Learning Magnetic Order Classification from Large-Scale Materials Databases

تعد المغناطيسية خاصية أساسية للمادة تشكل كل شيء، بدءاً من القرص الصلب في جهاز الكمبيوتر وصولاً إلى البوصلة في جيب المتنزه. وعلى المستوى الذري، تنشأ المغناطيسية من الطريقة التي تترتب بها العزوم المغناطيسية الصغيرة، الناتجة عن الإلكترونات، مع بعضها البعض. فأحياناً، تشير جميعها في نفس الاتجاه، مما يخلق مغناطيساً قوياً ودائماً. وفي أحيان أخرى، تشير في اتجاهات متعاكسة، مما يؤدي إلى إلغاء بعضها البعض بحيث تبدو المادة غير مغناطيسية للعالم الخارجي. ويعد تحديد أي من هذه الترتيبات ستعتمدها مادة معينة تحدياً مركزياً للعلماء الذين يحاولون اكتشاف مواد جديدة. وبينما يمكن لمحاكاة الكمبيوتر القوية التنبؤ بهذه الحالات، إلا أنها غالباً ما تقع في فخ التكرار، حيث تكتفي بالإجابة الأبسط حتى عندما يكون الواقع الحقيقي أكثر تعقيداً. وهذا يخلق فجوة بين ما يقوله الكمبيوتر عن المادة وما هي عليه في الواقع، وهي مشكلة تبطئ عملية البحث عن تقنيات أفضل.

وقد طور باحث في جامعة ولاية أوهايو طريقة جديدة لسد هذه الفجوة باستخدام تعلم الآلة، وهو شكل من أشكال الذكاء الاصطناعي الذي يتعلم من الأنماط في البيانات. وقد ركز الباحث على مجموعة ضخمة من بيانات المواد المتاحة عبر الإنترنت والمعروفة باسم "مشروع المواد" (Materials Project)، والتي تحتوي على معلومات حول مئات الآلاف من المركبات. ووجد الباحث أن عمليات محاكاة الكمبيوتر المستخدمة لبناء هذه القاعدة لديها تحيز منهجي: فهي غالباً ما تصنف المواد على أنها "فيرومغناطيسية" (ferromagnetic)، أي أن مغناطيساتها الداخلية تشير جميعها في نفس الاتجاه، ببساطة لأن المحاكاة بدأت بهذا الافتراض. ولإصلاح ذلك، قام الباحث بتدريب برنامج كمبيوتر على قاعدة بيانات أصغر وأكثر موثوقية للمواد التي تم تأكيد حالاتها المغناطيسية من خلال تجارب واقعية. ومن خلال تعليم البرنامج كيفية التعرف على البصمات الدقيقة للترتيبات المغناطيسية المختلفة باستخدام المعلومات الأساسية فقط حول التركيب الكيميائي والمبنى الهيكلي للمادة، استطاع إنشاء أداة يمكنها مسح القاعدة الضخمة ورصد الأخطاء.

واكتشف الباحث أن أداة جديدة يمكنها تحديد آلاف المواد التي يُحتمل أن تكون مصنفة بشكل خاطئ. وتحديداً، وجد أكثر من 6,800 مركب في القاعدة الكبيرة تم وسمها كمواد فيرومغناطيسية بسيطة، بينما أظهرت علامات قوية على امتلاكها بنية مغناطيسية أكثر تعقيداً وغير متوازية. وعندما فحص الباحث عينة عشوائية من هذه المواد المحددة مقابل الأدبيات العلمية، وجد أن الغالبية العظمى منها لم تكن بالفعل فيرومغناطيسية. فبعضها ثبت أنه "أنتيفيرومغناطيسي" (antiferromagnetic)، حيث تشير الذرات المتجاورة في اتجاهات متعاكسة، بينما لم تظهر مواد أخرى أي ترتيب مغناطيسي على الإطلاق. وهذا يشير إلى أن عمليات محاكاة الكمبيوتر الأصلية قد أغفلت الحالة الأرضية الحقيقية لهذه المواد، على الأرجح لأنها لم تستكشف طرقاً كافية لترتيب دوران ذراتها (spins). وتسلط هذه الدراسة الضوء على أنه بينما يمكن لمحاكاة الكمبيوتر أن تكون قوية، إلا أنها قد تكون عرضة لنقاط عمياء محددة يمكن لتعلم الآلة، المدرب على الحقيقة التجريبية، أن يساعد في تصحيحها.

