🤖 machine learning

Thermodynamically consistent machine learning model for excess Gibbs energy

تقدم الورقة البحثية نموذج HANNA، وهو نموذج تعلم آلي متسق ديناميكيًا حراريًا يدمج القوانين الفيزيائية كقيود صارمة ويستخدم طريقة الإسقاط الهندسي للتنبؤ بدقة بطاقة جيبس الحرة الزائدة للمزيج السائل متعدد المكونات مباشرة من البنى الجزيئية، متفوقًا بذلك على المعايير المرجعية الأحدث في كل من الدقة ونطاق التطبيق.

المؤلفون الأصليون: Marco Hoffmann, Thomas Specht, Quirin Göttl, Jakob Burger, Stephan Mandt, Hans Hasse, Fabian Jirasek

نُشر 2026-04-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Marco Hoffmann, Thomas Specht, Quirin Göttl, Jakob Burger, Stephan Mandt, Hans Hasse, Fabian Jirasek

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 شيف (رئيس طهاة) ماهر يحاول التنبؤ بدقة بمذاق حساء جديد قبل حتى أن تخلط المكونات. في عالم الكيمياء والهندسة، هذا "الحساء" هو خليط سائل، و"المذاق" هو خاصية معقدة تسمى طاقة جيبس الحرة الزائدة (excess Gibbs energy). هذه القيمة تخبر المهندسين كيف ستتصرف الجزيئات في الخليط — سواء كانت ستختلط بسعادة، أو ستنفصل إلى طبقات (مثل الزيت والماء)، أو ستغلي عند درجة حرارة معينة.

لعقود من الزمن، كان التنبؤ بسلوك هذه المخاليط الجديدة يشبه محاولة تخمين مذاق الحساء باستخدام كتاب وصفات قديم وجامد. إذا كان كتاب الوصفات لا يحتوي على مدخل خاص لـ "الطماطم والريحان"، فستكون عالقاً.

يقدم هذا البحث HANNA، وهو "شيف ذكي" جديد مبني بالذكاء الاصطناዊ (تعلم الآلة) يمكنه التنبؤ بهذه السلوكيات لأي خليط، بشرط أن تعرف "المكونات" الجزيئية (البنية الكيميائية).

إليك كيف يعمل HANNA، مشروحاً من خلال تشبيهات بسيطة:

1. المشكلة في "كتب الوصفات" القديمة

الأساليب التقليدية (مثل UNIFAC) تشبه مكتبة من الوصفات المكتوبة مسبقاً. وهي تعمل بشكل رائع إذا كنت تخلط مكونات سبق وأن رأتها من قبل. ولكن إذا قدمت لها مكوناً جديداً (مثل مادة كيميائية نادرة أو سائل أيوني)، فلن تجد المكتبة مدخلاً لها، وسيفشل التنبؤ. كما أنها غالباً ما تكون "عنيدة"، بمعنى أنها لا تستطيع بسهولة وصف خليط يتصرف بشكل مختلف عند درجات حرارة مختلفة دون إعادة كتابة الوصفة بأكملها.

2. HANNA: الشيف المرن الملتزم بالقواعد

HANNA مختلف. فبدلاً من حفظ قائمة من الوصفات، يتعلم القوانين الأساسية للفيزياء التي تحكم تفاعل الجزيئات.

المدخلات: تعطي HANNA "المخطط" للجزيئات (بنيتها الكيميائية، المكتوبة بشفرة تسمى SMILES) والظروف (درجة الحرارة وكمية كل منها).
العقل: يستخدم نوعاً من الشبكات العصبية الاصطناعية، ولكن مع لمسة خاصة. فهو لا يكتفي بالتخمين؛ بل هو موصول بقوانين الديناميكا الحرارية. فكر في الأمر كشيف تدرب جيداً على قوانين النكهات لدرجة أنه لا يمكنه صنع طبق ينتهك قوانين الفيزياء. إذا قالت الرياضيات إن الخليط يجب أن ينفصل إلى طبقتين، فإن HANNA مُجبر على التنبؤ بهذا الانفصال. لا يمكنه "الهلوسة" بنتيجة تكسر القواعد.

