Unraveling the Size Determination Mechanism of Nanocrystal Synthesis via Interpretable Neural Networks

بلورات متناهية الصغر، غير مرئية بالعين المجردة ولكنها مرئية تحت المجاهر القوية، هي اللبنات الأساسية للتكنولوجيا الحديثة. توجد هذه البلورات النانوية في شاشات الهواتف الذكية، ومستشعرات الماسحات الطبية، والمحفزات التي تنقي هواءنا، وتُصنع عن طريق خلط المواد الكيميائية في محلول سائل. إن هذه العملية هي بمثابة رقصة دقيقة من التوقيت ودرجة الحرارة، حيث يقوم العلماء بتسخين خليط لتشجيع الذرات على التكتل معاً لتكوين جزيئات صلبة. حجم هذه الجزيئات هو كل شيء: فالبلورة النانوية إذا كانت أكبر أو أصغر قليلاً مما ينبغي، ستفشل في إصدار اللون الصحيح من الضوء أو تحفيز التفاعل الصحيح. لعقود من الزمن، اعتمد الكيميائيون على التجربة والخطأ لإيجاد الوصفة المثالية، عبر تعديل الحرارة، والوقت، وكمية كل مكون كيميائي حتى يتم الوصول إلى الحجم المطلوب. وبينما استُخدمت برامج حاسوبية قوية مؤخراً للتنبؤ بهذه النتائج، إلا أنها غالباً ما تعمل كـ "صناديق سوداء"، تقدم إجابة صحيحة دون شرح كيفية الوصول إليها. هذا النقص في الشفافية يترك العلماء في حالة تخمين حول القواعد الأساسية التي تحكم نمو هذه الهياكل المتناهية الصغر.

لقد تمكن فريق من الباحثين في معهد بكين للتكنولوجيا الآن من كشف الستار عن هذه العملية. فقد طوروا نوعاً جديداً من النماذج الحاسوبية يسمى "متعلم معادلات البلورات النانوية"، أو NanoEQL. وخلافاً لنماذج الصندوق الأسود الغامضة التي تخفي منطقها، صُمم هذا النظام ليكون شفافاً تماماً، حيث يكشف عن القواعد الرياضية التي يستخدمها لإجراء التنبؤات. قام الباحثون بتدريب النموذج على آلاف الوصفات الموجودة لصنع البلورات النانوية، من خلال تغذيته ببيانات حول المواد الكيميائية المستخدمة، وتركيزاتها، ودرجات الحرارة والأوقات المحددة للتفاعلات. لم يكن الهدف مجرد التنبؤ بالحجم النهائي للبلورة، بل الكشف عن الآلية الكامنة التي تحدد ذلك الحجم. ومن خلال إجبار الحاسوب على التعبير عن نتائجه في شكل معادلات واضحة ومفهومة بدلاً من طبقات مخفية من الأكواد، أنشأ الفريق أداة تعمل كأنها نظرية علمية أكثر من كونها مجرد آلة حاسبة بسيطة.

نجح النموذج في تعلم التنبؤ بحجم البلورات النانوية بدرجة عالية من الدقة، محققاً أداءً يضاهي أكثر أنظمة الصندوق الأسود تقدماً، مع تقديم ميزة لا تملكها تلك الأنظمة وهي: التفسير الواضح لسبب حدوث الشيء ("لماذا"). وجد الباحثون أن الحجم النهائي للبلورة النانوية يتحدد من خلال ثلاثة عوامل رئيسية، لخصها النموذج في أرقام بسيطة. يتعلق العامل الأول بالطبيعة الجوهرية للمادة نفسها، ويمثل مدى سهولة رغبة مادة معينة في تشكيل بلورة في المقام الأول. ويصف العامل الثاني قدرة النمو، والتي تعتمد على كيفية تفاعل المكونات الكيميائية المختلفة مع بعضها البعض أثناء التفاعل. أما العامل الثالث، فيأخذ في الاعتبار الظروف الخارجية، مثل درجة الحرارة ومدة عملية التسخين. وكشف النموذج أن هذه العناصر الثلاثة تجتمع في علاقة خطية مباشرة لتحديد الحجم النهائي، وهو اكتشاف يبسط عملية كان يُعتقد سابقاً أنها معقدة للغاية بحيث لا يمكن وصفها بهذا الوضوح.

