🔬 materials science

Synthesizing like a chemist: an iterative, feedback-driven loop for materials discovery

تقدم هذه الورقة إطار عمل مغلق الحلقة يدمج النماذج اللغوية الكبيرة، والتصوير الفائق الطيف عالي الإنتاجية، والتحسين البايزي متعدد الأهداف لأتمتة وتسريع التخليق والاكتشاف التكراري للمواد الجديدة، وهو ما تم إثباته بنجاح من خلال ابتكار أغشية رقيقة مستوحاة من البيروفسكايت لمركب Rb3BiI6 الذي لم يسبق الإبلاغ عنه.

المؤلفون الأصليون: Fang Sheng, Steven B. Torrisi, Amanda Volk, Kevin Tran, Koki Nakano, Brian W. Anthony, Tonio Buonassisi

نُشر 2026-08-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fang Sheng, Steven B. Torrisi, Amanda Volk, Kevin Tran, Koki Nakano, Brian W. Anthony, Tonio Buonassisi

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

غالباً ما يُتخيل البحث عن مواد جديدة كسباق مع الزمن، حيث يستخدم العلماء أجهزة كمبيوتر قوية للتنبؤ بأي من تركيبات الذرات قد تخلق بطاريات أفضل، أو خلايا شمسية أسرع، أو إلكترونيات أكثر كفاءة. لسنوات عديدة، كان هذا النهج الحسابي ناجحاً بشكل ملحوظ في توليد قوائم طويلة من المرشحين الواعدين. ومع ذلك، ظهرت عقبة كبيرة: فبينما يمكن لأجهزة الكمبيوتر اقتراح آلاف المركبات الجديدة في يوم واحد، تظل العملية الفيزيائية لصنعها فعلياً في المختبر بطيئة وصعبة وتعتمد بشكل كبير على الحدس البشري. إن تحويل تنبؤ رقمي إلى مادة حقيقية وعاملة يتطلب من الكيميائي خلط المواد الكيميائية، وتسخينها، ومراقبة النتائج، وهي عملية تتضمن غالباً التجربة والخطأ. وإذا فشلت المحاولة الأولى، يتعين على العالم تخمين ما يجب تغييره، ثم المحاولة مرة أخرى، وتكرار هذه الدورة حتى تؤدي المادة الأداء المتوقع. هذه الفجوة بين ما يمكن للحواسيب التنبؤ به وما يمكن للبشر بناؤه قد أبطأت وتيرة الاكتشاف، تاركة العديد من المواد المثالية نظرياً تقبع فقط على الشاشة.

لقد طور فريق من الباحثين في معهد ماساتشوستس للتكنولوجيا ومعهد تويوتا للأبحاث طريقة جديدة لسد هذه الفجوة من خلال أتمتة العملية ذاتها التي يستخدمها الخبراء البشريون لتطوير عملهم. وبدلاً من معاملة إنشاء مادة جديدة كحدث واحد من التخمين والتحقق، قاموا ببناء نظام يحاكي الحلقة التكرارية القائمة على التغذية الراجعة التي يستخدمها كيميائي متمرس. يجمع هذا النظام بين ثلاث قدرات متميزة: نموذج لغوي كبير يقرأ الأدبيات العلمية لفهم ما نجح سابقاً، ونظام كاميرا عالي السرعة يقيم جودة الأفلام الجديدة في ثوانٍ، وخوارزمية ذكية تقرر ما يجب تجربته تالياً بناءً على تلك النتائج. ومن خلال وضع المعرفة البشرية مباشرة في هذه الحلقة المؤتمتة، ابتكر الباحثون آلة لا تكتفي باتباع مجموعة جامدة من التعليمات، بل تتعلم وتتكيف أثناء عملها، تماماً كما يفعل الباحث البشري.

ولاختبار هذا الإطار، اختار الفريق تحدياً محدداً: إنشاء غشاء رقيق من مركب يسمى Rb3BiI6، وهي مادة مستوحاة من بنية البيروفسكايت ولكن لم يسبق تصنيعها بنجاح في المختبر من قبل. ولأنه لم يسبق لأحد صنعها، لم تكن هناك وصفة موجودة لاتباعها. أقام الباحثون تجربتين متوازيتين لمعرفة كيفية مقارنة نظامهم الجديد بالطريقة القياسية. استخدم النهج الأول تقنية تقليدية تسمى "أخذ عينات لانداين هايبركيوب" (Latin hypercube sampling)، وهي طريقة شائعة لبدء تجربة عبر اختيار ظروف عشوائية عبر نطاق واسع من الاحتمالات، مما يعني إلقاء شبكة واسعة دون معرفة مسبقة. أما النهج الثاني فقد استخدم نظامهم الجديد، الذي بدأ بسؤال نموذج لغوي كبير لقراءة آلاف الأوراق العلمية حول مواد مماثلة. وقد لخص النموذج هذه المعلومات لاقتراح مجموعة أولية أضيق وأكثر دقة من الظروف المبدئية، مما منح التجربة انطلاقة قوية بناءً على الحكمة الجماعية للمجتمع العلمي.