ولفهم كيفية عمل ذلك، من المفيد النظر في الأدوات التي استخدمها العالم. تعتمد قاعدة البيانات الكبيرة التي فحصها، "مشروع المواد"، على طريقة تسمى "نظرية الدالة الوظيفية للكثافة" (density functional theory) للتنبؤ بخصائص المواد. وهذه الطريقة تشبه حاسبة متطورة تحل المعادلات التي تحكم حركة الإلكترونات في مادة صلبة. ومع ذلك، لكي تحصل الحاسبة على إجابة، فإنها تحتاج إلى تخمين أولي. وفي سير العمل المؤتمت الذي يولد بيانات "مشروع المواد"، يكون التخمين الأولي دائماً تقريباً هو أن جميع العزوم المغناطيسية تشير في نفس الاتجاه. وإذا كانت المادة تفضل ترتيباً مختلفاً، فإن المحاكاة غالباً ما تفشل في العثور عليه، وتستقر بدلاً من ذلك على التخمين الأولي. وهذا يشبه محاولة العث_ور على أدنى نقطة في مشهد جبلي من خلال البدء من أعلى تلة معينة والنظر للأسفل منها فقط؛ قد تجد وادياً، لكنك لن تجد أبداً أعمق وادٍ إذا بدأت من قمة خاطئة.

وقد عالج الباحث ذلك ببناء "مصنف" (classifier)، وهو نوع من نماذج تعلم الآلة، تم تدريبه على مجموعة بيانات مختلفة تسمى "MAGNDATA". تحتوي هذه القاعدة على هياكل مغناطيسية تم قياسها مباشرة في المختبرات باستخدام تقنيات مثل تشتت النيوترونات، والتي يمكنها رؤية ترتيب الذرات وعزومها المغناطيسية بدقة عالية. ولأن هذه المدخلات تعتمد على قياسات حقيقية، فهي تعتبر المعيار الذهبي. وقد علم الباحث برنامجه الحاسوبي أن يبحث في السمات البسيطة للمادة، مثل العناصر التي تحتوي عليها، وكثافتها، ومستويات طاقة إلكتروناتها. ولم يستخدم تفاصيل معقدة يصعب حسابها، بل اعتمد على المعلومات الأساسية المتاحة بسهولة لمعظم المواد في القاعدة الكبيرة. وكان الهدف هو معرفة ما إذا كانت هذه القرائن البسيطة كافية للتمييز بين المادة التي هي فيرومغناطيسية حقاً وتلك التي تمتلك ترتيباً معقداً وخفياً.

وكانت النتائج مذهلة. فقد تعلم نموذج تعلم الآلة التمييز بين المواد ذات "متجه الانتشار الصفري" (zero magnetic propagation vector)، والذي يتوافق مع الأنماط المتكررة البسيطة مثل الفيرومغناطيسية، وتلك ذات "المتجه غير الصفرى" (nonzero vector)، والذي يشير إلى بنية مغناطيسية أكثر تعقيداً وتعديلاً. وعلى البيانات التجريبية، حقق النموذج دقة تزيد عن 92 بالمائة، حيث حدد نوع الترتيب المغناطيسي بشكل صحيح في معظم الحالات. وكان هذا الأداء أفضل بشكل ملحوظ من المحاولات السابقة باستخدام شبكات عصبية أكثر تعقيداً على مجموعات بيانات مختلفة. ويشير نجاح هذا النهج البسيط إلى أن التركيب الكيميائي والخصائص الهيكلية الأساسية للمادة تحمل معلومات كافية للتنبؤ بسلوكها المغناطيسي، حتى دون إجراء محاكاة كاملة ومكلفة بالكمبيوتر.

وباستخدام هذا النموذج الموثوق، وجه الباحث اهتمامه مجدداً نحو قاعدة بيانات "مشروع المواد" الضخمة. وطبق المصنف الذي دربه على أكثر من 150,000 مادة، بحثاً عن تلك المصنفة كفيرومغناطيسية ولكن يتنبأ النموذج بأن لها متجهاً غير صفري. وكان هذا التباين بمثابة علامة حمراء، تشير إلى أن المادة قد تكون مصنفة بشكل خاطئ. وكشفت عملية المسح عن عدد كبير من المرشحين، حيث احتوت القائمة النهائية للمواد التي يُحتمل تصنيفها بشكل خاطئ وبدرجة ثقة عالية على أكثر من 6,800 مركب فريد. ولضمان قوة هذه النتائج، قام الباحث بالتحقق من نتائجه باستخدام نوعين مختلفين من خوارزميات تعلم الآلة. واقتصر الأمر على المواد التي حددها كلا الخوارمان كمرشحة للتصنيف الخاطئ، وهي استراتيجية قللت بشكل كبير من احتمالية حدوث إنذارات كاذبة.

