An LLM agent for end-to-end computational materials discovery
تقدم الورقة البحثية نظام MAESTRO، وهو نظام وكيل يعتمد على النماذج اللغوية الكبيرة (LLM) يعمل على أتمتة الاكتشاف الحسابي الشامل للأطر المعدنية العضوية من خلال دمج تنقيب الأدبيات، وتقنين قواعد البيانات، والفحص متعدد المقاييس لتحديد المواد عالية الأداء لفصل غازات العادم الرطبة التي قد تتجاهلها الطرق التقليدية على الأرجح.
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 تكون عملية اكتشاف مواد جديدة لحل المشكلات العالمية عملية بطيئة ومجزأة؛ إذ يتعين على العلماء أولاً تحديد بنية بلورية واعدة في مكتبة ضخمة من الأوراق العلمية، ثم تنظيف تلك البنية والتحقق منها، وحساب كيفية سلوكها تحت ظروف معينة، وأخيراً فحص آلاف المرشحين للعثور على الأفضل بينهم. تتطلب كل خطوة من هذه الخطوات عادةً أدوات برمجية مختلفة وخبرات بشرية متخصصة، مما يجعل من الصعب ربطها في بحث واحد سلس. وينطبق هذا بشكل خاص على الأطر المعدنية العضوية (MOFs)، وهي فئة من المواد المسامية المكونة من أيونات معدنية مرتبطة بجزيئات عضوية. تعمل هذه المواد مثل الإسفنجات المجهرية ذات الثقوب القابلة للضبط، وهي قادرة على احتجاز غازات معينة مع السمار بمرور غازات أخرى. وهي تحمل وعوداً هائلة في التقاط ثاني أكسيد الكربون من الدخان الصناعي، وهي خطوة حاسمة في تقليل انبعاثات الغازات الدفيئة. ومع ذلك، فإن الحجم الهائل للأبحاث الموجودة وتعقيد الحسابات اللازمة لاختبار هذه المواد جعل من الصعب العث fear المرشح المثالي للظروف الواقعية الرطبة.
لقد أظهر فريق من الباحثين الآن طريقة جديدة لسد هذه الفجوات باستخدام نظام ذكاء اصطناعي يسمى "MAESTRO". فبدلاً من الاعتماد على إنسان لتنسيق المراحل المختلفة للاكتشاف يدوياً، يستخدم هذا النظام نموذج لغة كبير ليعمل كدماغ مركزي يوجه فريقاً من الوكلاء الرقميين المتخصصين. يعمل هؤلاء الوكلاء معاً لقراءة الأدبيات العلمية، واستخراج البنى البلورية، والتحقق من جودتها، وتشغيل محاكاة معقدة لاختبار أدائها. لا يكتفي النظام بالإجابة على الأسئلة فحسب، بل ينفذ حملة بحثية كاملة من البداية إلى النهاية، منتقلاً من سؤال علمي واسع إلى قائمة من المواد الموثقة وعالية الأداء.
وضع الباحثون هذا النظام تحت الاختبار مع تحدٍ محدد: وهو إيجاد أطر معدنية عضوية يمكنها التقاط ثاني أكسيد الكربون من الغاز العادم الرطب، مثل عوادم محطات الطاقة. في هذه الظروف، يتواجد بخار الماء وغالباً ما يتداخل مع عملية الالتقاط، مما يؤدي إلى سد مسام المادة أو التنافس مع ثاني أكسيد الكربون. بدأ نظام "MAESTRO" بمسح أكثر من 400,000 ورقة علمية لربط الأبحاث المنشورة بالبنى البلورية الفعلية للمواد الموصوفة. ثم قام بتنظيف وتنظيم هذه البنى في قاعدة بيانات، مع إزالة المكررات وإصلاح الأخطاء. ومن مجموعة أولية تضم أكثر من 64,000 بنية تم التحقق منها، طبق النظام سلسلة من الفلاتر (المرشحات) المتزايدة التفصيل. أولاً، استبعد المواد الصغيرة جداً بحيث لا يمكنها احتجاز ثاني أكسيد الكربون، أو التي تحتوي على معادن قد تتفاعل بشكل سيء مع الماء. بعد ذلك، استخدم محاكاة حاسوبية سريعة لتحديد المواد المقاومة للماء طبيعياً مع جذب ثاني أكسيد الكربون في الوقت نفسه. نجحت عملية الفرز الأولية هذه في تقليص المجال إلى ما يزيد قليلاً عن 1,000 مرشح.
