🔬 physics

Generative Chemical Language Models for Energetic Materials Discovery

تقدم هذه الورقة إطار عمل للتعلم بنقل المعرفة يستخدم نماذج لغوية جزيئية توليدية، تم تدريبها مسبقاً على بيانات كيميائية واسعة النطاق وضبطها بدقة باستخدام مجموعات بيانات للمواد الطاقية منتقاة، للتغلب على ندرة البيانات وتسريع اكتشاف المواد الطاقية من الجيل التالي من خلال ترميزات قائمة على الشظايا.

المؤلفون الأصليون: Andrew Salij, R. Seaton Ullberg, Megan C. Davis, Marc J. Cawkwell, Christopher J. Snyder, Cristina Garcia Cardona, Ivana Matanovic, Wilton J. M. Kort-Kamp

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Andrew Salij, R. Seaton Ullberg, Megan C. Davis, Marc J. Cawkwell, Christopher J. Snyder, Cristina Garcia Cardona, Ivana Matanovic, Wilton J. M. Kort-Kamp

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 ألعاب نارية جديدة فائقة القوة أو وقود صاروخي أكثر أمانًا وكفاءة. في عالم العلوم، تُسمى هذه المواد بـ المواد الطاقية (Energetic Materials). تكمن المشكلة في أن العثور على الوصفة الكيميائية المثالية لهذه المواد يشبه محاولة العثوا على إبرة في كومة قش، لكن كومة القش هذه مكونة من ملايين الأنواع المختلفة من القش، ولا تملك سوى صورة ضبابية صغيرة جدًا لتلك الإبرة التي تبحث عنها.

تقليديًا، كان على العلماء خلط المواد الكيميائية يدويًا، واختبارها، ثم الأمل في الحصول على أفضل نتيجة. كانت هذه العملية بطيئة، ومكلفة، وخطيرة أحيانًا.

تقدم هذه الورقة البحثية "طباخًا يعمل بالذكاء الاصطناعي" يمكنه ابتكار ملايين الوصفات الكيميائية الجديدة في ثوانٍ، مصممة خصيصًا لتكون مواد طاقية قوية. إليك كيف فعلوا ذلك، مشروحًا ببساة:

1. المشكلة: عدم كفاية الوصفات

يواجه العلماء مشكلة كبيرة: ليس لديهم بيانات كافية عن المواد الطاقية. الأمر يشبه محاولة تعليم طالب كتابة رواية عن السفر عبر الفضاء، ولكنك لا تعطيه سوى ثلاث صفحات من النصوص حول الصواريخ. لن يعرف الطالب (الذكاء الاصطناعي) ما يكفي عن الكون ليكتب قصة جيدة.

2. الحل: استراتيجية "الطباخ المتدرب"

بدلاً من البدء من الصفر، استخدم الباحثون حيلة ذكية تسمى تعلم النقل (Transfer Learning). فكر في الأمر كالتالي:

الخطوة 1: المعرفة العامة (التدريب المسبق): أخذوا ذكاءً اصطناعيًا فائق الذكاء (يسمى χhem-GPT) كان قد قرأ بالفعل كل كتب الكيمياء في المكتبة. هذا الذكاء الاصطناعي يعرف "قواعد لغة" الكيمياء. هو يعرف كيف تلتصق الذرات ببعضها البعض عادةً، تمامًا كما يعرف الإنسان كيف تشكل الكلمات جملًا. لقد رأى ملايين الجزيئات الشائعة (معظمها أدوية وبلاستيك).
الخطوة 2: التدريب المتخصص (الضبط الدقيق): بعد ذلك، أعطوا هذا الذكاء الاصطناعي كتاب طبخ صغير ومتخصص يحتوي فقط على 17,000 وصفة للمواد الطاقية. قالوا للذكاء الاصطناعي: "حسنًا، أنت تعرف كيف تطبخ بشكل عام، ولكن الآن نحتاج منك أن تتخصص في المتفجرات ووقود الصواريخ".
النتيجة: تعلم الذكاء الاصطناعي كيفية أخذ معرفته العامة وتطبيقها تحديدًا على المواد الطاقية. هذا الذكاء الاصطناعي المتخصص الجديد يسمى X-GPT.

