🔬 materials science

DiffCrysGen: A Generative Diffusion Model for Accelerated Design of Inorganic Crystalline Materials

يُعد DiffCrysGen نموذج انتشار موحداً ومعتمداً كلياً على البيانات، يعمل على تسريع التوليد الشامل للمواد البلورية غير العضوية المستقرة والوظيفية بمعدل يتراوح بين رتبتين إلى ثلاث رتب مقدارية مقارنة بالطرق الحالية، وقد نجح في تحديد مرشحات مغناطيسية جديدة خالية من العناصر الأرضية النادرة.

المؤلفون الأصليون: Sourav Mal, Nehad Ahmed, Junaid Jami, Subhankar Mishra, Prasenjit Sen

نُشر 2026-03-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sourav Mal, Nehad Ahmed, Junaid Jami, Subhankar Mishra, Prasenjit Sen

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 اختراع نوع جديد من البطاريات، أو مغناطيس فائق القوة، أو محفز ينقي الهواء. للقيام بذلك، تحتاج إلى إيجاد ترتيب محدد للذرات يعمل بشكل مثالي.

المشكلة هي أن "كون الاحتمالات" لكيفية دمج الذرات واسع للغاية، لدرجة أنه يشبه محاولة العثور على حبة رمل معينة من بين كل حبات الرمال على جميع شواطئ الأرض، وأنت معصوب العينين.

لعقود من الزمن، حاول العلماء حل هذه المشكلة عبر:

التخمين والتحقق: تجربة تعديل مواد معروفة (مثل استبدال مكون واحد في وصفة كعكة).
الحواسيب الفائقة: استخدام عمليات محاكاة مكلفة وبطيئة لاختبار ما إذا كانت التخمينة ناجحة أم لا.

هذا الأمر بطيء، ومكلف، ويعتمد بشكل كبير على الحدس البشري.

إليك DiffCrysGen: "طاهي البلورات" الذكي

يقدم البحث نموذج ذكاء اصطناعي جديد يسمى DiffCrysGen. لا تفكر فيه كطاهٍ يتبع وصفة، بل كطاهٍ ماهر تذوق كل الأطباق الموجودة في الوجود، وهو الآن قادر على تخيل وابتكار وجبات جديدة تمامًا ولذيذة من الصفر.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. سحر "إزالة الضجيج" (تشبيه النحات)

تحاول معظم نماذج الذكاء الاصطناعي بناء بلورة ذرة تلو الأخرى، مثل روبوت يضع قطع "الليغو" واحدة تلو الأخرى. هذا أمر بطيء وغالبًا ما يؤدي إلى هياكل غير مستقرة.

يعمل DiffCrysGen بشكل مختلف. تخيل نحاتًا يبدأ بكتلة ضخمة وفوضوية من الطين المغطى بالضجيج (التشويش).

العملية: يبدأ الذكاء الاصطناعي بفوضى عارمة (ضجيج عشوائي). ثم يقوم بعد ذلك بـ "إزالة الضجيج" تدريجيًا، مثل نحات ينحت الزائد من الطين ليكشف عن تمثال مثالي تحته.
الابتكار: كان على نماذج الذكاء الاصطناعي السابقة نحت شكل التمثال، ولون الطين، وحجم الكتلة في ثلاث خطوات منفصلة ومعقدة. أما DiffCsGen فيقوم بكل ذلك في حركة واحدة سلسة. إنه يتعلم "روح" البلورة المثالية ويكشف عنها كلها دفعة واحدة.

2. السرعة: سيارة فيراري مقابل دراجة هوائية

لأنه يفعل كل شيء في خطوة واحدة، فإن DiffCrysGen سريع للغاية.

النماذج القديمة: مثل الدراجة الهوائية. تستغرق وقتًا طويلًا لإنتاج عدد قليل من البلورات، وغالبًا ما تتعثر (تنتج هياكل غير صالحة).
DiffCrysGen: مثل سيارة فيراري. يمكنه إنتاج 308 هياكل بلورية في الثانية الواحدة. في الوقت الذي يستغرقه نموذج قديم لصنع بلورة واحدة، يمكن لـ DiffCrysGen صنع المئات. إنه أسرع بـ 100 إلى 1,000 مرة من المنافسين.

3. البحث عن "العناصر الأرضية النادرة"

اختبر الباحثون هذا الذكاء الاصطناعي بهدف محدد وملح للغاية: إيجاد مغناطيسات لا تستخدم العناصر الأرضية النادرة.