ثم أجرى النظام عمليات محاكاة أكثر تكلفة ودقة على هؤلاء المرشحين المتبقين. فقد اختبر كمية ثاني أكسيد الكربون التي يمكن أن تحتجزها المواد في خليط من الغازات، وتحقق مما إذا كانت المسام كبيرة بما يكفي للسماح لجزيئات الغاز بالتحرك بحرية. بعد هذه الاختبارات الصارمة، تقلصت المجموعة إلى 205 بنى واعدة. ثم أجرى الباحثون عمليات محاكاة تفصيلية للعمليات لمعرفة كيفية أداء هذه المواد في إعداد واقعي لالتقاط الكربون، حيث قاموا بقياس مدى نقاء الغاز الملتقط وكمية الطاقة التي تتطلبها العملية. كانت النتائج مذهلة؛ فقد حدد النظام أحد عشر مرشحاً من بين الأفضل أداءً، والتي تفوقت على مادة تجارية معروفة تُستخدم كمعيار مرجعي. وبينما فقد المعيار التجاري معظم قدرته على التقاط الكربون عند التعرض لرطوبة عالية، حافظت المرشحات الأحد عشر الجديدة على أكثر من 93 بالمائة من قدرتها في الحالة الجافة حتى عند تشبعها تماماً بالماء.
ولعل الاكتشاف الأكثر إثارة للدهشة كان مصدر هذه المواد الناجحة. فمن خلال تتبع الأوراق البحثية الأصلية، وجد الفريق أن أيًا من المرشحين الأحد عشر الأفضل لم يسبق دراسته من أجل التقاط الكربون؛ إذ نشأت هذه المواد من مجالات علمية غير ذات صلة تماماً، بما في ذلك الأبحاء حول المستشعرات المضيئة، والخصائص المغناطيسية، والفصل الكيميائي لغازات أخرى. يشير هذا إلى أن أفضل المواد لوظيفة معينة غالباً ما تكون مختبئة في وضح النهار داخل أدبيات علمية غير مرتبطة بها، حيث تم التغاضي عنها لأن الباحثين لم يكونوا يبحثون عنها في تلك السياقات المحددة. لقد سمحت قدرة النظام على تجاوز هذه الحدود بالعثور على حلول عالية الأداء كان من الممكن أن تفوتها عملية البحث التقليدية التي تركز على التطبيق فقط.
ولضمان قوة هذه النتائج، أخضع الباحثون المرشحين الأوائل لمزيد من الاختبارات. فقد قاموا بمحاكاة المواد في ظروف رطبة مع خليط من ثاني أكسيد الكربون والنيتروجين وبخار الماء. وأكدت النتائج أن المرشحين الجدد حافظوا على أدائهم، بينما انهارت المادة المرجعية التجارية تحت نفس الظروف. كما تحقق الفريق مما إذا كانت البنى الصلبة المفترضة في عمليات المحاكاة ستصمد في الواقع؛ وباستخدام ديناميكيات جزيئية متقدمة، وجدوا أن معظم المواد حافظت على شكلها، رغم أن بعضها أظهر تغيرات طفيفة عند التعرض للغاز، مما يشير إلى أن الاختبار الواقعي سيكون ضرورياً لتأكيد سلوكها.
يُظهر هذا العمل أن وكيل الذكاء الاصطناعي يمكنه بنجاح تنسيق سير العمل المعقد ومتعدد المراحل المطلوب لاكتشاف المواد الحديثة. ومن خلال الربط بين مجالات البحث المتباينة وأتمتة العملية المملة للتحقق والفرز، كشف النظام عن جيل جديد من المواد التي تتميز بالفعالية والمقاومة لتحديات الرطوبة. إن هذه النتائج لا تقدم مجرد قائمة من المرشحين الجدد، بل توفر مخططاً لكيفية إجراء الاكتشاف العلمي في المستقبل، بالانتقال من التجارب المعزولة إلى بحث مؤتمت ومتصل لإيجاد حلول يمكنها معالجة بعض أكثر التحديات البيئية إلحاحاً في العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.