🔬 materials science

Agentic Design of Compositional Descriptors via Autoresearch for Materials Science Applications

تقدم هذه الورقة "Automat"، وهو إطار عمل للبحث الذاتي حيث يقوم وكيل ذكاء اصطناعي بتصميم وتطوير واصفات قائمة على التركيب، تكون قابلة للتفسير كيميائياً، بشكل مستقل ومتكرر للتنبؤ بخصائص المواد، متفوقاً بنجاح على النماذج المرجعية الراسخة في التنبؤ بفجوات النطاق ودرجات حرارة كوري، مع تسليط الضوء على القيود الحالية في استراتيجيات البحث والتحكم في التعقيد.

المؤلفون الأصليون: Matteo Cobelli, Stefano Sanvito

نُشر 2026-05-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Matteo Cobelli, Stefano Sanvito

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 تعليم حاسوب كيفية التنبؤ بسلوك مادة جديدة — مثل مقدار الكهرباء التي تحجبها (فجوة النطاق) أو درجة الحرارة التي تفقد عندها مغناطيسيتها (درجة حرارة كوري).

عادةً، لتعليم الحاسوب، يعمل العلماء البشر كمترجمين. فهم يأخذون صيغة كيميائية (مثل "Fe2O3") ويصيغون يدوياً قائمة من الأرقام (الموصِّفات) التي يمكن للحاسوب فهمها. قد يقولون: "مهلاً، هذه المادة تحتوي على حديد، لذا دعونا نضيف رقماً لوزن الحديد"، أو "هذه تحتوي على أكسجين، لذا دعونا نضيف رقماً لحجمه". هذا ما يسمى "هندسة الميزات" (Feature Engineering)، وهي تشبه قيام طاهٍ بشري بتقطيع كل الخضروات يدوياً قبل الطبخ. إنها عملية تستغرق الكثير من الوقت، وتتطلب خبرة عميقة، وأحياناً قد يغفل الطاهي عن المكون المثالي.

يقدم هذا البحث نظام AUTOMAT، وهو نظام جديد حيث يعمل وكيل ذكاء اصطناعي كطاهٍ، ولكن بدلاً من مجرد اتباع وصفة، فإنه يبتكر الوصفة نفسها.

"الطاهي الباحث المستقل"

فكر في AUTOMAT كأنه مساعد بحث ذكي ومثابر يعرف كيف يبرمج. مهمته هي اكتشاف أفضل طريقة لتحويل الصيغة الكيميائية إلى قائمة من الأرقام ليتعلم منها الحاسوب.

إليك كيف يعمل، باستخدام تشبيه بسيط:

الهدف: يُعطى الذكاء الاصطناعي هدفاً: "تنبأ بفجوة النطاق للمواد غير العضوية". ويُقال له إنه لا يمكنه استخدام سوى الصيغة الكيميائية (بدون الهياكل البلورية أو قواعد البيانات الخارجية).
الحلقة (دورة الطبخ):
- الفكرة: يكتب الذكاء الاصطناعي ملاحظة (ملف يسمى idea.md) يشرح فيها نظريته. على سبيل المثال: "أعتقد أنه إذا قمنا بحساب الفرق في 'القوة المغناطيسية' بين الذرات، فسوف يتعلم الحاسوب بشكل أفضل".
- الكود: يقوم بعد ذلك بكتابة الكود البرمجي الفعلي لإجراء هذه العملية الحسابية.
- اختبار المذاق: يقوم بتشغيل اختبار باستخدام طريقة "اختبار مذاق" معيارية (نموذج الغابة العشوائية - Random Forest، وهو نوع موثوق وبسيط من الذكاء الاصطناعي). يتحقق من: "هل جعلت قائمة الأرقام الجديدة هذه التنبؤات أكثر دقة؟"
- القرار:
  - إذا أصبح التنبؤ أفضل، يحتفظ الذكاء الاصطناعي بقائمة الأرقام الجديدة وينتقل إلى الفكرة التالية.
  - إذا أصبح التنبؤ أسوأ، يرمي الذكاء الاصطناعي تلك الفكرة في القمامة ويعود إلى آخر قائمة "جيدة".
الضوابط: لمنع الذكاء الاصطناعي من مجرد إنشاء قائمة من مليون رقم عشوائي (مما قد يربك الحاسوب)، يحتوي النظام على مجموعة اختبار "محجوزة". هذا يشبه امتحاناً سرياً لا يراه الذكاء الاصطناعي حتى النهاية تماماً. يُسمح للذكاء الاصطناعي فقط بالاحتفاظ بالتغييرات التي تساعده في اجتياز الامتحانات "التدريبية"، لكن القرار النهائي بشأن قائمة الأرقام التي سيتم استخدامها يعتمد على مدى أدائه في الامتحان "السري".

