🔬 materials science

Machine Learning Assisted Design of Complex and High Entropy Alloys by Hybrid HiPIMS/Pulsed-DC PVD Process for Low Carbon Energy Applications in Extreme Environments

تقدم هذه الورقة نهجاً مدفوعاً بالذكاء الاصطناعي باستخدام عملية الترسيب الفيزيائي للبخار بالترذيذ النبضي (DIADEM-2D) الهجينة التي تجمع بين تقنيتي (HiPIMS) و(Pulsed-DC) لتصميم وتخليق طلاءات السبائك المعقدة وعالية الاعتلال بكفاءة، مع تحسين مقاومة التآكل لتطبيقات الطاقة منخفضة الكربون في البيئات القاسية، متجاوزةً بذلك قيود طرق التجربة والخطأ التقليدية.

المؤلفون الأصليون: Paul Foulquier, Ryma Haddad, Ali Mahmoud, Eric Monsifrot, Fanny Balbaud-Celerier, Jean-Philippe Poli, Frederic Schuster

نُشر 2026-08-04

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Paul Foulquier, Ryma Haddad, Ali Mahmoud, Eric Monsifrot, Fanny Balbaud-Celerier, Jean-Philippe Poli, Frederic Schuster

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

رحلة البحث عن المواد العظيمة: لماذا نحتاج إلى مكونات خارقة جديدة

تخيل أنك تحاول صنع الشطيرة المثالية. تريدها أن تكون مقرمشة، ولكن ناعمة بما يكفي لتتمكن من عضها؛ يجب أن تظل طازجة في فرن ساخن، ولكن عليها أيضًا الصمود في شتاء قارص البرودة. في العالم الحقيقي، يواجه العلماء تحديًا مشابهًا عندما يحاولون بناء مواد لأشياء مثل محطات الطاقة النووية أو خلايا وقود الهيدروجين. هذه الآلات تعمل في "بيئات قاسية" — أماكن شديدة الحرارة، ومسببة للتآكل، ومعرضة للقصف الإشعاعي. يجب أن تكون المواد المستخدمة هناك قوية بما يكفي للصمود أمام كل هذه الهجمات في وقت واحد، لكن العثور على الوصفة المثالية يشبه محاولة العثور على إبرة في كومة قش بحجم مجرة.

تقليديًا، كان العلماء يجدون مواد جديدة عن طريق خلط المكونات، واختبارها، وإذا فشلت، يخلطون شيئًا آخر. وهذا ما يسمى بـ "التجربة والخطأ". ولكن مع المواد الحديثة، هناك عدد هائل من التوليفات الممكنة من العناصر (المكونات)، لذا فإن تجربة كل واحدة منها تلو الأخرى ستستغرق وقتًا أطول من عمر الإنسان. وهنا يدخل نوع جديد من المساعدين إلى القصة: الذكاء الاصطناعي (AI). فكر في الذكاء الاصطناعي ليس كروبوت يبني الشطيرة، بل كطاهٍ فائق الذكاء قرأ كل كتب الطبخ التي كُتبت على الإطلاق ويمكنه تخمين الوصفة المثالية قبل أن تشعل الموقد حتى. تتحدث هذه الورقة عن تعليم ذلك "الطاهي الذكاء الاصطناعي" كيفية تصميم نوع جديد من المواد الخارقة يسمى "السبائك عالية الاعتلال" (High Entropy Alloy)، وتحديد كيفية "طهيها" بدقة باستخدام مطبخ خاص يسمى "آلة الترسيب بالرش" (sputtering machine).

قصة الورقة: تعليم طاهٍ آلي كيفية طبخ معدن خارق

تتحدث هذه الورقة عن فريق من الباحثين في فرنسا يحاولون تسريع اكتشاف مواد جديدة فائقة القوة للطاقة النظيفة. إنهم يعملون ضمن مشروع وطني كبير يسمى DIADEM، وهو بمثابة شبكة ضخمة تربط العلماء والحواسيب والآلات عالية التقنية لحل مشكلة "الإبرة في كومة القش".