لماذا؟ تعتمد المغناطيسات الأرضية النادرة (مثل تلك الموجودة في هاتفك أو سياراتك الكهربائية) على عناصر مثل النيوديميوم، وهي عناصر باهظة الثمن، ويصعب تعدينها، وتسيطر عليها دول قليلة. نحن بحاجة إلى مغناطيسات مصنوعة من مواد شائعة (مثل الحديد، الأكسجين، إلخ).
النتيجة: قام الذكاء الاصطناعي بتوليد أكثر من مليون هيكل بلوري عشوائي. قام الباحثون بتصفيتها للوصول إلى أفضل المرشحين.
الاكتشاف: وجدوا 28 مادة جديدة ومستقرة.
- 14 مادة مغناطيسية حديدية (Ferromagnets): مغناطيسات قوية يمكن أن تحل محل المغناطيسات الأرضية النادرة. إحدى هذه المواد، وهي Fe₂ZnO₃، قوية جدًا ولها اتجاه مغناطيسي فريد لدرجة أنها قد تكون أفضل من المغناطيسات الحالية، رغم أنها مصنوعة من مكونات رخيصة وشائعة.
- 14 مادة مغناطيسية مضادة (Antiferromagnets): نوع خاص من المغناطيس المستخدم في أجهزة الكمبيوتر فائقة السرعة في المستقبل (الإلكترونيات الدورانية - Spintronics).

4. لماذا يهم هذا؟

قبل هذا، كان العثور على مادة جديدة يشبه البحث عن إبرة في كومة قش باستخدام جهاز كشف معادن يعمل بنسبة 1% فقط.

DiffCrysGen يشبه جهاز كشف معادن يعمل بنسبة 90% ويمسح كومة القش بأكملها في ثوانٍ.
هو لا يكتفي بنسخ المواد القديمة؛ بل يبتكر مواد جديدة لم يفكر فيها البشر من قبل.
لقد أثبت أن الذكاء الاصطناعي يمكنه تعلم "قواعد الكيمياء" بمجرد النظر إلى البيانات، دون الحاجة إلى كتابة قواعد معقدة له من قبل البشر.

الخلاصة

DiffCrysGen هو أداة رائدة تحول عملية اكتشاف المواد البطيئة والمكلفة إلى عملية سريعة ومؤتمتة. إنه بمثابة منح العلماء "آلة زمن" تسمح لهم بتجاوز سنوات من التجربة والخطأ والقفز مباشرة إلى مستقبل الطاقة، والإلكترونيات، والتكنولوجيا المستدامة.

تظهر الورقة البحثية أننا لم نعد نستكشف العالم الكيميائي فحسب؛ بل أصبحنا الآن نبتكر عالمه.

1. بيان المشكلة

يعوق اتساع الفضاء التصميمي الكيميائي والتركني اكتشاف مواد بلورية غير عضوية وظيفية جديدة. تعتمد النهج التقليدية على التجربة والخطأ في المختبر أو تعديل المركبات المعروفة، مما يحد من الابتكار والقدرة على التوسع. وبينما نجحت تعلم الآلة (ML) في تسريع التنبؤ بالخصائص، إلا أن معظم النماذج التوليدية لتصميم البلورات تعاني من:

التعقيد الهيكلي: تتطلب نماذج الانتشار (Diffusion Models) المتطورة غالبًا عمليات انتشار منفصلة لأنواع الذرات، والمواضع الذرية، ومعاملات الشبكة البلورية، ولكل منها فضاء كامن خاص بها.
عدم الكفاءة: تفرض هذه الأطر متعددة العمليات اقترانًا شرطيًا أثناء مرحلة عكس إزالة الضجيج (reverse denoising)، مما يعقد الإطار ويؤدي إلى إبطاء سرعات أخذ العينات بشكل كبير.
الانحياز: تظهر العديد من النماذج الموجودة (مثل VAEs وGANs) انحيازًا قويًا نحو توليد هياكل منخفضة التماثل (تحديدًا مجموعة الفراغ التافهة $P1$ )، وتفشل في التقاط تنوع الأنظمة البلورية عالية التماثل.

2. المنهجية: DiffCrysGen

يقترح المؤلفون DiffCrysGen، وهو نموذج انتشار قائم على الدرجة (score-based) يعتمد كليًا على البيانات، مصمم لتوليد هياكل بلورية كاملة في عملية واحدة متكاملة (end-to-end).