3. التحدث بلغة الجزيئات

لا تفهم الحواسيب الأشكال ثلاثية الأبعاد للجزيئات بسهولة. لذا، قام الباحثون بترجمة الجزيئات إلى سلاسل نصية، مثل شفرة سرية.

SMILES: تخيل كتابة جزيء كجملة مثل "C-C-O-H". هذه هي الطريقة القياسية، لكنها هشة. إذا غيرت حرفًا واحدًا، فقد تصبح الجملة بأكملها بلا معنى (جزيء غير صالح).
SELFIES: هذه شفرة أكثر متانة. إنها تشبه الجملة "ذاتية التصحيح". حتى لو ارتكبت خطأً مطبعيًا، تحاول الشفرة إصلاح نفسها لتبقى الجملة منطقية.
GroupSELFIES (الخلطة السرية): وجد الباحثون أن استخدام الحروف المفردة (الذرات) فقط كان بطيئًا وغير فعال. فابتكروا طريقة جديدة للتحدث حيث تكون "الكلمات" في الواقع عبارة عن قطع من الجزيئات (مثل حلقة كاملة أو مجموعة محددة من الذرات).
- تشبيه: بدلًا من تهجئة كلمة "C-A-T" حرفًا بحرف، يمكنك فقط قول كلمة "قطة". هذا يجعل الذكاء الاصطناعي أسرع ويساعده في بناء جزيئات يسهل على الكيميائيين البشر صنعها فعليًا في المختبر.

4. ماذا فعل الذكاء الاصطناعي؟

ترك الباحثون الذكاء الاصطناعي يولد آلاف الجزيئات الخيالية الجديدة.

الصلاحية (Validity): كان الذكاء الاصطناعي جيدًا جدًا في التأكد من أن الجزيئات التي اخترعها ممكنة كيميائيًا (أي أنها لن تنفجر بمجرد وجودها).
الحداثة (Novelty): لم يكتفِ بنسخ الوصفات القديمة؛ بل ابتكر 9ً 9% من الوصفات الجديدة التي لم يفكر فيها أي بشر من قبل.
الأداء (Performance): عندما اختبروا هذه الوصفات الجديدة، نجح الذكاء الاصطناعي في إنشاء جزيئات يُتوقع أن تكون أكثر قوة بكثير (سرعة انفجار وضغط أعلى) من متوسط الجزيئات الموجودة في بيانات التدريب الخاصة به.

5. مقبض "درجة الحرارة"

وجد الباحثون حيلة رائعة للتحكم في إبداع الذكاء الاصطناعي. استخدموا إعدادًا يسمى "درجة الحرارة" (Temperature).

درجة حرارة منخفضة: يلعب الذكاء الاصطناًا الآمن، فيصنع جزيئات قياسية ومتوقعة للغاية.
درجة حرارة مرتفعة: يصبح الذكاء الاصطناعي جامحًا ومبدعًا، فيصنع هياكل غريبة وفريدة.
العقبة: إذا رفعت درجة الحرارة كثيرًا، يبدأ الذكاء الاصطناعي في إنتاج هراء (جزيئات غير صالحة). وجد الباحثون "منطقة غولديلوكس" (المنطقة المثالية) حيث يكون الذكاء الاصطناعي مبدعًا بما يكفي لإيجاد قوة جديدة، وآمنًا بما يكفي للبقاء صالحًا كيميائيًا.

6. لماذا يهم هذا؟

هذه الورقة البحثية تعد أمرًا هامًا لأنها تظهر أن الذكاء الاصطناعي، الذي كان يُستخدم في الغالب للعثور على أدوية جديدة، يمكن إعادة توظيفه بنجاح للعثور على مواد طاقية جديدة.