ماذا وجدوا؟

اختبر الباحثون هذا "الطاهي الآلي" على "طبقين" محددين:

فجوات النطاق: التنبؤ بكمية الضوء التي تحجبها المادة.
درجات حرارة كوري: التنبؤ بالوقت الذي تفقد فيه المادة مغناطيسيتها.

قارنوا بين قوائم الأرقام التي صنعها الذكاء الاصطناعي ذاتياً وبين القوائم التي صنعها البشر (باستخدام طرق معيارية مثل "Magpie" أو "التركيب الجزئي" البسيط).

النتائج:

الذكاء الاصطنانا فاز: في كلتا الحالتين، أدت قوائم الأرقام التي أنشأها الذكاء الاصطناعي المستقل إلى تنبؤات أكثر دقة من القوائم التي صنعها البشر.
الذكاء الاصطناعي فهم الكيمياء: لم يقم الذكاء الاصطناعي بمجرد رمي أرقام عشوائية في الهواء؛ بل اكتشف مفاهيم يدرك الكيميائيون الحقيقيون أهميتها.
- بالنسبة لـ فجوات النطاق، أدرك الذكاء الاصطناعي أن "حالات الأكسدة" (كيف تكون الذرات مشحونة) و"توازن الشحنة" كانت أموراً حاسمة، وقد استنتج ذلك بنفسه.
- بالنسبة لـ المغناطيسات، أدرك الذكاء الاصطناعي أن المزيج المحدد من العناصر المغناطيسية (مثل الحديد والكوبالت) وكيفية تفاعلها مع العناصر الأرضية النادرة هو المفتاح.
لا حاجة لمساعدة بشرية: قام الذكاء الاصطناعي بكل ذلك دون أن يخبره إنسان ماذا يحسب. لقد عرف الهدف والقواعد فقط، وتولى هو الباقي.

القيود (الخبز المحروق)

الورقة البحثية صريحة بشأن المجالات التي لا يزال الذكاء الاصطناعي يعاني فيها:

يصبح جشعاً: أحياناً يستمر الذكاء الاصطناعي في إضافة المزيد والمزيد من الأرقام إلى قائمته، ظناً منه أن "الأكثر هو الأفضل"، حتى عندما يبدأ الأمر في إرباك البيانات. إنه يحتاج إلى إنسان ليقول له: "حسناً، توقف عن إضافة المكونات، الطبق جاهز".
يكرر نفسه: في بعض الأحيان يضيف الذكاء الاصطناعي رقماً يمتلكه بالفعل بصيغة مختلفة، مثل إضافة "الملح" ثم "الصوديوم" بشكل منفصل. ليست هذه الطريقة الأكثر كفاءة في الطبخ، لكنها لا تزال تعمل.
يحتاج إلى زر إيقاف: لا يعرف الذكاء الاصطناعي متى يتوقف من تلقاء نفسه؛ فهو يحتاج إلى إنسان ليقول له: "لقد جربنا ما يكفي، لنرى النتائج".

الخلاصة

تظهر هذه الورقة البحثية أنه يمكننا بناء وكيل ذكاء اصطناعي لا يستخدم البيانات فحسب، بل يصمم الطريقة التي تُعرض بها البيانات لأنظمة ذكاء اصطناعي أخرى. إنه يشبه منح الحاسوب القدرة على ابتكار مفرداته الخاصة لوصف العالم، بدلاً من إجباره على التحدث بلغة صممناها نحن.