التمثيل الموحد: يستخدم النموذج التمثيل البلوري في الفضاء الحقيقي العكسي (IRCR)، وهو سحابة نقاط ثنائية الأبعاد تمثل معًا أنواع الذرات، ومعاملات الشبكة، والإحداثيات الكسرية. يسمح هذا للنموذج بمعاملة الهيكل البلوري بأكمله كفضاء كامن موحد واحد.
إطار الانتشار:
- العملية الأمامية (Forward Process): يتم إضافة ضجيج غاوسي تدريجيًا إلى البيانات باستخدام معادلة تفاضلية ستوكاستية (SDE) من نوع "توسع التباين" (Variance-Exploding)، مما يحول توزيع البيانات المعقد إلى توزيع غاوسي بسيط.
- العملية العكسية (Reverse Process): تعمل شبكة UNet مشروطة بالضجيج (تعتمد على كتل ResNet والانتباه الذاتي) كشبكة لإزالة الضجيج. وهي تتنبأ بالبيانات النظيفة الأصلية ( $x_0$ ) بناءً على المدخلات المشوشة ( $x_t$ ) ومستوى الضجيج ( $\sigma(t)$ ).
- أخذ العينات (Sampling): يتم توليد هياكل جديدة عن طريق حل معادلة التدفق الاحتمالي (Probability Flow ODE) عكسيًا عبر الزمن باستخدام مأخذ عينات ستوكاستي (طريقة Heun من الدرجة الثانية).
البنية والكفاءة:
- يتميز النموذج بكونه خفيف الوزن بشكل ملحوظ، حيث يحتوي على 1.3 مليون معلمة قابلة للتدريب فقط (مقارنة بـ 12.3 مليون لـ DiffCSP و46.8 مليون لـ MatterGen).
- لا يفرض النموذج التماثل (equivariance) تجاه تبديل الذرات أو الدورات بشكل صريح، بل يعتمد بدلاً من ذلك على البيانات لتعلم هذه التماثلات ضمنيًا.
بيانات التدريب: تم التدريب على 151,294 هيكل بلوري محسن من قاعدة بيانات Alexandria (تحتوي على ما يصل إلى 20 ذرة لكل وحدة خلية)، وتغطي تركيبات عنصرية، وثنائية، وثلاثية.

3. المساهمات الرئيسية

التوليد الموحد المتكامل (End-to-End): يعد DiffCrysGen أول نموذج انتشار يوحد توليد أنواع الذرات، والمواضع، ومعاملات الشبكة في عملية واحدة، مما يلغي الحاجة إلى مساحات كامنة منفصلة واقتران شرطي.
مقاييس تقييم مبتكرة: قدم المؤلفون ثلاثة مقاييس جديدة لتقييم النماذج التوليدية بشكل أفضل:
- معدل P1: يقيس الانحياز نحو مجموعة الفراغ التافهة $P1$ (الأقل هو الأفضل).
- معدل التوليد (G): يقيس عدد الهياكل المولدة في الثانية.
- معدل التوليد الفعال (EGR): يجمع بين جودة الهيكل (المستقر، الفريد، الجديد - S.U.N.) والسرعة ( $EGR = G \times S.U.N.$ ).
خط عمل التحقق المزدوج: للتحقق من المواد المولدة، استخدم المؤلفون خط أنابيب فحص هرمي:
- خط العمل 1: استرخاء نظرية الكثافة الوظيفية (DFT) المباشر وحساب الخصائص.
- خط العمل 2: استرخاء أولي باستخدام حقل قوة تعلم الآلة (MLFF) متبوعًا بـ DFT. يلتقط هذا النهج المزدوج النهايات الصغرى المحلية المختلفة (المتعددات الشكلية/polymorphs) التي قد يفتقدها خط عمل واحد.
اكتشاف المغناطيسات الخالية من العناصر الأرضية النادرة (RE-free): تم تطبيق النموذج على التحدي الملح المتمثل في تصميم مواد مغناطيسية خالية من العناصر الأرضية النادرة، وهو أمر بالغ الأهمية لتقنيات الطاقة المستدامة.

