🔬 physics

Hybrid Machine Learning for Enhanced Prediction of Diffusion Coefficients in Liquids

تقدم هذه الورقة نموذج ستوكس-أينشتاين المُعزز (ESE)، وهو نهج هجين للتعلم الآلي يدمج معادلة ستوكس-أينشتاين مع سلاسل SMILES الجزيئية لتوفير تنبؤات دقيقة للغاية ومتسقة فيزيائياً بشكل صارم لمعاملات الانتشار عند التخفيف اللانهائي في الأنظمة السائلة الثنائية، متفوقاً بذلك على الأساليب المتطورة مع بقائه قابلاً للتطبيق على نطاق واسع في تصميم العمليات.

المؤلفون الأصليون: Jens Wagner, Zeno Romero, Kerstin Münnemann, Sebastian Schmitt, Thomas Specht, Hans Hasse, Fabian Jirasek

نُشر 2026-03-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jens Wagner, Zeno Romero, Kerstin Münnemann, Sebastian Schmitt, Thomas Specht, 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

المشكلة الكبيرة: "الخريطة المفقودة" لرحلة السوائل

تخيل أنك تحاول التنبؤ بالسرعة التي ستنتشر بها قطرة معينة من العطر (المذاب) عندما تفتح الزجاجة في غرفة مليئة بالهواء (المذيب). في عالم الكيمياء، تُسمى سرعة الانتشار هذه معامل الانتشار.

معرفة هذه السرعة أمر بالغ الأهمية للمهندسين الذين يصممون كل شيء، بدءاً من محركات السيارات وصولاً إلى أنظمة توصيل الأدوية. ولكن إليك العقبة: قياس هذه السرعة في المختبر عملية بطيئة، مكلفة، وصعبة. الأمر يشبه محاولة رسم خريطة لكل شارع في مدينة جديدة عبر المشي في كل شارع بنفسك. وبسبب هذا، لدينا فجوات هائلة في "خرائطنا" حول كيفية سلوك السوائل.

لفترة طويلة، حاول العلماء تخمين هذه السرعات باستخدام معادلات رياضية. أشهرها هي معادلة ستوكس-أينشتاين (SE). فكر في هذه المعادلة كأنها رسم تخطيطي تقريبي أو "حساب سريع على ظهر منديل". وهي تعتمد على فيزياء بسيطة (مثل كرة تتدحرج عبر العسل)، لكنها غالباً ما تكون خاطئة لأن الجزيئات الحقيقية ليست كرات مثالية، والسوائل ليست مجرد عسل بسيط.

"الإصلاحات" القديمة ولماذا فشلت

حاول العلماء إصلاح الرسم التخطيطي بإضافة "عوامل تصحيح".

نموذج SEGWE (أفضل تخمين سابق) كان يشبه إضافة بعض الملاحظات اللاصقة إلى الرسم التخطيطي لجعله أفضل قليلاً. لقد نجح بشكل جيد مع بعض الأشياء، لكنه كان لا يزال جامداً نوعاً ما؛ فلم يستطع التعامل مع التفاعلات المعقدة، مثل التقاء جزيء قطبي (مثل الماء) بجزيء غير قطبي (مثل الزيت).
نماذج التعلم الآلي الصرفة (الذكاء الاصطناعي) حاولت التعلم من البيانات دون أي قواعد فيزيائية. لكن هذه النماذج كانت مثل طالب حفظ الإجابات لاختبار معين، لكنه فشل عندما سُئل سؤالاً مختلفاً قليلاً. لقد أعطت غالباً نتائج "غير فيزيائية"، مثل التنبؤ بأن السائل يصبح أبطأ عندما يصبح أكثر سخونة (وهو أمر مستحيل).

الحل الجديد: المحقق "الهجين"

ابتكر مؤلفو هذه الورقة طريقة جديدة تسمى ESE (ستوكس-أينشتاين المحسّن). فكر في هذا كأنه شراكة مثالية بين بروفيسور في الفيزياء ومحقق ذكاء اصطناعي فائق الذكاء.

إليك كيف يعمل فريقهم "الهجين":

البروفيسور الفيزيائي (الأساس):
أولاً، يستخدمون معادلة ستوكس-أينشتاين القدة والموثوقة للحصول على تقدير تقريبي. هذا يضمن أن الإجابة تتبع قوانين الفيزياء (على سبيل المثال، تزداد السرعة عندما ترتفع الحرارة). هذا هو "الهيكل العظمي" للتنبؤ.
محقق الذكاء الاصطناعي (التصحيح):
بعد ذلك، يغذون الذكاء الاصطناعي بـ "بطاقة هوية" بسيطة للجزيئات المعنية. بطاقة الهوية هذه هي مجرد سلسلة SMILES (كود نصي يصف شكل الجزيء، مثل الباركود الكيميائي).