بالنسبة لعلوم المواد، يعني هذا أننا قد نملك قريباً مساعدين من الذكاء الاصطناعي يمكنهم بسرعة اكتشاف أفضل طريقة للتنبؤ بخصائص المواد الجديدة، مما يوفر على العلماء سنوات من التجربة والخطأ اليدوي. لم يجد الذكاء الاصطناعي إجابة أفضل فحسب؛ بل وجد سؤالاً أفضل ليطرحه على البيانات.

ملخص تقني: التصميم الوكيل للواصفات التركيبية عبر البحث الذاتي لتطبيقات علوم المواد

بيان المشكلة

غالبًا ما يتم تسريع اكتشاف المواد ذات الخصائص ذات الصلة التكنولوجية بواسطة نماذج تعلم الآلة (ML) المدربة على البيانات التجريبية. وبين أن النماذج القائمة على التركيب (composition-based models) جذابة لأنها تتطلب فقط الصيغ الكيميائية كمدخلات — متجاوزةً بذلك الحاجة إلى البيانات البلورية التي غالبًا ما تكون غير متوفرة — فإن نجاحها التنبؤي يعتمد بشكل حاسم على كيفية تمثيل هذه الصيغ كمدخلات عددية (واصفات/descriptors).

يظل اختيار الواصفات الفعالة تحديًا غير بسيط ويعتمد على المهمة، وهو ما يتطلب تقليديًا خبرة واسعة في المجال وهندسة يدوية للميزات. وفي ظل ندرة البيانات (low-data regimes)، وهو أمر شائع في علوم المواد التجريبية، لا تستطيع النماذج الاعتماد فقط على تعلم تمثيلات غنية من البيانات الخام؛ بل يجب أن تكشف الواصفات صراحةً عن معلومات ذات ص nghĩa كيميائي وفيزيائي. وبينما مكنت التطورات الأخيرة في النماذج اللغوية الكبيرة (LLMs) الأنظمة الوكيلية (agentic systems) القادرة على توليد الكود بشكل تكراري والاستدلال العلمي، فإن تطبيقها على المهمة المحددة المتمثلة في تصميم واصفات المدخلات للتنبؤ بخصائص المواد لا يزال غير مستكشف. تعالج هذه الورقة السؤال التالي: هل يمكن لوكلاء البحث الذاتي تصميم واصفات تركيبية تنافسية ومخصصة للمهام دون هندسة يدوية للميزات؟

المنهجية: إطار عمل AUTOMAT

يقدم المؤلفون إطار العمل AUTOMAT، وهو إطار بحث ذاتي مستمد من النموذج الذي اقترحه كارباثي (Karpathy). يستخدم AUTOMAT وكيل برمجة يعتمد على نموذج لغوي كبير (تحديدًا OpenAI Codex مع GPT-5.5) لاقتراح وتنفيذ وتقييم وتحسين الواصفات التركيبية بشكل مستقل.