المشكلة: تأثير "الكوكتيل"

المواد التي يهتمون بها تسمى السبائك المركبة المركزة أو السبائك عالية الاعتلال. تخيل عصيرًا (سموذي) مصنوعًا من خمس أو أكثر من الفواكه المختلفة. في الطبخ العادي، إذا خلطت الكثير من الأشياء، قد تحصل على طعم غريب أو انفصال في المكونات. ولكن في هذه السبائك الخاصة، فإن خلط خمسة عناصر أو أكثر بأجزاء متساوية يخلق "تأثير كوكتيل" سحريًا. يصبح المزيج مستقرًا وقويًا للغاية لدرجة أنه يقاوم الانصهار والصدأ والتكسر، حتى في أقسى الظروف التي يمكن تخيلها.

المشكلة هي أنه نظرًا لوجود طرق لا حصر لها لخلط هذه العناصر، فمن المستحيل تخمين أي وصفة محددة ستكون الأفضل لمهمة معينة، مثل حماية مفاعل نووي أو خزان هيدروجين.

الحل: مركز اكتشاف رقمي

استخدم الباحثون آلة خاصة تسمى DIADEM-2D. فكر في هذه الآلة كبخاخ طلاء عالي التقنية يحتوي على أربع فوهات مختلفة. كل فوهة تحمل معدنًا نقيًا مختلفًا (مثل الكروم، أو النيكل، أو الألومنيوم). بدلًا من رش لون واحد فقط، يمكن للآلة رش العناصر الأربعة معًا، وخلطها على قطعة واحدة من السيليكون. ومن خلال تحريك القطعة تحت الفوهات، يمكنهم إنشاء "تدرج" حيث يكون أحد الجوانب يتكون أساسًا من النيكل، والمنتصف مزيج من خمسة معادن، والجانب الآخر يتكون أساسًا من الألومنيوم. هذا يسمح لهم باختبار مئات الوصفات المختلفة في تجربة واحدة فقط، بدلًا من صنع مئات العينات المنفصلة.

عقل الذكاء الاصطناعي: تعلم قواعد المطبخ

هنا يأتي دور الذكاء الاصطناعي. أراد الفريق تعليم الكمبيوتر التنبؤ بشيئين:

للأمام: إذا ضبطت الآلة على مستويات الطاقة هذه، فكيف سيكون شكل المزيج المعدني النهائي؟
للخلف (الجزء الصعب): إذا كنت أريد مزيجًا محددًا (مثل 20% نيكل و30% كروم)، فما هي مستويات الطاقة التي يجب ضبطها في الآلة للحصول عليه؟

عادةً ما يكون السؤال "للخلف" كابوسًا للحواسيب لأن هناك طرقًا لا نهائية لخلط المكونات للحصول على نفس النتيجة. ولحل هذه المشكلة، أنشأ الباحثون نموذج ذكاء اصطناعي خاصًا لا يهتم بـ أسماء العناصر (مثل "النيكل" أو "الحديد"). بدلاً من ذلك، يهتم بـ فيزياء عملية الطبخ، مثل سرعة تطاير الذرات من الهدف (عائد الترسيب/sputtering yield). هذا يجعل الذكاء الاصطناعي "مستقلاً عن العنصر"، مما يعني أنه يمكنه تعلم قواعد المطبخ وتطبيقها على أي مجموعة جديدة من المكونات دون الحاجة إلى إعادة تعلم كل شيء من الصفر.

ما الذي وجدوه

اختبر الفريق الذكاء الاصطناعي الخاص بهم على قاعدة بيانات تضم 82 تجربة باستخدام 7 عناصر مختلفة.