لفهم كيفية عمل النموذج، يجب على المرء النظر في كيفية تعامله مع المواد الكيميائية. في التفاعل التقليدي، يخلط العالم عدة مواد أولية، وهي المواد البادئة التي ستصبح في النهاية هي البلورة. يعامل النموذج هذه المواد الأولية ليس كقائمة ثابتة، بل كمشاركين نشطين تتغير أهميتهم بناءً على الظروف. فهو يستخدم آلية خاصة لوزن تأثير كل مادة كيميائية، ليقرر ما إذا كان التفاعل مدفوعاً أكثر بوجود كمية معينة من المادة الكيميائية أو بمدى تفاعلية تلك المادة. واكتشف الباحثون أنه بالنسبة للمواد الأولية غير العضوية، والتي غالباً ما تكون قائمة على المعادن، فإن كمية المادة الموجودة هي العامل المهيمن، ولكن فقط عندما تكون درجة الحرارة منخفضة. ومع ارتفاع درجة الحرارة، تصبح التفاعلية الكيميائية هي الأكثر أهمية. أما بالنسبة للمواد الأولية العضوية، التي تحتوي على الكربون، فقد وجد النموذج أن التفاعلية هي المحرك الأقوى بشكل عام، بغض النظر عن درجة الحرارة. وهذا التمييز يساعد في تفسير سبب تأثير تغيير الحرارة أو الوقت على أنواع مختلفة من التفاعلات بطرق فريدة.

وقد تجلت قوة هذا النهج عندما استخدم الباحثون النموذج لاستكشاف تفاعل محدد يتضمن الرصاص والسيلينيوم لإنشاء بلورات نانوية من سيلينيد الرصاص. ومن خلال محاكاة آلاف الاختلافات في الوصفة، رسم النموذج مساحة تفاعل كيميائي، موضحاً كيف أن تغيير كمية الرصاص أو السيلينيوم سيؤدي إلى تغيير الحجم النهائي للبلورة. توقع النموذج أن زيادة كمية الرصاص بالنسبة للسيلينيوم ستؤدي إلى بلورات أكبر، بينما ستؤدي زيادة السيلينيوم إلى جعلها أصغر. ولإثبات ذلك، توجه الفريق إلى المختبر وصنع سلسلة من هذه البلورات، مع تغيير كمية السيلينيوم بعناية فقط مع إبقاء كل شيء آخر ثابتاً. وطابقت النتائج التوقع تماماً: فالبلورات التي نمت بكمية أقل من السيلينيوم كانت أكبر بكثير من تلك التي نمت بكمية أكبر منه. أكدت هذه التجربة أن النموذج لم يقم بمجرد حفظ البيانات الماضية، بل تعلم بالفعل القواعد الفيزيائية التي تحكم نمو هذه الجزيئات.

وبعيداً عن قدرته على التنبؤ بالأحجام، يقدم النموذج طريقة جديدة لفحص المواد الجديدة. ولأن النموذج يمكنه حساب قيمة تمثل "قدرة التبلور" لأي مادة بناءً فقط على تركيبها الكيميائي، فإنه يمكن استخدامه لمسح مكتبات ضخمة من المواد المعروفة. اختبر الباحثون ذلك من خلال تحليل آلاف المواد شبه الموصلة لمعرفة أي منها لديه أعلى إمكانية لتشكيل بلورات نانوية. حدد النموذج عدة مواد واعدة، بما في ذلك مواد تُستخدم بالفعل في الشاشات التجارية وأخرى جديدة في مجال تقنية النانو. يشير هذا إلى أن الأداة يمكن أن تسرع اكتشاف مواد جديدة لتطبيقات الإلكترونيات والطاقة، مما يسمح للعلماء بتركيز جهودهم على المرشحين الأكثر واعدية قبل خلط قطرة واحدة من المواد الكيميائية.

إن نجاح نموذج NanoEQL يمتد إلى ما وراء البلورات النانوية. فقد اختبر الباحثون أيضاً النظام في نوع مختلف تماماً من التفاعلات الكيميائية، وهو التفاعل المستخدم لإنتاج جزيئات عضوية معقدة للأدوية. وفي هذا الاختبار، تنبأ النموذج بإنتاجية التفاعل بدقة تفوقت على البرامج الحاسوبية المتقدمة الأخرى. وهذا يشير إلى أن نهج استخدام التعلم الشفاف القائم على المعادلات لا يقتصر على مجال واحد محدد، بل يمكن أن يكون طريقة عامة لفهم التفاعلات الكيميائية. ومن خلال استبدال التخمين الناتج عن تنبؤات الصندوق الأسود بقواعد واضحة وقابلة للتفسير، يوفر هذا العمل جسراً بين البيانات الخام للتخليق الكيميائي والفهم العميق للآليات التي تحركه. والنتي نتيجة لذلك هي مسار أوضح نحو تصميم مواد أفضل وعمليات كيميائية أكثر كفاءة، قائمة على قواعد يمكن للعلماء رؤيتها وفهمها والثوق بها.