سير العمل الأساسي

القيود والمدخلات: يُقيد الوكيل بالمعلومات المستمدة فقط من الصيغ الكيميائية باستخدام مكتبة pymatgen. لا يمكن الوصول إلى البيانات الهيكلية، أو قواعد البيانات الخارجية، أو تسميات مجموعة الاختبار أثناء مرحلة التصميم.
الحلقة التكرارية:
- الاقتراح: يكتب الوكيل خطة باللغة الطبيعية (idea.md) توضح المنطق الكيميائي أو الفيزيائي وراء استراتيجية واصف جديد.
- التنفيذ: يكتب الوكيل كود بايثون قابل للتنفيذ (idea.py) لتحويل الصيغ الكيميائية إلى ناقلات ميزات عددية.
- التقييم: يتم تقييم الواصفات باستخدام سير عمل انحدار "الغابة العشوائية" (Random Forest) ثابت تم تنفيذه باستخدام scikit-learn.
- القبول/الرفض: يحكم عملية البحث بروتوكول تحقق ثنائي المستوى:
  - الحلقة الداخلية: يقوم التحقق المتقاطع الطبقي (stratified n-fold cross-validation) الثابت على مجموعة التدريب/البحث بحساب متوسط الخطأ المطلق (cv-MAE). إذا كان المرشح يحسن من قيمة cv-MAE مقارنة بأفضل نقطة تفتيش حالية، فإنه يُقبل مؤقتًا.
  - الحلقة الخارجية: يتم تقييم المرشحات المقبولة على مجموعة تحقق محجوزة. يراقب هذا المقياس القدرة على التعميم ويعمل كمعيار للتوقف لمنع الإفراط في التخصيص (overfitting) لمجموعات التدريب.
الإنهاء: يتوقف التشغيل عند الوصول إلى الحد الأقصى لعدد التكرارات أو عندما يفشل تحسن متوسط الخطأ المطلق (MAE) في مجموعة التحقق المحجوزة لعدد محدد من التحديثات المقبولة. يتم اختيار مجموعة الواصفات النهائية بناءً على أفضل توازن بين أداء التحقق المحجوز وتعقيد الواصف.

المهام التجريبية

تم اختبار إطار العمل على مهمتين انحدار تعتمدان على التركيب فقط:

التنبؤ بفجوة النطاق التجريبية (Experimental Band Gap): التنبؤ بفجوة النطاق لـ 4,604 مركباً غير عضوياً.
التنبؤ بدرجة حرارة كوري (Curie Temperature): التنبؤ بدرجة حرارة كوري لـ 3,638 مركباً فيرومغناطيسياً.

تم تزويد الوكيل بأوصاف مهام بسيطة مكونة من سطر واحد لتجنب انحياز هندسة الأوامر (prompt engineering bias).

المساهمات الرئيسية

التصميم الذاتي للواصفات: تثبت الورقة أن وكيلًا ذاتي التشغيل يمكنه إنشاء واصفات مخصصة للمهام تتفوق على النماذج المرجعية الراسخة (مصفوفات التركيب الجزئي، واصفات Magpie، ومجموعاتها) دون تدخل بشري أثناء حلقة التحسين.
القابلية للتفسير الكيميائي: على عكس هندسة الميزات "الصندوق الأسود"، ينتج سير عمل AUTOMAT عائلات من الواصفات القابلة للتفسير كيميائياً. توفر ملفات idea.md الخاصة بالوكيل سجلاً قابلاً للتدقيق للاستدلال العلمي (مثل توازن الشحنة، والشبكات الفرعية المغناطيسية) وراء كل إضافة للميزات.
المقارنة المرجعية بسير عمل ثابت: من خلال إبقاء خوارزمية التعلم (الغابة العشوائية) وبروتوكول التقييم ثابتين، تعزل الدراسة المساهمة الناتجة عن تصميم الواصف نفسه، مما يثبت أن الميزات التي أنشأها الوكيل يمكنها تحسين الأداء حتى عندما يكون هيكل النموذج ثابتاً.

النتائج

في كلتا المهمتين، حققت الواصفات التي أنشأها AUTOMAT أداءً فائقاً مقارنة بثلاثة تمثيلات مرجعية:

