيد التجريبي:
- Be $_2$ Hf $_2$ Nb: تم تخليقه وتأكيد الموصلية الفائقة بـ $T_c$ عند البداية قدره 3.18 كلفن. أكد حيود الأشعة السينية (XRD) تمدد الشبكة البلورية بسبب استبدال Hf والاندماج الناجح في بنية Be $_2$ Nb $_3$ .
- Be $_2$ HfNb $_2$ : تم تخليقه مع $T_c$ عند البداية قدره 4.24 كلفن. أشارت قياسات السعة الحرارية إلى عينة متعددة الأطوار ذات انتقالين متميزين للموصلية الفائقة.
- أظهر كلا العينتين موصلية فائقة حجمية تتوافق مع التنبؤات النظرية، رغم وجود بعض الاضطراب في شبكة Hf/Nb الفرعية.

5. الأهمية

يؤسس هذا العمل إطاراً قوياً يعتمد على البيانات، ينجح في سد الفجوة بين التنبؤ النظري والتحقيق التجريبي في اكتشاف الموصلات الفائقة. ومن خلال نقل تركيز تعلم الآلة من التنبؤ بقيمة عددية واحدة ( $T_c$ ) إلى التنبؤ بالدالة الفيزيائية الأساسية ( $\alpha^2F(\omega)$ )، أنشأ المؤلفون نموذجاً يتسم بدقة عالية وقابلية للتفسير الفيزيائي. يثبت سير العمل الموضح أن الذكاء الاصطناعي يمكنه فعلياً التنقل في فضاء المواد الشاسع لتحديد الخصائص النادرة مثل الموصلية الفائقة، متجاوزاً مرحلة "الاكتشاف بالصدفة" إلى نهج منهجي وقابل للتوسع. تمتلك هذه المنهجية القدرة على تسريع اكتشاف الجيل القادم من الموصلات الفائقة لتطبيقات في نقل الطاقة، والإلكترونيات عديمة الفقد، والرفع المغناطيسي.