السرعة: يمكنه استكشاف المساحات الكيميائية بسرعة تفوق البشر بملايين المرات.
الأمان: يمكنه تصميم مواد قوية على الكمبيوتر قبل أن يخلط أي شخص المواد الكيميائية في المختبر.
الكفاءة: من خلال استخدام لغة "المجموعات" (GroupSELFIES)، جعلوا العملية أسرع والنتائج من الجزيئات أسهل في البناء في العالم الحقيقي.

باختًا مختصر: بنى الباحثون ذكاءً اصطناعيًا ذكيًا قرأ مكتبة من الكيمياء، وتعلم قواعد اللعبة، ثم استخدم تلك القواعد لابتكار مجموعة كاملة جديدة من الأوراق مخصصة خصيصًا للعبة المواد الطاقية. إنها أداة قوية يمكن أن تساعد المهندسين في تصميم الجيل القادم من الصواريخ، والمتفجرات الآمنة، وأنظمة تخزين الطاقة.

1. بيان المشكلة

يعد اكتشاف المواد الطاقية (EMs) الجديدة (مثل المتفجرات والمواد الدافعة) أمراً بالغ الأهمية لكل من التطبيقات المدنية والعسكرية، ولكنه يعاني من ندرة مجموعات البيانات عالية الجودة والمنقحة. وخلافاً لمجال الصيدلة، الذي يستفيد من قواعد بيانات ضخمة مثل ZINC أو MOSES، فإن البيانات الخاصة بالمواد الطاقية محدودة.

التحدي: عملية "التصميم العكسي" التقليدية (توليد الجزيئات بناءً على خصائص مرغوبة مثل سرعة الانفجار والحساسية) صعبة بسبب ندرة البيانات.
الفجوة: واجهت نماذج الذكاء الاصطناعي التوليدي الحالية (مثل VAEs وGANs) صعوبات في هذا المجال بسبب محدودية بيانات التدريب. علاوة على ذلك، فإن معظم النماذج اللغوية الكبيرة (LLMs) المخصصة للكيمياء قد تم تدريبها مسبقاً على جزيئات شبيهة بالأدوية، والتي قد لا تستوعب القواعد الهيكلية المحددة للمركبات الطاقية (مثل المحتوى العالي من النيتروجين والأكسجين، وأنواع روابط محددة).

2. المنهجية

يقترح المؤلفون إطار عمل لـ التعلم بنقل المعرفة (Transfer Learning) باستخدام المحولات التوليدية مسبقة التدريب (GPTs) المكيفة لنماذج اللغة الكيميائية (CLMs).

أ. بنية النموذج

النموذج الأساسي: بنية GPT مخصصة تسمى $\chi$ hem-GPT.
- الهيكل: محول (Transformer) يعتمد على فك التشفين فقط (Decoder-only) مكون من 12 طبقة، مع أبعاد تضمين 512 (صغير) أو 1028 (كبير)، وانتباه ذاتي متعدد الرؤوس سببي (Causal multi-head self-attention).
- المدخلات: سلاسل جزيئية مشفرة كرموز (Tokens).
- هدف التدريب: التنبؤ بالرمز التالي باستخدام خسارة التقاطع الفئوي (Categorical cross-entropy loss).
الترميزات الجزيئية: تقارن الدراسة بين نظامي ترميز:
1. SELFIES: تمثيل نصي قوي يضمن الحصول على رسوم بيانية جزيئية صالحة.
2. GroupSELFIES (GSELFIES): ترميز يستخدم شظايا (مجموعات) ذات معنى كيميائي بدلاً من الذرات الفردية، بهدف تحسين الثراء الدلالي وإمكانية الوصول إلى التصنيع. قام المؤلفون بتنفيذ نسخة معدلة ("GroupSELFIES i") لضمان اتساق الفهرسة مع SELFIES.