التنبؤ بفجوة النطاق: قلل AUTOMAT من متوسط الخطأ المطلق (MAE) للاختبار من 0.407 إلكترون فولت (أفضل مرجع: الجزئي + Magpie) إلى 0.352 إلكترون فولت، مما حسن معامل التحديد $R^2$ $R^{2}$ من 0.646 إلى 0.706.
- الاكتشافات الرئيسية: حدد الوكيل أن الواصفات التي تشفر حالات الأكسدة، وتوازن الشحنة، والقوة الأيونية، وتقسيم الكاتيون/الأنيون كانت حاسمة. كما دمج الخصائص الديناميكية الحرارية وحصص عائلات العناصر.
التنبؤ بدرجة حرارة كوري: قلل AUTOMAT من متوسط الخطأ المطلق للاختبار من 72.16 كلفن إلى 67.13 كلفن، مما حسن معامل التحديد $R^2$ $R^{2}$ من 0.836 إلى 0.849.
- الاكتشافات الرئيسية: أعطى الوكيل الأولوية للكيمياء المغناطيسية، حيث أنشأ ميزات تتعلق بنسب الشبكات الفرعية المغناطيسية، وحصص العناصر الأرضية النادرة والأكتينيدات، والتفاعلات بين الشبكات الفرعية المغناطيسية وغير المغناطيسية.

كانت مجموعات الواصفات المختارة منطقية كيميائياً، حيث جمعت بين الإحصاءات القياسية (stoichiometric statistics)، والخصائص العنصرية الموزونة، والمصطلحات المخصصة للمهام (مثل التوازن الأيوني لفجوات النطاق، وحصص الشبكة الفرعية المغناطيسية لدرجة حرارة كوري).

القيود والملاحظات

يشير المؤلفون إلى عدة قيود في التنفيذ الحالي:

البحث الجشع (Greedy Search): قد تؤدي معايير القبول/الرفض الصارمة القائمة على التحسن الفوري في cv-MAE إلى تراكم ميزات زائدة عن الحاجة. يميل الوكيل إلى توسيع مساحة الميزات بشكل جشع، مما يؤدي أحياناً إلى تكرار المعلومات (على سبيل المثال، تضمين حصص العناصر في كل من العائلات المستهدفة ومصفوفة التركيب العامة).
الافتقار إلى التحكم الصريح في التعقيد: بدون عقوبة صريحة لحجم الواصف، قد ينتج الوكيل تمثيلات عالية الأبعاد لا تتعمم بشكل جيد، مما يستلزم استخدام مجموعة التحقق المحجوزة للاختيار النهائي.
التجزئة (Granularity): غالباً ما يقوم الوكيل بتعديل "كتل" كاملة من الواصفات بدلاً من ضبط ميزات فردية، مما قد يحافظ على تكرار غير ضروري عند محاولة تبسيط النموذج.

الأهمية والادعاءات

تدعي الورقة أن AUTOMAT يوفر برهاناً عملياً على أن وكلاء البحث الذاتي يمكنهم إنشاء واصفات مواد تنافسية ومخصصة للمهام، مما يؤتمت فعلياً مهمة تتطلب تقليدياً خبرة واسعة في المجال.

تكمن الأهمية ليس بالضرورة في إنشاء متنبئ جديد يحقق أعلى مستوى عالمي (حيث أن النماذج المستخدمة هي غابات عشوائية قياسية)، بل في إثبات أن الوكلاء الذاتيين يمكنهم إجراء الاستدلال العلمي لتصميم ميزات المدخلات. يوفر سير العمل فائدة مزدوجة:

الأداء: يحسن دقة التنبؤ مقارنة بالنماذج المرجعية القياسية.
القابلية للتفسير: ينشئ سجلاً قابلاً للفحص لكيفية كون الميزات الكيميائية معبرة عن خاصية معينة، مما قد يساعد الباحثين في فهم مجموعات البيانات وتحديد الاتجاهات الكيميائية ذات الصلة.

يضع المؤلفون AUTOMAT كإطار عمل مرجعي لمسارات البحث الذاتي المستقبلية، مقترحين أن توسيع هذا النموذج ليشمل الواصفات الهيكلية أو المعلومات المستمدة من الأدبيات العلمية يمكن أن يعالج فئة أوسع من مشاذج النمذجة. ويخلصون إلى أنه على الرغم من أن النماذج اللغوية الكبيرة الحالية ليست محسنة خصيصاً للبحث الذاتي، إلا أنها تمتلك المزيج اللازم من المعرفة العلمية، والقدرة البرمجية، والقدرة على التكرار المنطقي للمشاركة بشكل هادف في حلقات البحث العلمي.