ينظر الذكٍ الاصطناعي إلى ميزات الجزيء: هل هو كبير؟ هل يحتوي على حلقات؟ هل هو "لزج" (قطبي)؟ هل يحتوي على هالوجينات؟
بناءً على ذلك، يحسب الذكاء الاصطناعي "عامل التصحيح" (عامل ضرب).
إذا كان تخمين البروفيسور الفيزيائي منخفضاً جداً، يقول الذكاء الاصطناعي: "اضرب في 1.5!". وإذا كان مرتفعاً جداً، يقول: "اضرب في 0.8!".

شبكة الأمان:
الأمر الحاسم هو أن الذكاء الاصطناعي مدرب بصرامة لكي لا يكسر قوانين الفيزياء أبداً. فهو مُجبر على إعطاء أرقام موجبة فقط وضمان احترام قواعد درجة الحرارة. لا يمكنه التمرد والقول بأن "الانتشار يتوقف عند 50 درجة".

لماذا يعد هذا تغييراً جذرياً في قواعد اللعبة؟

يعمل مع "الغرباء": الجزء الأفضل هو أن هذا النموذج لا يحتاج لرؤية الجزيء المحدد من قبل. يمكنك إعطاؤه جزيئاً جديداً لم يُدرس من قبل، ويمكنه لا يزال تقديم تخمين رائع لأنه يفهم بنية الجزيء، وليس مجرد البيانات.
سهل الاستخدام: لا تحتاج إلى سوبر كمبيوتر أو مختبر مليء بالمستشعرات. كل ما تحتاجه هو الاسم الكيميائي (أو كود SMILES الخاص به) ودرجة الحرارة.
دقيق: عندما اختبروا هذا النموذج مقابل بيانات من العالم الحقيقي، كان نموذج ESE أكثر دقة بمرتين من أفضل طريقة سابقة (SEGWE) وقدم تخمينات جامحة أقل بكثير.

التأثير في العالم الحقيقي

تخيل أنك مهندس تصمم مادة مضافة للوقود. ليس لديك وقت للانتظار لشهور من الاختبارات المخبرية لمعرفة كيفية اختلاطها بالوقود. مع أداة ESE الجديدة هذه، يمكنك كتابة الكود الكيميائي، وسيقوم الكمبيوتر فوراً بإخبارك بمدى سرعة انتشارها، وبثقة عالية.

باختة القول: بنى المؤلفون أداة تجمع بين موثوقية الفيزياء وقدرة الذكاء الاصطناعي على التعلم. الأمر يشبه إعطاء نظام GPS خريطة للعالم (الفيزياء) وتركه يتعلم أنماط حركة المرور (الذكاء الاصطناعي) ليعطيك المسار المثالي، حتى للطرق التي لم يسبق له رؤيتها من قبل.

أين تجده؟

الجزء الأفضل؟ لم يخفوا الأداة. لقد جعلوها مجانية ومفتوحة لأي شخص لاستخدامها عبر موقع إلكتروني، حتى يتمكن المهندسون والعلماء من البدء في استخدامها لتصميم عمليات أفضل على الفور.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التعلم الآلي الهجين لتعزيز التنبؤ بمعاملات الانتشار في السوائل".

1. بيان المشكلة

تعد معاملات الانتشار ( $D^\infty_{ij}$ ) خصائص ثيرموفيزيائية (حرارية فيزيائية) بالغة الأهمية لنمذجة انتقال الكتلة في عمليات الهندسة الكيميائية (مثل التفاعل والفصل). ومع ذلك، فإن البيانات التجريبية لهذه المعاملات، لا سيما عند التخفيف اللانهائي في الأنظمة السائلة الثنائية، نادرة ومكلفة وصعبة الحصول عليها وتستغرق وقتاً طويلاً في القياس.

