🔬 materials science

aLLoyM: A large language model for alloy phase diagram prediction

تقدم هذه الورقة البحثية aLLoyM، وهو نموذج لغوي كبير تم ضبطه بدقة وتدريبه على بيانات مخططات طور السبائك، والذي يحسن بشكل كبير دقة التنبؤ بالأسئلة متعددة الخيارات ويُظهر قدرة مبتكرة على توليد مخططات الطور من أوصاف المكونات، مما يؤدي إلى تسريع اكتشاف المواد.

المؤلفون الأصليون: Yuna Oikawa, Guillaume Deffrennes, Taichi Abe, Ryo Tamura, Koji Tsuda

نُشر 2026-04-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuna Oikawa, Guillaume Deffrennes, Taichi Abe, Ryo Tamura, Koji Tsuda

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 تحاول التنبؤ بالطقس. عادةً، تحتاج إلى كمية هائلة من البيانات: سرعة الرياح، الرطوبة، الضغط الجوي، والأنماط التاريخية. في عالم علم المواد، يفعل العلماء شيئًا مشابهًا، ولكن بدلًا من التنبؤ بالطقس، يتنبأون بـ مخططات الطور (Phase Diagrams).

فكر في مخطط الطور كأنه "بطاقة وصفة" أو "خريطة" لسبائك المعادن. فهو يخبرك بالضبط بالحالة التي سيكون عليها المعدن (صلب، سائل، أو بنية بلورية محددة) بناءً على شيئين: أي المكونات (العناصر) التي تخلطها ومدى الحرارة التي ستطهو بها.

لعقود من الزمن، كان إنشاء هذه الخرائط يشبه محاولة رسم خريطة لقارة جديدة عن طريق المشي في كل سنتيمتر منها. كان الأمر بطيئًا، ومكلفًا، ويتطلب معدات ثقيلة.

إليك aLLoyM: "الطاهي الخارق"

تقدم الدراسة aLLoyM، وهو نوع جديد من الذكاء الاصطناعي (AI) المصمم ليكون طاهيًا ماهرًا لسبائك المعادن. ولكن بدلًا من التعلم عبر تذوق كل طبق، تعلم aLLoyM من خلال قراءة مكتبة ضخمة من بطاقات الوصفات الموجودة بالفعل.

لقد بناه الباحثون باستخدام تشبيهات بسيطة:

1. المكتبة (بيانات التدريب)
لم يخترع الباحثون فيزياء جديدة. بدلاً من ذلك، استخدموا مكتبة رقمية ضخمة ومفتوحة المصدر تسمى CPDDB (قاعدة بيانات مخططات الطور الحسابية). تحتوي هذه المكتبة على ملايين "الحقائق" حول كيفية تصرف المعادن المختلفة عند خلطها وتسخينها.

التشبيه: تخيل مكتبة بها ملايين الكتب، حيث يقول كل كتاب: "إذا خلطت 50% حديد و50% كربون عند درجة حرارة 1000، فستحصل على الفولاذ".
العملية: قاموا بتحويل هذه الحقائق إلى لعبة ضخمة من السؤال والجواب (Q&A).
- السؤال: "ماذا يحدث إذا خلطت النحاس والزنك عند 400 درجة؟"
- الإجابة: "ستحصل على سبيكة صلبة تسمى النحاس الأصفر ألفا".

2. الطالب (النموذج)
أخذوا ذكاءً اصطناعيًا موجودًا بالفعل، وهو ذكي جدًا ويُدعى Mistral (وهو يشبه موسوعة المعرفة العامة التي تعرف الكثير عن اللغة والعلوم بالفعل) وقاموا بـ "ضبطه بدقة" (Fine-tuning).

التشبيه: فكر في Mistral كطالب عبقري قرأ كل الكتب في العالم ولكنه لم يتعامل تحديدًا مع علم الفلزات. أعطى الباحثون هذا الطالب كومة ضخمة من البطاقات التعليمية (أزواج الأسئلة والأجوبة) وقالوا له: "تعلم هذه حتى تتمكن من الإجابة على كل سؤال حول وصفات المعادن فورًا".
النتيجة: أصبح الطالب هو aLLoyM.

ما مدى جودة عمله؟

اختبر الباحثون aLLoyM بطريقتين، مثل معلم يعطي طالبًا نوعين مختلفين من الاختبارات:

الاختبار 1: اختبار الاختيار من متعدد

المهمة: يتلقى الذكاء الاصطناعي سيناريو (مثل: "اخلط هذه المعادن عند هذه الحرارة") ويُطلب منه اختيار الإجابة الصحيحة من بين أربعة خيارات.
النتيجة: بدون التدريب الخاص، كان الذكاء الاصطناعي يخمن تقريبًا (مثل طالب لم يدرس). بعد التدريب، كان aLLoyM يصيب الإجابات الصحيحة دائمًا تقريبًا. لقد أثبت أن الذكاء الاصطناعي يمكنه تعلم "قواعد" وصفات المعادن.