بمجرد بدء التجارب، اتضح الفرق في الكفاءة. فقد بدأ النظام الموجه بالنموذج اللغوي بعينات كانت بالفعل ذات جودة أعلى من تلك الناتجة عن النهج العشوائي؛ حيث أنتج أفلاماً أكثر تجانساً وأقل شوائب منذ الدفعة الأولى من التجارب. ومع تقدم التجربة، استخدم النظام كاميرا تصوير طيفي فائق السرعة لتقييم الأفلام. تعمل هذه الكاميرا بمثابة عين خارقة، حيث تمسح سطح الفيلم بالكامل وتلتقط خصائصه البصرية وخصائص انعكاس الضوء في آن واحد. وفي غضون دقائق، استطاع النظام تحليل عشرات الآلاف من النقاط الصغيرة على الفيلم لتحديد مدى تغطيته للزجاج، ومدى اتساقه عبر السطح، وما إذا كان مكوناً من الطور الكيميائي الصحيح. سمحت هذه التغذية الراجعة السريعة للخوارزمية بتعديل تعليماتها التالية فوراً، مما أدى إلى تضييق تركيزها على الظروف التي تحقق أفضل النتائج.

في المقابل، استغرق الأسلوب التقليدي، الذي بدأ ببحث أوسع وأقل اطلاعاً، محاولات أكثر بكيد لإيجاد عينات عالية الجودة. لم يجد النظام الجديد نتائج أفضل بشكل أسرع فحسب، بل حافظ أيضاً على تلك الميزة طوال عملية التحسين بأكملها. وبحلول نهاية الحملة، حدد النهج الموجه لغوياً عدداً أكبر بكثير من العينات الناجحة ووصل إلى مستوى أعلى من جودة الفيلم الإجمالية باستخدام نفس عدد التجارب. تحقق الباحثون من أفضل نتائجهم من خلال تحليل الأفلام النهائية باستخدام أدوات مختبرية قياسية، بما في ذلك حيود الأشعة السينية، والتي أكدت أن المادة قد شكلت البنية البلورية المنشودة. وطابقت الخصائص البصرية للفيلم التنبؤات النظرية، مما يشير إلى أن النظام المؤتمت قد نجح في التنقل عبر المشهد الكيميائي المعقد لإنشاء مادة كانت في السابق مجرد فكرة حاسوبية.

يُظهر هذا العمل أن العقبة في اكتشاف المواد لا تكمن فقط في نقص القدرة الحوسبية أو نقص الخوارزميات الذكية، بل في صعوبة ترجمة الخبرة البشرية إلى صيغة يمكن للآلات استخدامها. ومن خلال دمج المعرفة الضمنية للكيميائيين - وهي المعرفة التي غالباً ما تكون غير مكتوبة وتُكتسب من خلال سنوات من الخبرة - في حلقة مؤتمتة، أظهر الباحثون أن الآلات يمكنها تعلم تصنيع المواد بشكل أكثر فعالية. إن هذا النظام لا يحل محل العالم، بل يعزز قدرته على استكشاف إمكانيات جديدة، محولاً العملية البطيئة واليدوية للتطوير إلى دورة مستمرة وسريعة من التعلم. وبينما تعد المادة المحددة التي اختبرت في هذه الدراسة مجرد مثال واحد، فإن الاستراتيجية تقدم مساراً عاماً لتسريع اكتشاف عدد لا يحصى من المواد غير العضوية الأخرى، مما قد يغير طريقة نقل التقنيات الجديدة من المجال النظري إلى العالم المادي.

Synthesizing like a chemist: an iterative, feedback-driven loop for materials discovery

ملخص تقني: التخليق بأسلوب الكيميائي

بيان المشكلة

المنهجية

المساهمات الرئيسية

النتائج

الأهمية والادعاءات