3. "المحلل البديل" (Surrogate Solver): طريق مختصر للوصة

أحد أصعب الأمور التي يمكن التنبؤ بها هو متى سينقسم الخليط إلى طبقتين (التوازن بين السائل والسائل). عادةً، يتطلب حل هذا الأمر عملية حسابية بطيئة ومتكررة، مثل محاولة العثور على إبرة في كومة قش عبر فحص كل قشة واحدة تلو الأخرى.

الابتكار: قام المؤلفون ببناء محلل بديل (surrogate solver). تخيل مساعداً ماهراً للغاية شاهد عملية البحث عن الإبرة آلاف المرات. بدلاً من القيام بالعمل البطيء، ينظر المساعد إلى كومة القش ويشير فوراً إلى مكان الإبرة. يستخدم HANNA هذا المساعد للتعلم من البيانات التجريبية بشكل أسرع وأكثر دقة من ذي قبل.

4. "الإسقاط الهندسي": من الأزواج إلى الحشود

تدرب HANNA في الغالب على بيانات من أزواج المواد الكيميائية (المخاليط الثنائية). ولكن في العالم الحقيقي، غالباً ما نخلط ثلاثة أو أربعة أو أكثر من المواد الكيميائية معاً.

الحيلة: يستخدم HANNA إسقاطاً هندسياً. تخيل أنك تعرف تماماً كيف يتوافق شخصان (المادة الكيميائية A والمادة الكيمائية B)، وكيف يتوافق اثنان آخران (المادة الكيميائية C والمادة الكيميائية D). يستخدم HANNA "خريطة" رياضية لإسقاط هذه العلاقات الزوجية على حشد معقد من الناس. هو لا يحتاج لأن يُعلّم كيفية تفاعل كل مجموعة ممكنة من خمسة أشخاص؛ بل يحسب ذلك بناءً على كيفية تفاعل الأزواج. هذا يسمح له بالتنبؤ بسلوك المخاليط المعقدة التي لم يرها من قبل.

5. النتائج: أفضل وأشمل

اختبر المؤلفون HANNA مقابل "المعيار الذهبي" الحالي (UNIFAC المعدل) ونماذج الذكاء الاصطناዊ الأخرى.

الدقة: كان HANNA أكثر دقة في التنبؤ بكيفية تصرف المخاليط، خاصة في الحالات الصعبة مثل التخفيف اللانهائي (قطرة صغيرة من مادة كيميائية في بحيرة ضخمة من مادة أخرى) والانفصال بين السوائل.
تعدد الاستخدامات: بينما تفشل كتب الوصفات القديمة إذا تم إدخال مادة كيميائية جديدة، يمكن لـ HANNA التعامل معها لأنه يحتاج فقط إلى المخطط الجزيئي. لقد نجح في التنبؤ بسلوكيات المخاليط التي تحتوي على سوائل أيونية (أملاح معقدة تكون سائلة في درجة حرارة الغرفة)، وهي مواد يصعب على النماذج القديمة التعامل معها.
الاتساق: على عكس بعض نماذج الذكاء الاصطناዊ الأخرى التي قد تعطيك نتيجة تبدو جيدة ولكنها تكسر قوانين الفيزياء، فإن HANNA مضمون الاتساق من الناحية الديناميكية الحرارية.

ملخص

باختصار، يقدم هذا البحث HANNA، وهو نموذج تعلم آلي يعمل كعراف للديناميكا الحرارية. إنه يجمع بين مرونة الذكاء الاصطناዊ الحديث وقواعد الفيزياء الصارمة. يتعلم من البيانات التجريبية للأزواج البسيطة من المواد الكيميائية، ويستخدم إسقاطاً رياضياً ذكياً للتنبؤ بسلوك المخاليط المعقدة متعددة المكونات. إنه أكثر دقة من المعايير الصناعية الحالية ويمكنه التعامل مع مجموعة أوسع بكثير من المواد الكيميائية، بما في ذلك تلك التي لم تكن الطرق القديمة قادرة حتى على محاولة نمذجتها.