الاختبار 2: اختبار المقال المفتوح

المهمة: يتلقى الذكاء الاصطناعي سيناريو ويجب عليه كتابة الإجابة من الصفر، دون وجود خيارات متعددة.
النتيجة: هنا يصبح الأمر مثيرًا. لم يكتفِ aLLoyM باختيار الإجابة الصحيحة فح فحسب، بل استطاع أيضًا تخيل وصفات لمعادن لم تُختبر قط في مختبر حقيقي.
- تشبيه "السفر عبر الزمن": طُلب من الذكاء الاصطناعي التنبؤ بسلوك معادن مشعة، أو نادرة للغاية، أو لم تُكتشف بعد (مثل النيهونيوم). بما أنه لم يسبق لأي إنسان إنشاء خريطة لهذه المواد، كان على الذكاء الاصطناعي استخدام "خيال" (بناءً على الأنماط المتعلمة) لرسم خريطة جديدة.
- النتيجة: نجح في رسم خرائط لهذه السبائك "المستحيلة". في بعض الأحيان أصاب الهدف تمامًا؛ وفي أحيان أخرى ارتكب أخطاءً صغيرة (مثل تخمين الشكل البلوري الخاطئ)، لكنه أظهر قدرته على المغامرة في مناطق غير معروفة.

القيود (النصوص الصغيرة)

الدراسة صادقة بشأن المواضع التي يعاني فيها الذكاء الاصطناعي:

البسيط مقابل المعقد: الذكاء الاصطناعي ممتاز في التنبؤ بالمزيجات البسيطة (معدنان، مثل سبيكة ثنائية). لكنه يرتبك قليلاً عندما يصبح المزيج معقدًا (ثلاثة معادن أو أكثر ممزوجة معًا)، تمامًا مثل طاهٍ بارع في صنع حساء بمكونين ولكنه يواجه صعوبة في التعامل مع حساء معقد.
مشكلة "المنتصف": الذكاء الاصطناعي دقيق جدًا بالقرب من الحواف (المعادن النقية) ولكنه أقل دقة في "المنتصف" من المزيج، حيث تصبح الكيمياء فوضوية ومعقدة.

الخلاصة الكبرى

تخلص الدراسة إلى أن aLLoyM هو أداة جديدة قوية. هو لا يحل محل الحاجة إلى التجارب في العالم الحقيقي، ولكنه يعمل كـ محاكي عالي السرعة.

قبل: كان على العلماء خلط المعادن وتسخينها فعليًا ليروا ما سيحدث.
الآن: يمكنهم سؤال aLLoyM: "ماذا يحدث إذا خلطنا هذه العناصر الثلاثة النادرة؟" والحصول على خريطة متوقعة فورية.

هذا يسمح للعلماء بتجاوز مرحلة التجربة والخطأ المملة والمكلفة والتركيز فقط على المواد الجديدة الأكثر واعدة. إنه يشبه نظام تحديد المواقع (GPS) الذي يمكنه اقتراح مسار عبر غابة لم تزرها من قبل، بناءً على الأشجار التي رأيتها بالفعل.

1. بيان المشكلة

تُعد مخططات الطور (Phase diagrams) أساسية في علم المواد، حيث ترسم استقرار أطوار المادة عبر مختلف الظروف الديناميكية الحرارية (التركيب ودرجة الحرارة). ومع ذلك، فإن التحديد التجريبي لهذه المخططات يتطلب موارد كبيرة ويستغك وقتاً طويلاً، بينما تفتقر المستودعات الحسابية الحالية غالباً إلى تغطية شاملة للأنظمة غير المستكشفة.
بينما تعد نماذج تعلم الآلة التقليدية (مثل الشبكات العصبية أو الغابات العشوائية) واعدة، إلا أنها غالباً ما تكون متخصصة في مجموعات بيانات معزولة وتواجه صعوبة في التعميم على الأنظمة الكيميائية المجهولة. يهدف المؤلفون إلى الاستفاء من النماذج اللغوية الكبيرة (LLMs) للتغلب على هذه القيود من خلال الاستفادة من معرفتها المسبقة بالمبادئ الديناميكية الحرارية والخصائص العنصرية للتنبؤ بمخططات الطور، وتحديداً لأنظمة السبائك الثنائية والثلاثية، بما في ذلك الأنظمة التي لم يتم توصيفها تجريبياً بعد.