4. النتائج

أداء القياس المرجعي

السرعة: يولد DiffCrysGen 308.07 عينة/ثانية على وحدة معالجة رسومات واحدة من نوع NVIDIA H100، وهو ما يعادل أسرع بمرتبتين إلى ثلاث مراتب من MatterGen وDiffCSP.
الإنتاجية: من حيث معدل التوليد الفعال (EGR)، ينتج DiffCresGen حوالي 907 ضعف الهياكل من نوع S.U.N. في وحدة الزمن مقارنة بـ MatterGen، وحوالي 76 ضعفًا مقارنة بـ DiffCSP.
الجودة: يحقق مستويات تنافسية في معدلات الصلاحية (87.5%)، وطاقة التكوين السالبة (88.1%)، والاستقرار (51.7%) مقارنة بالنماذج الرائدة.
التماثل: على عكس النماذج السابقة التي تولد أكثر من 99% من هياكل $P1$ ، يولد DiffCrysGen 41% من الهياكل عالية التماثل (مجموعة فراغ > 16) و 38% فقط من هياكل $P1$ ، مما يظهر قدرة فائقة على تعلم التماثلات البلورية.

اكتشاف المواد (المغناطيسات الخالية من العناصر الأرضية النادرة)

من بين 1.3 مليون هيكل تم توليده، قام المؤلفون بفحص المواد الخالية من العناصر الأرضية النادرة ذات المغناطيسية التشبعية العالية ( $M_s \ge 1$ تسلا) والتباين المغناطيسي البلوري العالي ( $K_1 > 1$ ميجا جول/متر مكعب).

المرشحات النهائية: حدد خط الأنابيب 28 مادة واعدة (14 مادة حديدية و14 مادة مضادة للحديد) مستقرة ديناميكيًا ومجدية ثرموديناميكيًا (ضمن نطاق 0.1–0.4 إلكترون فولت/ذرة من منحنى التحدب/convex hull).
الاكتشافات الرئيسية:
- $Fe_2ZnO_3$ : عازل فيرومغناطيسي بـ $M_s = 1.47$ تسلا وتباين عالٍ جدًا $K_1 = 6.85$ ميجا جول/متر مكعب (يتفوق على $Nd_2Fe_{14}B$ ). وهو مستقر حتى حوالي 447 كلفن.
- $Mn_2Rh_3Ti$ : مادة معدنية مضادة للحديد ذات تباين أحادي المحور كبير ( $K_1 = 1.56$ ميجا جول/متر مكعب) ودرجة حرارة نيل (Néel temperature) متوقعة تبلغ 976 كلفن.
- $Fe_2NiSi$ : معدن فيرومغناطيسي بـ $M_s = 1.13$ تسلا و $K_1 = 1.09$ ميجا جول/متر مكعب. على الرغم من وجود هذا التركيب في مجموعة التدريب، فقد ولد النموذج متعدد أشكال (polymorph) مختلفًا استرخى إلى الهيكل المستقر المعروف، مما يسلط الضضوء على قدرته على إعادة اكتشاف وتحسين المواد المعروفة.
التحقق: تم التحقق من جميع المرشحات من حيث الاستقرار الديناميكي (حسابات الفونون) والاستقرار عند درجات الحرارة المحددة (طاقة هلمهولتز الحرة).

5. الأهمية

تحول جذري: يثبت DiffCrysGen أن بنية انتشار موحدة وبسيطة يمكن أن تتفوق على النماذج المعقدة متعددة المراحل في كل من السرعة والتنوع، مما يتحدى ضرورة القيود المصممة يدويًا في التصميم التوليدي للمواد.
تسريع الاكتشاف: من خلال زيادة معدل التوليد الفعال بمراتب عشرية، يجعل DiffCresGen استكشاف الفضاءات الكيميائية الشاسعة أمرًا ممكنًا للتطبيقات العملية.
التكنولوجيا المستدامة: إن النجاح في تحديد مغناطيسات عالية الأداء وخالية من العناصر الأرضية النادرة يعالج عقبة جيوسياسية وسلسلة توريد حرجة في تكنولوجيا المغناطيس الدائم.
القدرة على التعميم: لا يقتقتصر إطار العمل على المغناطيسات؛ بل يعمل كمنصة عامة للتصميم من الصفر (de novo) لأي مواد غير عضوية وظيفية، مما يمهد الطريق للتصميم العكسي المستهدف في مجالات الطاقة، والحفز، والمواد الكمومية.

في الختام، يمثل DiffCrysGen تقدمًا كبيرًا في علوم المواد المدعومة بالذكاء الاصطناعي، حيث يقدم أداة سريعة، وفعالة، وفعالة للغاية لاكتشاف الجيل القادم من المواد الوظيفية.