الأخبار الجيدة: كان الذكاء الاصطناعي جيدًا بشكل مدهش في التنبؤ بالاتجاه "للأمام". فعندما أخبروه بإعدادات الطاقة، تنبأ بالتركيبة الكيميائية النهائية بدقة عالية (كان الخطأ حوالي 0.1).
التحدي: كان الاتجاه "للخلف" أصعب. فعندما سألوا الذكاء الاصطناعي: "ما هي الطاقة التي أحتاجها للحصول على هذا المزيج المحدد؟"، كانت التنبؤات أقل دقة، بهامش خطأ يبلغ حوالي 70 وات. تشير الورقة إلى أن هذا لأن مشكلة الاتجاه "للخلف" معقدة رياضيًا (حيث يمكن أن تؤدي إعدادات طاقة متعددة إلى نفس المزيج)، وأن الذكاء الاصطناعي يحتاج إلى المزيد من البيانات ليصل إلى المثالية.
الحكم النهائي: أظهر الباحثون أن هذه الطريقة ناجحة. لقد نجحوا في إثبات أن الذكاء الاصطناعي يمكنه توجيه الآلة لإنشاء سبائك عالية الاعتلال محددة، مما يثبت أننا يمكننا الانتقال من التخمين العشوائي إلى "التصميم العكسي" (البدء بالهدف والعمل عكسيًا للوصول إلى الوصفة).

لماذا يهم هذا؟

تسلط الورقة الضوء على "مهمتين" محددتين لهذه المواد الجديدة:

ADREAM: إنشاء طلاءات لا تنصهر أو تصدأ في الأملاح المنصهرة، والتي تُستخدم في المفاعلات النووية من الجيل التالي.
ASTERIX: إنشاء "حاجز انتشار" لقضبان الوقود النووي. حاليًا، إذا ارتفعت درجة حرارة المفاعل كثيرًا، يمكن للطبقات المعدنية في الداخل أن تذوب في بعضها البعض. استخدم الفريق الذكاء الاصطناعي للعثور على مزيج من المعادن (تحديدًا الفاناديوم، والنيوبيوم، والموليبدينوم، والتنغستن) يعمل كدرع لإبقاء الطبقات منفصلة، حتى في درجات حرارة تصل إلى 1400 درجة مئوية.

المستقبل: من "الموجه" إلى "الطيار الآلي"

يؤكد المؤلفون أن هذه مجرد بداية. في الوقت الحالي، يشبه الذكاء الاصطناعي "موجهًا" مفيدًا يقترح وصفة، ولكن لا يزال يتعين على الإنسان التحقق من النتيجة. الهدف النهائي هو بناء "مختبر ذاتي القيادة" حيث يراقب الذكاء الاصطناعي الآلة في الوقت الفعلي، ويرى ما يحدث، ويقوم فورًا بتعديل إعدادات الطاقة للحصول على النتيجة المثالية دون مساعدة بشرية.

إنهم يخططون لتغذية الذكاء الاصطناعي بمزيد من البيانات، بما في ذلك ليس فقط المزيج الكيميائي، ولكن أيضًا كيف يبدو المعدن (حجم الحبيبات) ومدى قوته. ومن خلال الجمع بين هذا الذكاء الاصطناዊ المتطور وآلة الخلط فائقة السرعة، يأملون في فتح عصر جديد من المواد التي يمكن أن تجعل الطاقة النظيفة أكثر أمانًا وكفاءة، مع تقليل سنوات التجربة والخطأ التي كانت مطلوبة سابقًا.