2. المنهجية

جمع وتوليد البيانات

المصدر: تم اشتقاق بيانات التدريب من قاعدة بيانات مخططات الطور الحسابية (CPDDB)، وهي مستودع مفتوح المص المصدر من معهد NIMS يحتوي على ملفات قواعد البيانات الديناميكية الحرارية (TDB).
النطاق: تتكون مجموعة البيانات من 389 مخطط طور ثنائي و 38 مخطط طور ثلاثي.
عملية التوليد:
- تم حساب مخططات الطور باستخدام برنامج Pandat عبر تقييمات CALPHAD (حساب مخططات الطور).
- أخذ العينات:
  - الأنظمة الثنائية: تم أخذ عينات التركيب بخطوات قدرها 2% من 0 إلى 100%؛ وتراوحت درجة الحرارة من 200 كلفن إلى 5000 كلفن بخطوات قدرها 50 كلفن.
  - الأنظمة الثلاثية: تم أخذ عينات التركيب بشكل مماثل؛ مع تثبيت درجة الحرارة عند 800 كلفن.
- إجمالي حجم البيانات: أنتجت عملية أخذ العينات المنهجية هذه 837,475 نقطة بيانات، تربط كل منها التركيب العنصري، ودرجة الحرارة، وأسماء الأطوار.
إنشاء الأسئلة والأجوبة: تم تحويل نقاط البيانات هذه إلى أزواج من الأسئلة والأجوبة تغطي ثلاثة أنواع متميزة من المهام:
1. معلومات الطور الكاملة: المدخل (التركيب، درجة الحرارة) $\leftarrow$ المخرج (أسماء الأطوار، الكسور، التركيبات).
2. اسم الطور: المدخل (التركيب، درجة الحرارة) $\leftarrow$ المخرج (أسماء الأطوار فقط).
3. الشرط التجريبي: المدخل (العناصر، الطور المستهدف) $\leftarrow$ المخرج (التركيب ودرجة الحرارة الممكنين).

بنية النموذج والتدريب

النموذج الأساسي: قام المؤلفون بضبط نموذج Mistral-Nemo-Instruct-2407، وهو نموذج لغوي كبير مفتوح المصدر ومسبق التدريب.
تقنية الضبط الدقيق: تم استخدام تقنية LoRA (التكيف منخفض الرتبة) برتبة 16 وألفا 16، مستهدفةً إسقاطات الانتباه والتغذية الأمامية.
تكوين التدريب:
- المحسن (Optimizer): AdamW بدقة bfloat16.
  // الخطوات: 15,000 خطوة؛ معدل التعلم: $2 \times 10^{-4}$ .
- حجم الدفعة (Batch size): 16 لكل جهاز مع 4 خطوات لتراكم التدرج.
البنية الموحدة: تم تدريب نموذج واحد للتعامل مع أنواع مهام الأسئلة والأجوبة الثلاثة في آن واحد.

استراتيجية التقييم

تم تقييم النموذج باستخدام تنسيقين مختلفين:

الاختيار من متعدد: يختار النموذج الإجابة الصحيحة من بين أربعة خيارات (خيار واحد صحيح وثلاثة مشتتات).
- التقسيم: تم تقسيم البيانات إلى مجموعات تدريب واختبار بنسبة 80/20 باستخدام استراتيجيتين:
  - الاستكمال (Interpolation): توزيع عشوائي عبر الأنظمة (اختبار الأداء على أنظمة معروفة بظروف جديدة).
  - الاستقراء (Extrapolation): استبعاد الأنظمة الاختبارية تماماً من التدريب (اختبار القدرة على التعميم على تركيبات عنصرية مجهولة).
الإجابة القصيرة: يقوم النموذج بتوليد إجابات نصية دون خيارات محددة مسبقاً.
- مقاييس التقييم:
  - الطور الكامل: يتطلب تطابقاً تاماً (0% أو 100%).
  - اسم الطور: تشابه "جاكار" (Jaccard similarity) بين قوائم نطاقات الأطوار المولدة والحقيقية.
  - الشرط التجريبي: المتوسط المرجح لدقة التركيب ودقة درجة الحرارة.