وعندما فحص الباحث عينة عشوائية من هذه المواد المحددة، دعمت الأدلة توقعاته. فقد وجد أن العديد من المركبات، التي وصفتها القاعدة الكبيرة بأنها فيرومغناطيسية، كانت في الواقع "أنتيفيرومغناطيسية" أو غير مغناطيسية في الواقع. فعلى سبيل المثال، المواد مثل كلوريد الحديد وأكسيد المنجنيز، التي أُدرجت في قاعدة البيانات كفيرومغناطيسية، كانت معروفة من التجارب بأن لها ترتيبات أنتيفيرومغناطيسية. كما أن بعض المواد التي تم تحديدها لم تكن تحتوي على أي أيونات مغناطيسية على الإطلاق، مما يعني أن تسميتها كفيرومغناطيسية كانت مجرد نتاج للتخمين الأولي لمحاكاة الكمبيوتر. وقدر الباحث أن معدل الإنذارات الكاذبة في قائمته النهائية كان منخفضاً جداً، على الأرجح أقل من 5 بالمائة، مما منحه ثقة عالية في أن غالبية المواد المحددة كانت بالفعل مصنفة بشكل خاطئ.

إن هذا العمل لا يكتفي بمجرد تصحيح قائمة من الأخطاء، بل يوضح طريقة جديدة لتحسين موثوقية قواعد البيانات العلمية واسعة النطاق. فباستخدام تعلم الآلة كأداة تشخيصية، يمكن للعلماء الآن مسح ملايين المدخلات بشكل منهجي للعثور على تلك التي لا تتوافق مع الواقع التجريبي. وهذا أمر مهم للغاية لأن هذه القواعد تُستخدم من قبل الباحثين حول العالم لتصميم مواد جديدة لتخزين الطاقة، والإلكترونيات، وغيرها من التقنيات. فإذا كانت البيانات الأساسية معيبة، فقد تفشل التصاميم المبنية عليها. وتظهر الدراسة أنه حتى نموذج بسيط لتعلم الآلة، مدرب على مجموعة صغيرة نسبياً من البيانات التجريبية عالية الجودة، يمكن أن يعمل كمرشح قوي لتنقية هذه المجموعات الضخمة من البيانات.

كما استكشف الباحث ما إذا كان إضافة معلومات أكثر تفصيلاً إلى نموذجه سيؤدي إلى تحسين أدائه. فقد اختبر تضمين خصائص كيميائية محددة، مثل متوسط "الكهروسلبية" (electronegativity) للعناصر في المركب، والتي تقيس مدى قوة جذب الذرات للإلكترونات. وبينما أدى ذلك إلى تحسن طفيف في الدقة، إلا أن المكاسب كانت متواضعة. وهذا يشير إلى أن الواصفات الأساسية التي استخدمها، مثل قائمة العناصر وكثافة المادة، قد استوعبت بالفعل معظم المعلومات الأساسية اللازمة لتقديم تنبؤ جيد. وتخلص الدراسة إلى أن التحسينات الأكثر أهمية في المستقبل ستأتي على الأرجح من استخدام بنيات أكثر تقدماً لتعلم الآلة يمكنها النظر في الترتيب المحلي للذرات، بدلاً من مجرد المتوسطات العالمية.

وفي نهاية المط المطاف، يسلط هذا البحث الضوء على الأدوار المتكاملة للحوسبة، والتجربة، وتعلم الآلة في علم المواد الحديث. توفر محاكاة الكمبيوتر مشهداً شاسعاً من الاحتمالات، لكنها قد تكون منحازة لتصوراتها الأولية. وتوفر التجارب الحقيقة المطلقة، لكنها بطيئة ومكلفة للقيام بها على نطاق واسع. ويعمل تعلم الآلة كجسر، حيث يتعلم من الحقائق التجريبية المحدودة لتصحيح انحيازات المشهد الحوسبي الواسع. ومن خلال تحديد وتصحيح آلاف المواد المغناطيسية المصنفة خطأً، يمهد هذا العمل الطريق لقواعد بيانات أكثر موثوقية ويسرع من اكتشاف مواد جديدة بالخصائص المغناطيسية المحددة المطلوبة لتقنيات المستقبل. وتعد هذه النتائج بمثابة تذكير بأنه حتى في عصر البيانات الضخمة، فإن أعمق الرؤى غالباً ما تأتي من التحقق الدقيق من العمل مقابل الواقع.