لقد أتاح المؤلفون هذا "الشيف الذكي" وكوده البرمجي للجمهور، مما يسمح للمهندسين باستخدامه لتصميم عمليات كيميائية أفضل، بدءاً من ابتكار مذيبات جديدة وصولاً إلى تحسين تقنيات الفصل الصناعي.

1. بيان المشكلة

يعد التنبؤ الدقيق بطاقة جيبس الحرة المضافة المولية ( $g^E$ ) ومعاملات النشاط المشتقة منها ( $\gamma_i$ ) أمراً جوهرياً في الهندسة الكيميائية لنمذجة توازن الأطوار (توازن البخار-السائل - VLE، وتوازن السائل-السائل - LLE) وحركية التفاعلات.

القيود الحالية:
- النماذج القائمة على الفيزياء (NRTL, UNIQUAC): تتطلب بيانات تجريبية مكثفة لضبط معاملات التفاعل الثنائية. ولا يمكنها التنبؤ بالخصائص للمكونات غير المدروسة أو الأنظمة التي تفتقر إلى البيانات الثنائية. كما أنها غالباً ما تواجه صعوبة في وصف كل من VLE وLLE في آن واحد باستخدام مجموعة معلمات واحدة.
- نموذج المساهمة المجموعاتية (UNIFAC): يقلل المعلمات عن طريق تفكيك الجزيئات إلى مجموعات وظيفية، ولكنه محدود بالمجموعات المحددة مسبقاً ويواجه صعوبة في التعامل مع الأنظمة المعقدة (مثل السوائل الأيونية) أو الوصف المتزامن لـ VLE وLLE.
- الكيمياء الكمية (COSMO-RS/SAC): مكلفة حاسوبياً ويعتمد دقتها بشكل كبير على مستوى نظرية الكثافة الوظيفية (DFT) المختار.
- نماذج تعلم الآلة الحالية: تفتقر العديد من نماذج الشبكات العصبية الرسومية (GNN) الحديثة إلى الاتساق الديناميكي الحراري الصارم (على سبيل المثال، انتهاك معادلة جيبس-دومي) أو تكون مقيدة بظروف محددة (مثل التركيز اللانهائي فقط، أو درجة حرارة ثابتة، أو الأنظمة الثنائية فقط).

التحدي الجوهري: تطوير نموذج تعلم آلة مرن يتنبأ بـ $g^E$ ومعاملات النشاط لأي خليط (بما في ذلك المكونات غير المدروسة) اعتماداً فقط على الهياكل الجزيئية، مع الالتزام الصارم بجميع قوانين الاتساق الديناميكي الحراري.

2. المنهجية: نموذج HANNA

قدم المؤلفون نموذج HANNA (البنية الهجينة للنشاط بالشبكة العصبية)، وهو إطار عمل للتعلم العميق يدمج القوانين الفيزيائية كـ قيود صلبة مباشرة في بنية الشبكة العصبية.

أ. البنية والمدخلات

المدخلات: الهياكل الجزيئية (سلاسل SMILES)، درجة الحرارة ( $T$ )، والكسور المولية ( $x$ ).
التضمين (Embedding): تتم معالجة سلاسل SMILES باستخدام نموذج المحول (Transformer) المدرب مسبقاً ChemBERTa-2 لتوليد تضمينات جزيئية.
بنية الشبكة: يستخدم HANNA ثلاث شبكات عصبية أمامية (FFNNs):
1. شبكة التضمين: تعمل على تحسين التضمينات الجزيئية.
2. شبكة الخليط: تعالج التفاعلات بين المكونات.
3. شبكة الخصائص: تحسب حدود التفاعل الثنائية.
القيود الصلبة: تفرض البنية ما يلي:
- التكافؤ التبادلي (Permutation Equivariance): ترتيب المخرجات يطابق ترتيب المكونات المدخلة.
- حد المكون النقي: تقترب معاملات النشاط من 1 للمكونات النقية.
- اتساق جيبس-دومي: يتم اشتقاق معاملات النشاط عبر الاشتقاق التلقائي لـ $g^E$ المتوقع، مما يضمن الاتساق الرياضي.
- التعامل مع المكونات المتطابقة: تستخدم دالة الأساس الشعاعي (RBF) لدرجة التشابه لدمج المكونات المتطابقة لضمان أن $g^E = 0$ للمواد النقية.