تعاني طرق التنبؤ الحالية من قيود كبيرة:

النماذج الفيزيائية (Stokes-Einstein): معادلة ستوكس-أينشتاين (SE) القياسية متسقة فيزيائياً ولكنها غير دقيقة كمياً لمزيج السوائل الحقيقية بسبب الافتراضات المبسطة للغاية (مثل الحركة ككرة صلبة).
النماذج شبه التجريبية (SEGWE): التحسينات مثل تقدير ستوكس-أينشتاين جيرر-ويرتز (SEGWE) تزيد من الدقة ولكنها تعتمد على معاملات تجريبية عالمية تفشل في استيعاب التفاعلات الجزيئية المتنوعة (خاصة القطبية) وتفتقر إلى القدرة على التطبيق الواسع.
التعلم الآلي الصرف (ML) وإكمال المصفوفات: تفتقر النهج القائمة على البيانات (QSPR، إكمال المصفوفة/الموتر) غالباً إلى القيود الفيزيائية، مما يؤدي إلى تنبؤات غير فيزيائية (مثل انخفاض الانتشار مع ارتفاع درجة الحرارة). علاوة على ذلك، فإن العديد منها مقيد بفئات معينة من المذيبات أو يتطلب بيانات تجريبية للمذاب والمذيب المحدد المراد التنبؤ به، مما يحد من استخدامها للأنظمة الجديدة تماماً.

الفجوة: هناك نقص في نموذج يكون في الوقت نفسه متسقاً فيزيائياً (يلتزم بالقوانين الديناميكية الحرارية عبر درجات الحرارة المختلفة)، وعالي الدقة، وواسع التطبيق على المذابات والمذيبات غير المرئية دون الحاجة إلى بيانات تجريبية لتلك المكونات المحددة.

2. المنهجية: نموذج ستوكس-أينشتاين المحسن (ESE)

يقترح المؤلفون نموذج تعلم آلي هجين مستوحى من الفيزياء يدمج معادلة ستوكس-أينشتاين الفيزيائية مع الشبكة العصبية (NN).

أ. بنية النموذج

يحسب نموذج ESE معامل الانتشار باستخدام المنطق التالي:
$D^\infty_{ESE, ij} = b_{ij} \cdot D^\infty_{SE, ij}$

القاعدة الفيزيائية ( $D^\infty_{SE, ij}$ ):
- يتم حساب معادلة ستوكس-أينشتاين القياسية أولاً: $D^\infty_{SE} = \frac{k_B T}{6 \pi \eta_j r_i}$ .
- المدخلات: درجة الحرارة ( $T$ )، ولزوجة المذيب ( $\eta_j$ )، ونصف قطر المذاب الفعال ( $r_i$ ).
- التبسيط: لتجنب الحاجة إلى بيانات كثافة محددة لكل مذاب، تم تثبيت كثافة المذاب عند $\rho_i = 1050 \text{ kg m}^{-3}$ وجزء التعبئة عند $f=0.64$ . أظهرت الاختبارات الأولية أن هذه القيم الثابتة لا تؤثر بشكل كبير على الأداء النهائي للنموذج.
التصحيح بالتعلم الآلي ( $b_{ij}$ ):
- تتنبأ شبكة عصبية بـ عامل قياس خاص بالمزيج ( $b_{ij}$ ) لتصحيح أوجه القصور في معادلة SE.
- المدخلات: تأخذ الشبكة العصبية ناقلات واصفات جزيئية ( $X_i, X_j$ ) مشتقة تلقائياً من سلاسل SMILES للمذاب والمذيب باستخدام مجموعة أدوات RDKit.
- الواصفات: يستخدم النموذج مجموعة مدمجة ومحفزة فيزيائياً من 6 واصفات:
  - الكتلة المولية ( $M$ )
  - الوجود البولي للحلقات ( $R$ )
  - نسب الذرات غير الهيدروجينية من الهيتروأتوم (الذرات الغريبة)، الهالوجينات، مستقبلات الروابط الهيدروجينية، ومانحات الروابط الهيدروجينية.
- القيود: تستخدم طبقة المخرجات في الشبكة العصبية دالة تنشيط Softplus لضمان أن تكون $b_{ij}$ موجبة تماماً. هذا يضمن أن اعتماد درجة الحرارة في التنبؤ النهائي يظل متسقاً فيزيائياً مع معادلة SE (أي أن الانتشار يزدير مع درجة الحرارة).
هيكل الشبكة:
- طبقتان متصلتان بالكامل (32 و 16 عقدة).
- دالة تنشيط ReLU للطبقات المخفية.
- تم التدريب باستخدام مُحسن AdamW لتقليل متوسط الخطأ النسبي التربيعي (MSRE).

ب. البيانات والتدريب

مجموعة البيانات: تجميع لـ 1,011 نقطة بيانات تجريبية تغطي 538 مزيجاً ثنائياً (209 مذابات، 42 مذيباً) في درجات حرارة تتراوح بين 273.2 كلفن و 363.0 كلفن.
استراتيجية التحقق: التحقق المتقاطع (K-fold cross-validation) على مستوى المذاب. في كل طية (fold)، يتم حجز جميع البيانات الخاصة بمذاب معين كمجموعة اختبار. هذا يختبر بصرامة قدرة النموذج على التعميم على المذابات غير المرئية، وليس فقط نقاط البيانات غير المرئية.
النموذج النهائي: تجميع (ensemble) لـ 10 نماذج تم تدريبها على تقسيمات عشوائية بنسبة 95/5 لضمان المتانة.