3. المساهمات الرئيسية

نموذج aLLoyM: أول نموذج لغوي كبير تم ضبطه خصيصاً للتنبؤ بمخططات طور السبائك، وقادر على التعامل مع الأنظمة الثنائية والثلاثية.
التعلم متعدد المهام الموحد: أثبت أن بنية نموذج لغوي كبير واحدة يمكنها أداء التنبؤ الأمامي (التركيب $\rightarrow$ الطور) والتصميم العكسي (الطور $\rightarrow$ الظروف) بفعالية.
اكتشاف مواد جديدة: النجاح في توليد مخططات طور لأنظمة بدون بيانات تجريبية (مثل اليورانيوم-نيهونيوم، والتنغستن-التانتالوم-الأوزميوم)، مما يثبت قدرة الاستقراء الحقيقية.
الإصدار مفتوح المصدر: نشر النموذج المضبوط للإجابات القصيرة، ومجموعة بيانات الأسئلة والأجوبة الكاملة للمقارنة، والشيفرة المصدرية على Hugging Face وGitHub.

4. النتائج

أداء الاختيار من متعدد

الأساس مقابل الضبط الدقيق: كان أداء نموذج Mistral الأساسي يقترب من التخمين العشوائي (دقة <25%). في المقابل، أظهر aLLoyM تحسينات كبيرة، حيث تفوق على النموذج الأساسي في جميع المهام.
التعميم:
- كان الأداء أعلى في إعدادات الاستكمال (Interpolation) مقارنة بإعدادات الاستقراء (Extrapolation)، كما هو متوقع.
- تم التنبؤ بـ الأنظمة الثنائية بدقة أكبر من الأنظمة الثلاثية (ويعزى ذلك إلى انخفاض حجم بيانات التدريب للأنظمة الثلاثية).
- نجح النموذج في التعميم على الأنظمة المجهولة في إعداد الاستقراء، مما يثبت أنه تعلم العلاقات الديناميكية الحرارية الأساسية بدلاً من مجرد حفظ البيانات.

أداء الإجابة القصيرة

اتجاهات الدقة: على غرار الاختيار من متعدد، كان الاستكمال أفضل من الاستقراء. كان التنبؤ بمعلومات الطور الكاملة هو المهمة الأكثر صعوبة، بينما ظل التنبؤ بأسماء الأطوار قوياً حتى في ظل الاستقراء.
التنبؤات الجديدة:
- نظام Th-Ac: تنبأ بنقطة انصهار تبلغ حوالي 1400 درجة مئوية (تجريبياً: ~1050 درجة مئوية) وتنبأ بشكل خاطئ بهيكل HCP (الحقيقي: FCC).
- نظام U-Nh: تنبأ بنقطة انصهار تبلغ حوالي 900 درجة مئوية (الحقيقية: 1135 درجة مئوية) وتنبأ بشكل خاطئ بهيكل HCP (الحقيقي: BCC). رغم الأخطاء، فقد ولد مخططاً صالحاً لنظام ليس له بيانات تدريب.
- نظام W-Ta-Os: ولد مقطعاً حرارياً متساوي الحرارة ثلاثي عند 800 كلفن، وتنبأ بتوازن ثلاثي الأطوار، وحدد أطوار "WOLF" (تسمية لم تكن موجودة في بيانات التدريب، مما يشير إلى المعرفة الكامنة داخل النموذج المسبق التدريب).
- الأنظمة الافتراضية: نجح في توليد مخطط طور لنظام (Nihonium-Uranium-Actinium)، وهو مزيج لا يمكن اختباره تجريبياً بسبب عدم استقرار العناصر.

5. الأهمية والآفاق المستقبلية

تسريع الاكتشاف: يعمل aLLoyM كأداة قوية لـ التصميم العقلاني للمواد، حيث يمكنه فحص مساحات تركيب شاسعة واقتراح مخططات طور للأنظمة غير المعروفة حالياً أو التي يصعب الوصول إليها تجريبياً.
قدرة التعميم: يثبت النموذج أن النماذج اللغوية الكبيرة تشفر المبادئ الديناميكية الحرارية ويمكنها تطبيقها على تركيبات كيميائية جديدة، متجاوزة مجرد التعرف على الأنماط.
القيود والعمل المستقبلي:
- الأداء حالياً أقل للأنظمة الثلاثية بسبب ندرة البيانات؛ يجب أن يتوسع العمل المستقبلي ليشمل بيانات تدريب للأنظمة ذات الرتب الأعلى.
- يتنبأ النموذج أحياناً بهياكل بلورية غير صحيحة (مثل HCP مقابل FCC)، مما يشير إلى الحاجة إلى هندسة أوامر (Prompt Engineering) مدركة للديناميكا الحرارية لتوجيه الاستدلال الفيزيائي أثناء الاستنتاج.
- قدرة النموذج على توليد أطوار "WOLF" تظهر أن النموذج يستخدم المعرفة المسبقة، مما يفتح مسارات لاستكشاف المفاهيم العلمية الكامنة داخل النماذج اللغوية الكبيرة.