ب. الاستقراء متعدد المكونات

لتوسيع النطاق من بيانات التدريب الثنائية إلى الأخلطة متعددة المكونات دون معلمات إضافية، يستخدم HANNA طريقة الإسقاط الهندسي (إسقاط موجيانو - Muggianu projection).

يتم إسقاط الكسور المولية لخليط مكون من $N$ مكون على جميع الأنظمة الفرعية الثنائية $N(N-1)/2$ .
يتم حساب $g^E$ الإجمالي كمجموع موزون لمساهمات الأنظمة الفرعية الثنائية.
يسمح هذا للنموذج بالتدريب حصرياً على البيانات الثنائية مع القدرة على التنبؤ بالأنظمة الثلاثية والرباعية.

ج. استراتيجية التدريب ودالة الفقد (Loss Function)

يتم تدريب HANNA من البداية إلى النهاية (end-to-end) على مجموعة بيانات ضخمة من بنك بيانات دورتموند (DDB) تغطي 46,543 نظاماً. يقلل التدريب من دالة فقد مركبة ( $L_{total}$ ):

فقد البيانات:
- VLE (TPXY/TPX): يتنبأ بمعاملات النشاط أو الضغط الكلي.
- التركيز اللانهائي (ACI): يتنبأ بـ $\gamma^\infty$ .
- الإنثالبي الزائد ( $H^E$ ): مشتق عبر الاشتقاق التلقائي لـ $g^E$ بالنسبة لدرجة الحرارة.
- LLE (توازن السائل-السائل): هذا ابتكار رئيسي. بما أن LLE يتطلب حل معادلات غير خطية بشكل تكراري (مما يقطع تدفق الاشتقاق)، فقد طور المؤلفون محللاً بديلاً قابلاً للاشتقاق (differentiable surrogate solver). يستخدم هذا المحلل شبكة عصبية لمحاكاة طريقة الغلاف المحدب (CEM)، حيث يربط طاقة جيبس للخلط ( $\Delta g_{mix}$ ) مباشرة بتركيبات الأطوار ( $x', x''$ ).
فقد جيبس ( $L_{Gibbs}$ ): حد مستوحى من الفيزياء يعاقب النموذج إذا فشل في التنبؤ بفجوة الامتزاج (أي إذا لم يكن المشتق الثاني لـ $\Delta g_{mix}$ سالباً حيثما كان مطلوباً).
تنظيم ليبشيتز ( $L_{Lips}$ ): يفرض نعومة على دالة $g^E$ المتوقعة لتحسين المتانة وقدرات الاستقراء.

3. المساهمات الرئيسية

الاتساق الديناميكي الحراري كقيود صلبة: يُعد HANNA أول نموذج يدمج بصرامة جميع القيود الديناميكية الحرارية ذات الصلة (جيبس-دومي، حدود التركيز اللانهائي، التماثل التبادلي) في بنية الشبكة بدلاً من الاعتماد على العقوبات الناعمة (soft penalties).
تدريب LLE من البداية إلى النهاية: يوفر المبدل البديل القابل للاشتقاق إمكانية التدريب المباشر لنماذج تعلم الآلة على بيانات تركيب أطوار LLE التجريبية، وهي مهمة كانت تُعتبر صعبة سابقاً لتعلم الآلة بسبب الحاجة إلى حلول تكرارية.
قابلية التطبيق الشاملة: على عكس UNIFAC، لا يتطلب HAN-NA أي بارامترات للمجموعات. يمكنه التنبؤ بالخصائص لأي خليط حيث تُعرف الهياكل الجزيئية، بما في ذلك السوائل الأيونية والأنظمة المعقدة.
الوصف المتزامن لـ VLE/LLE: ينجح النموذج في وصف كل من توازنات البخار-السائل وتوازن السائل-السائل باستخدام معلمة واحدة، متجاوزاً إحدى العيوب الرئيسية للنماذج التقليدية مثل UNIQUAC.
مفتوح المصدر: النموذج، الكود، والواجهة التفاعلية للويب (MLPROP) متاحة للجمهور.