3. المساهمات الرئيسية

إطار عمل هجين (فيزياء-تعلم آلي): يجمع بنجاح بين قابلية التفسير والقيود الفيزيائية لمعادلة ستوكس-أينشتاين وبين مرونة التعلم العميق. هذا يمنع التنبؤات غير الفيزيائية (مثل الانتشار السالب أو اتجاهات درجة الحرارة الخاطئة).
قابلية التطبيق الشاملة: على عكس طرق إكمال المصفوفة، لا يتطلب نموذج ESE بيانات تجريبية للمذاب أو المذيب المراد التنبؤ به. يتطلب فقط سلاسل SMILES، مما يجعله قابلاً للتطبيق على الأنظمة الكيميائية الجديدة تماماً.
البساطة وسهولة الوصول: يتطلب النموذج حداً أدنى من المدخلات (SMILES + لزوجة المذيب) وهو متاح للجمهور عبر واجهة ويب تفاعلية (MLPROP) ومنصة Zenodo.
التعامل مع القطبية: يعالج النموذج صراحةً فشل النماذج السابقة شبه التجريبية في التعامل مع التفاعلات القطبية من خلال تعلم تصحيحات محددة بناءً على واصفات الروابط الهيدروجينية والقطبية.

4. النتائج

تمت مقارنة نموذج ESE بمعادلة SE القياسية، ونموذج SEGWE المتطور، وطرق إكمال المصفوفة/الموتر الأخرى.

الدقة الإجمالية:
- خفض نموذج ESE نصف متوسط الخطأ المطلق النسبي (MARE) مقارنة بـ SEGWE.
- قلل ESE متوسط الخطأ النسبي التربيعي (MSRE) بمقدار ثلاثة أضعاف مقارنة بـ SEGWE.
- حوالي 38% من تنبؤات ESE وقعت ضمن خطأ أقل من 5% (الارتياب التجريبي المعتاد)، مقارنة بحوالي 18% فقط لـ SEGWE.
الأداء حسب فئة المزيج:
- حقق ESE أدنى درجات الخطأ عبر جميع تركيبات المذاب والمذيب (غير قطبي، قطبي أبروتي، قطبي بروتي).
- لوحظ التحسن الأكثر أهمية في المزيجات التي تحتوي على مكونات غير قطبية، حيث واجه SEGWE صعوبة.
الاعتماد على درجة الحرارة:
- التقط ESE بشكل صحيح اتجاه درجة الحرارة للمذابات غير المرئية (مثل methylal-dodecane، acetonitrile-ethanol)، بينما قلل SEGWE باستمرار من قيم معاملات الانتشار.
- حافظ النموذج على الاتساق الفيزيائي، مما يضمن زيادة معاملات الانتشار بشكل رتيب مع درجة الحرارة.
التعميم: أظهر النموذج قدرة تنبؤية قوية للمذابات والمذيبات الغائبة تماماً عن بيانات التدريب.

5. الأهمية والآفاق المستقبلية

تصميم العمليات: يوفر نموذج ESE أداة موثوقة وسريعة لمهندسي العمليات لتقدير معاملات الانتشار أثناء تصميم وتحسين عمليات الفصل، مما يقلل الاعتماد على البيانات التجريبية النادرة.
الأثر العلمي: يسد النموذج الفجوة بين النماذج الفيزيائية البحتة (التي تكون بسيطة للغاية) والنماذج القائمة على البيانات فقط (التي تفتقر إلى الأساس الفيزيائي).
القيود والعمل المستقبلي:
- تم تدريبه حالياً على الجزيئات العضوية والماء (ذرات حتى الكلور، كتلة مولية < 1000 جم/مول).
- لا يغطي الأنواع الأيونية بعد.
- العمل المستقبلي يمكن أن يوسع النموذج ليشمل الأنظمة الأيونية والمسائل العكسية (استنتاج الخصائص الجزيئية من بيانات الانتشار)، مما قد يساعد في توصيف الخلطات غير المحددة بدقة باستخدام بصمة NMR.

في الختام، يمثل نموذج ESE تقدماً متطوراً في التنبؤ بالخصائص الثيرموفيزيائية، حيث يقدم حلاً قوياً ومتسقاً فيزيائياً وعالي الدقة لتقدير معاملات الانتشار عند التخفيف اللانهائي عبر مساحة كيميائية واسعة.