← أحدث الأبحاث
🔬 materials science

Active learning molecular beam epitaxy of complex quantum materials

تقدم هذه الورقة إطار عمل للتعلم النشط كفؤ في استهلاك البيانات، يجمع بين نموذج بديل لغابة عشوائية والتحسين القائم على النموذج المتسلسل للتنقل ذاتياً في مشهد النمو المعقد وغير الخطي لنمو الحزمة الجزيئية، مما نجح في تحديد ظروف التخليق المثلى للمادة الفيرومغناطيسية "وايل" الطوبولوجية شبه المستقرة Fe3_3Sn خلال عدد قليل جداً من التكرارات.

المؤلفون الأصليون: Raghutheja Bollampally, Soumya Sankar, Yuqi Qin, Berthold Jäck

نُشر 2026-08-19
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Raghutheja Bollampally, Soumya Sankar, Yuqi Qin, Berthold Jäck

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 يبدو صنع مواد جديدة وكأنه بحث عن إبرة في كومة قش، لكن كومة القش هذه مكونة من سحب غير مرئية ومتغيرة من درجات الحرارة والمزيج الكيميائي. يواجه العلماء الذين يبنون أغشية رقيقة من المادة، طبقة تلو الأخرى، مهمة شاقة: إذ يتعين عليهم التنقل في مشهد شاسع من الاحتمالات للعثور على التركيبة المثالية الوحيدة من الظروف التي تخلق مادة عالية الجودة. لعقود من الزمن، اعتمد هذا البحث على الحدس البشري، حيث يقوم الباحثون بتعديل إعداد واحد في كل مرة، آملين في التعثر في الموقع الصحيح. إن نهج التجربة والخطأ هذا بطيء ومكلف، وغالباً ما يفشل عندما تكون المادة معقدة، لأن الظروف المثالية قد تكون عبارة عن قمة صغيرة وحادة محاطة ببحر من الفشل. والآن، قدم فريق من الباحثين طريقة أذكى لاستكشاف هذا المشهد، باستخدام برنامج حاسوبي يتعلم أثناء عمله، محولاً بحثاً يستغرق سنوات إلى مسأية أيام.

المادة التي تدور حولها هذه القصة هي نوع محدد من المركبات المعدنية يسمى Fe3Sn، والذي يحمل وعوداً لمستشعرات مغناطيسية متطورة وتقنيات حوسبة مستقبلية. ولصنع هذه المادة، يستخدم العلماء تقنية تسمى "تنمي البلورات بالحزمة الجزيئية"، حيث يقومون بتسخين عناصر نقية في غرفة مفرغة من الهواء ويتركونها تنجرف نحو سطح ساخن لتشكل بلورة. العملية حساسة للغاية؛ فإذا كان السطح ساخناً جداً، ستتطاير الذرات، وإذا كان بارداً جداً، ستتكتل بشكل غير صحيح. علاوة على ذلك، يجب أن تكون نسبة الحديد إلى القصدير دقيقة تماماً، وإلا ستشكل المادة مادة أخرى عديمة الفائدة. في الماضي، كان العثور على الإعدادات الصحيحة لمثل هذه المادة الحساسة يتطلب عشرات التجارب، تستغرق كل واحدة منها ساعات لإعدادها وتحليلها. أراد الباحثون معرفة ما إذا كان بإمكان آلة أن تتعلم العثور على الإعدادات المثالية بشكل أسرع من الإنسان، لكنهم واجهوا مشكلة: الأدوات الحاسوبية القياسية المستخدمة لهذا العمل تفترض أن العالم يتغير بسلاسة، مثل تلة لطيفة. ومع ذلك، فإن عالم هذه المواد المعقدة مليء بالمنحدرات المفاجئة والحواف الحادة، حيث يمكن لتغيير طفيف في درجة الحرارة أن يؤدي إلى فشل المادة تماماً.

ولحل هذه المشكلة، بنى الباحثون نظام تعلم جديداً من نوعه لا يفترض أن المشهد سلس. بدأوا بمجموعة صغيرة من البيانات من حوالي سبعة عشر تجربة سابقة، والتي أعطتهم خريطة تقريبية للمكان الذي تعمل فيه المادة والمكان الذي لا تعمل فيه. وبدلاً من استخدام خوارزمية تنعيم تقليدية، استخدموا طريقة تعمل مثل غابة من أشجار القرار، وهي تقنية ممتازة في رصد الحدود الحادة والتغيرات المفاجئة. نظر هذا النموذج الحاسوبي إلى البيانات وأدرك أن العامل الأكثر أهمية لم يكن المزيج الدقيق للذرات، بل درجة حرارة السطح وجودة المادة الأولية. توقع النموذج أن هناك "هضبة" محددة للنجاح — وهو نطاق من درجات الحرارة ونسب الذرات حيث تنمو المادة بشكل مثالي — محاطة بمناطق تفشل فيها.

ثم ترك الفريق الحاسوب يتولى القيادة. في حلقة مغلقة، اختار الجهاز المجموعة التالية من الظروف للاختبار، وقام الروبوت بتنمية الغشاء، ثم تم تحليل الغشاء لمعرفة مدى جودته. تم إدخال النتائج مرة أخرى إلى الحاسوب، الذي قام بتحديث خريطته واختار التجربة التالية الأفضل. ومن المثير للاهتمام، أن النظام لم يقم بمجرد التخمين؛ بل تعلم. فبعد أربع تجارب جديدة وجهها الحاسوب فقط، تضاعفت دقة توقعاته، مما قلل الخطأ إلى حوالي عشرة بالمائة. نجح الجهاز في تحديد النافذة الضيقة التي تنمو فيها المادة جيداً، وهي مهمة كانت ستستغرق من الباحث البشري محاولات أكثر بكثير لإيجادها. كما كشف الحاسوب عن حقيقة مفاجئة: بمجرد ضبط درجة الحرارة بشكل صحيح، كانت المادة متسامحة بشكل مدهش مع التغييرات الصغيرة في مزيج الذرات، وهو تفصيل قد يغفل عنه الحدس البشري.

يُظهر هذا العمل أن الآلات يمكنها الآن التنقل في التضاريس الوعرة وعالية المخاطر لتخليق المواد المعقدة دون توجيه بشري. ومن خلال استبدال النماذج القديمة ذات الأصوات الناعمة بنظام يفهم الحواف الحادة والتحولات المفاجئة، أظهر الباحثون أن الاكتشاف المستقل ممكن حتى بالنسبة لأكثر المواد الكمومية صعوبة. والنتيجة هي طريق نحو مختبرات يمكن للروبوتات فيها تصميم وبناء واختبار مواد جديدة من تلقاء نفسها، مما يحرر العلماء للتركيز على الأسئلة الكبرى حول ما يمكن لهذه المواد أن تفعله، بدلاً من العمل المضني للعثور على الإعدادات الصحيحة لصنعها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 cond-mat.mtrl-sci →