4. النتائج

تم تقييم النموذج على أنظمة اختبار لم تُستخدم في التدريب (محجوزة أثناء التدريب) ومقارنته بـ UNIFAC المعدل (Dortmund) ومعايير تعلم الآلة الأخرى (GE-GNN, GDI-GNN, SolvGNN).

الدقة مقابل UNIFAC:
- الأنظمة الثنائية: يتفوق HANNA على UNIFAC المعدل في متوسط الخطأ المطلق (MAE) لكل من VLE وACI وLLE. والجدير بالذكر أن متوسط MAE للتركيز اللانهائي (ACI) انخفض من 0.18 (UNIFAC) إلى 0.11 (HANNA).
- الأنظمة متعددة المكونات: يحافظ HANNA على دقة متفوقة أو مقاربة في الأخلطة الثلاثية.
- كشف LLE: يحدد HANNA فجوات الامتزاج بشكل صحيح في 89% من أنظمة LLE الثنائية (مقابل 74% لـ UNIFAC) وفي 98% من أنظمة LLE الثلاثية.
القابلية للتطبيق:
- نجح HANFA في التنبؤ بخصائص الأنظمة التي تحتوي على سوائل أيونية وجزيئات معقدة حيث يفشل UNIFAC بسبب نقص معاملات المجموعات.
- يغطي مساحة كيميائية أوسع، بما في ذلك المكونات غير المدروسة.
المقارنة مع نماذج تعلم الآلة الأخرى:
- يتفوق HANNA بشكل كبير على نماذج تعلم الآلة الأخرى (GE-GNN, SolvGNN, إلخ) من حيث الدقة والقابلية للتطبيق.
- على عكس نماذج تعلم الآلة الأخرى المقيدة بالأنظمة الثنائية، أو درجات الحرارة الثابتة، أو التركيز اللانهائي، يتعامل HANFA مع أخلطة $N$ من المكونات مع اعتماد على درجة الحرارة والتركيب.
الأداء النوعي: يتنبأ النموذج بشكل صحيح بسلوكيات الأطوار المعقدة، بما في ذلك فجوات الامتزاج من النوع الجزيري (درجات الحرارة الحرجة العليا والدنيا) وAzeotropes المختلطة.

5. الأهمية والأثر

تحول في النموذج الفكري: يمثل HANNA تحولاً من "ضبط المعلمات للبيانات" إلى "تعلم القوانين الفيزيائية من البيانات". إنه يثبت أن الشبكات العصبية يمكن تقييدها للامتثال للديناميكا الحرارية دون التضحية بالمرونة.
المنفعة الصناعية: من خلال توفير تنبؤات دقيقة للأنظمة غير المدروسة (مثل المذيبات الجديدة، السوائل الأيونية) دون الحاجة إلى تجارب ضبط جديدة، يسرع HANFA تصميم العمليات، واختيار المذيبات، واكتشاف المواد.
التقدم المنهجي: يوفر المبدل البديل (surrogate solver) لـ LLE واستراتيجية الإسقاط الهندسي أدوات جديدة لدمج القيود الفيزيائية المعقدة في سير عمل التعلم العميق.
الآفاق المستقبلية: يخطط المؤلفون لتوسيع التدريب ليشمل توازن السائل-الصلب (SLE) ومن المحتمل دمج البيانات الثلاثية مباشرة لتحسين طريقة الإسقاط.

باختصار، يضع HANFA معياراً جديداً للثرموديناميكا التنبؤية، حيث يجمع بين قوة التعميم للتعلم العميق والاتساق الصارم للقوانين الفيزيائية، متفوقاً على معايير الصناعة التي استمرت لعقود مع تقديم قابلية تطبيق أوسع.