ب. استراتيجية البيانات

التدريب المسبق (النموذج التأسيسي):
- مجموعة البيانات: SAFE-8M، وهي مجموعة فرعية من حوالي 8 ملايين جزيء شبيه بالدواء من مجموعة بيانات SAFE.
- الهدف: تعلم القواعد والمفردات الكيميائية العامة.
الضبط الدقيق (النموذج المستهدف):
- مجموعة البيانات: X-17K، وهي مجموعة منقحة من حوالي 17,000 جزيء شبيه بالمواد الطاقية مستمدة من قاعدة بيانات هيكل كامبريدج (CSD).
- التصفية: جزيئات تحتوي على C، H، N، O مع روابط طاقية محددة (N–N، N–O، O–O) وخصائص انفجار محسوبة (عبر CHEETAH وDFT).
- الهدف: تكييف النموذج العام مع التوزيع المحدد للمواد الطاقية.
استراتيجيات الضبط الدقيق:
- الضبط الدقيق الأساسي: إلغاء تجميد الطبقات الأولى/الأخيرة من المحول وطبقة المخرجات.
- التكيف منخفض الرتبة (LoRA): إدخال مصفوفات تحليل الرتبة لتقليل عدد المعلمات القابلة للتدريب (من ~156 مليون إلى ~0.6 مليون) مع منع النسيان الكارثي.

ج. الاستدلال والتقييم

التوليد: أخذ عينات تلقائي (Autoregressive) مع التحكم في درجة الحرارة ( $T$ ).
الاشتراط (Conditioning): يمكن اشتراط النموذج بخصائص انفجار مستهدفة (السرعة $v$ والضغط $P$ ) عن طريق دمج ناقلات الخصائص مع المدخلات.
المقاييس:
- الصلاحية (Validity): التحويل إلى جزيئات RDKit.
- التفرد والجدة (Uniqueness & Novelty): المقارنة مع مجموعات التدريب.
- درجة إمكانية التصنيع (SA Score): تشير الدرجات المنخفضة إلى سهولة التصنيع.
- عدد الجذور الحرة (Radical Count): عدد الإلكترونات غير المزدوجة (ناتج عن أخطاء التحليل)؛ الأقل هو الأفضل.
- تباعد KL (KL Divergence): يقيس مدى مطابقة التوزيع المولد لتوزيع مجموعة البيانات المستهدفة.
- الأداء: سرعة الانفجار ( $v$ ) والضغط ( $P$ ) يتم تقديرهما عبر نماذج بديلة (XChemProp) ويتم التحقق منهما عبر DFT/CHEETAH.

3. المساهمات الرئيسية

التعلم بنقل المعرفة للمواد الطاقية: إثبات أن نموذجاً تم تدريبه مسبقاً على بيانات دوائية عامة يمكن تكييفه بنجاح للمواد الطاقية، مما يتغلب على عقبة ندرة البيانات.
تقييم الترميزات القائمة على الشظايا: تقديم مقارنة شاملة تظهر أن GroupSELFIES يتفوق على SELFIES القياسي في توليد جزيئات أكثر قابلية للتصنيع، رغم وجود مقايضة طفيفة في معدلات الصلاحية.
إطار التصميم العكسي: إنشاء خط إنتاج لتوليد مرشحات مواد طاقية جديدة ذات خصائص انفجار محددة، متجاوزاً مجرد التنبؤ بالخصائص إلى التوليد من الصفر (de novo).
تحليل الكفاءة: إظهار أنه بينما يتطلب GroupSELDIES وقتاً أطول من وحدة المعالجة المركزية (CPU) للمعالجة اللاحقة، فإنه يقلل من وقت استدلال وحدة معالجة الرسومات (GPU) بسبب تسلسلات الرموز الأقصر (عدد رموز أقل لكل جزيء).