ملخص تقني: التصميم بمساعدة التعلم الآلي للسبائك المعقدة وعالية الإنتروبيا عبر الترسيب الفيزيائي للبخار الهجين (HiPIMS/Pulsed-DC)

بيان المشكلة
تقدم السبائك المركزة المعقدة (CCAs) والسبائك المرجعية عالية الإنتروبيا (RHEAs) خصائص ميكانيكية ومقاومة للتآكل استثنائية، وهي ضرورية لتطبيقات الطاقة منخفضة الكربون، مثل المفاعلات النووية والتحليل الكهربائي عالي الحرارة. ومع ذلك، فإن تطويرها يعوقه الفضاء التركيبي الهائل و"تأثير الكوكتيل" (cocktail effect)، حيث تنشأ خصائص المواد من التفاعلات العنصرية المعقدة بدلاً من العناصر المنفردة. إن الأساليب التقليدية القائمة على التجربة والخطأ لتصنيع هذه المواد في أشكال كتلية أو أغشية رقيقة هي أمور غير عملية نظراً لتعقيد عمليات التصنيع والعدد الهائل من المعايير القابلة للضبط. علاوة على على ذلك، غالباً ما تواجه هذه المواد آليات تدهور مقترنة (مثل التآكل عند درجات الحرارة العالية، والتحميل الميكانيكي، والإشعاع النيوتروني) مما يخلق متطلبات متناقضة، مما يستلزم تحسيناً متعدد الأهداف بدلاً من تعظيم خاصية واحدة فقط.

المنهجية
تستفيد الدراسة من مبادرة DIADEM (تسريع الاكتشاف لنشر المواد الناشئة)، وهي إطار وطني فرنسي يجمع بين علوم المواد وعلوم البيانات. المنصة التجريبية الأساسية هي DIADEM-2D، وهي نظام ترسيب فيزيائي للبخار (PVD) هجين مدعوم بالذكاء الاصطناعي موجود في CEA-INSTN-Saclay. تتميز هذه المنصة بأربعة كاثودات بؤرية يتم التحكم فيها بشكل مستقل (اثنان من نوع HiPIMS واثنان من نوع Pulsed-DC)، وهي قادرة على إنشاء تدرجات تركيبية على الركائز لغرض الفحص عالي الإنتاجية.

تدمج المنهجية ثلاثة مكونات رئيسية:

اختيار النظام الكيميائي: استُخدم تحليل البيانات من الأدبيات والبيانات التجريبية للتآكل لتحديد أنظمة السبائك المستهدفة.
- بالنسبة لـ التآكل في الأملاح المنصهرة (مشروع ADREAM)، حدد خوارزمية Spring Rank ونمذجة العمليات الغاوسية (Gaussian Process modeling) نظام Ni-Cr-Mo-Al كمرشح واعد.
- بالنسبة لـ حواجز الانتشار لكسوة المفاعلات النووية (مشروع ASTERIX)، اختار تحسين متعدد المعايير (الديناميكا الحرارية، الانتشار، والنيوترونيات) على نظام Fe-Cr-Zr-Mo-V-Nb-W-Ti تركيبة V-Nb-Mo-W لمنع الانصهار اليوتكتيكي بين الكروم والزركونيوم عند درجات حرارة عالية.
نمذجة التعلم الآلي المستقلة عن العناصر: بدلاً من تدريب النماذج على هويات كيميائية محددة، طور المؤلفون إطاراً عاماً يستخدم الواصفات الفيزيائية (مثل مردود الترسيب، ونمط تشغيل الكاثود) والمعايير المعيارية. يسمح هذا للنموذج بأن يكون قابلاً للنقل عبر أنظمة سبائك مختلفة دون الحاجة لإعادة التدريب على مجموعات بيانات جديدة تماماً.
التنفيذ الخوارزمي: استخدمت الدراسة نماذج Random Forest و XGBoost و Bayesian Ridge للانحدار، والتي تم تنفيذها باستخدام لغة Python (scikit-learn). تم تقسيم مجموعة البيانات (82 نقطة بيانات تشمل 7 عناصر) إلى مجموعات تدريب (80%) واختبار (20%)، مع تحسين المعلمات الفائقة عبر Optuna. كما تم استخدام التحقق المتقاطع (cross-validation) لتقييم موثوقية النموذج. وتمت معالجة مهام التنبؤ "الأمامي" (قدرة الترسيب $\leftarrow$ التركيب) و"الخلفي" (التركيب المستهدف $\leftarrow$ القدرة المطلوبة).

النتائج الرئيسية

التنبؤ الأمامي: أظهرت النماذج المستقلة عن العناصر قدرة قوية على التنبؤ بتركيب الغشاء الرقيق من قدرات الترسيب. أظهرت رسومات الاختبار/التدريب تجمع نقاط البيانات بالقرب من الخط $y=x$ مع جذر متوسط مربع الخطأ (RMSE) يبلغ حوالي 0.1، مما يشير إلى دقة عالية في التنبؤ بالتركيب الكيميائي من معايير العملية.
التنبؤ الخلفي (التصميم العكسي): ثبت أن التنبؤ بقدرات الترسيب المطلوبة لتحقيق تركيبة مستهدفة أكثر صعوبة بسبب الطبيعة غير التباينية (non-bijective) للعلاقة (حيث يمكن لمجموعات لا نهائية من القدرات أن تنتج نفس التركيبة). ومع ذلك، من خلال تقييد التنبؤ ضمن نوافذ قدرة محددة، حققت النماذج RMSE يبلغ حوالي 70 واط. ورغم أنها أقل دقة من الاتجاه الأمامي، إلا أن هذه النتائج تعمل كدليل قابل للتطبيق لتحسين العمليات.
تحليل الارتباط: نجحت النماذج في إعادة إنتاج مصفوفات الارتباط التجريبية، حيث رصدت الارتباط القوي بين التركيب العنصري المحدد وقدرة الكاثود المقابلة له، وكذلك التفاعلات بين بلازما الكاثودات الأربعة.
المنطق الضبابي (Fuzzy Logic): تم اختبار نظام استدلال ضبابي (FIS) أيضاً، حيث أظهر أداءً تنافسياً في الاتجاه الأمامي ( $R^2 \approx 0.52$ ) وقدم بديلاً أكثر شفافية وقابلية للتفسير لطرق الأشجار التجميعية، رغم أنه عانى أكثر في مسألة التعيين الشامل (surjectivity) في الاتجاه الخلفي.

الأهمية والادعاءات
يزعم البحث إمكانية إثبات جدوى إطار عمل تعلم آلي عام وقابل للنقل للتصميم العكسي لطلاءات الأغشية الرقيقة المعقدة. ومن خلال استخدام الواصفات الفيزيائية بدلاً من الهويات الكيميائية، يقلل هذا النهج بشكل كبير من البيانات التجريبية المطلوبة لتكييف النماذج مع أنظمة مواد جديدة.

يضع المؤلفون هذا العمل كخطوة تأسيسية نحو منصات اكتشاف المواد ذاتية التشغيل. يتيح المنهج ما يلي:

الاستكشاف السريع للفضاءات التركيبية متعددة الأبعاد.
توليد مجموعات بيانات عالية الجودة للتعلم الآلي.
تحسين الطلاءات الواقية للبيئات القاسية، وتحديداً لمفاعلات الأملاح المنصهرة (MSRs)، والمفاعلات النمطية الصغيرة (SMRs)، والوقود المحسن المتحمل للحوادث (E-ATF).

تخلص الدراسة إلى أنه بينما يركز النموذج الحالي على التركيب الكيميائي، فقد تم تصميم الإطار ليكون قابلاً للتوسع ليشمل الواصفات البنيوية الدقيقة (حجم الحبيبات، النسيج، تكوين الطور) والخصائص الوظيفية. يهدف هذا التطور إلى إنشاء استراتيجيات مغلقة الحلقة (closed-loop) تقصر دورة التصميم التقليدية، بالانتقال من الخصائص الوظيفية المستهدفة مباشرة إلى معايير التصنيع التجريبية. ويؤكد المؤلفون أن هذا النهج لا يقتصر على التطبيقات النووية فحسب، بل يمكن تطبيقه على نطاق واسع من الأغشية الرقيقة الوظيفية في مجالات الطاقة والفضاء والإلكترونيات.