4. النتائج الرئيسية

أداء النماذج سابقة التدريب:
- حقق نموذج $\chi$ hem-GPT المسبق التدريب حوالي 99% من الجدة و 100% من الصلاحية (بالنسبة لـ SELFIES)، متفوقاً بشكل كبير على نهج VAE السابق (~70-75% جدة).
- أنتجت نماذج GroupSELFIES جزيئات ذات إمكانية تصنيع (SA Score) أفضل بكثير (على سبيل المثال، 3.51 مقابل 4.63 للنماذج الكبيرة) مقارنة بـ SELFIES، مما يشير إلى هياكل أكثر عملية كيميائياً.
تأثير الضبط الدقيق (X-GPT):
- نجح الضبط الدقيق في إزاحة التوزيع المولد نحو المواد الطاقية.
- خصائص الانفجار: ارتفع متوسط سرعة الانفجار من 3.32 كم/ثانية (النموذج المسبق التدريب) إلى 4.11 كم/ثانية (النموذج المضبوط دقيقاً).
- التوليد المشروط: أدى الاشتراط بخصائص عالية مستهدفة (مثل $P=40$ GPa، $v=10$ km/s) إلى زيادة عائد المرشحات عالية الأداء، رغم أن النموذج واجه صعوبة في توليد حالات متطرفة باستمرار خارج ذيل توزيع التدريب.
التحولات الهيكلية:
- ولدت النماذج المضبوطة دقيقاً روابط N–O و N–N بشكل أكبر بكثير (التي تميز المتفجرات) مقارنة بالنموذج الأساسي.
- تعلمت النماذج إنتاج مجموعات النيترو، وهي سمة رئيسية للمواد الطاقية، والتي كانت نادرة في مخرجات النموذج الأساسي.
فعالية LoRA: حافظ الضبط الدقيق باستخدام LoRA على جدة الجزيئات المولدة بشكل أفضل من الضبط الدقيق الأساسي، مما منع النموذج من الإفراط في التخصيص (overfitting) لمجموعة بيانات X-17K الصغيرة مع الاستمرار في التقاط السمات الطاقية.

5. الأهمية والآفاق المستقبلية

تحول في النموذج الفكري: يؤكد هذا العمل أن نماذج اللغة الكيميائية (CLMs) المطورة لاكتشاف الأدوية يمكن إعادة توظيفها بفعالية للمواد الطاقية، مما يوسع فائدة النماذج التأسيسية.
كفاءة البيانات: يثبت نهج التعلم بنقل المعرفة أن مجموعات البيانات العامة الضخمة يمكنها دفع تعلم المجالات المتخصصة والفقيرة بالبيانات مثل المواد الطاقية.
إمكانية التصنيع: يسلط نجاح GroupSELFIES الضوء على أهمية الترميزات القائمة على الشظايا في الكيمياء التوليدية، مما يشير إلى أن الوحدات الدلالية ذات المستوى الأعلى (المجموعات) أكثر فعالية في تصميم جزيئات قابلة للتصنيع من التوليد ذرة بذرة.
الاتجاهات المستقبلية: يشير المؤلفون إلى أنه بينما يزيح الضبط الدقيق التوزيعات، فإنه يظل محدوداً بجودة مجموعة بيانات الضبط الدقيق. ويقترحون أن التعلم التعزيزي (RL) (مثل تحسين السياسة القريبة - PPO) قد يكون الخطوة التالية لدفع الجزيئات المولدة لما وراء حدود أداء توزيع التدريب، وذلك عبر "مكافأة" الحالات المتطرفة عالية الأداء التي لا توجد حالياً في مجموعة البيانات.

في الختام، يقدم البحث X-GPT، وهو إطار عمل قوي للتصميم العكسي للمواد الطاقية، موضحاً أن الجمع بين التعلم بنقل المعرفة والترميزات الجزيئية المتقدمة (GroupSELFIES) يمكن أن يسرع اكتشاف المواد عالية الأداء من الجيل التالي.