Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

لكل مادة نقطة انكسار، وهي اللحظة التي تصبح فيها الحرارة أكبر مما يمكن تحمله وتبدأ الروابط الكيميائية التي تمسكها معاً في التفكك. بالنسبة للعلماء الذين يصممون المواد النشطة — وهي مواد مثل المتفجرات أو الوقود الدافع الذي يحرك الصواريخ أو يشغل الآلات — فإن معرفة نقطة الانكسار هذه هي مسألة حياة أو موت. فإذا كانت المادة غير مستقرة للغاية، فقد تنفجر قبل أوانها أثناء التخزين؛ وإذا كانت مستقرة للغاية، فقد تفشل في أداء مهمتها عند الحاجة إليها. الطريقة القياسية لقياس هامش الأمان هذا هي تسخين عينة في المختبر وتسجيل درجة الحرارة الدقيقة التي تبدأ عندها في التحلل. ومع ذلك، فإن هذا القياس البسيط من الصعب الوثوق به بشكل مفاجئ؛ إذ تستخدم المختبرات المختلفة سرعات تسخين مختلفة، وكميات مختلفة من العينات، وطرقاً مختلفة للإبلاغ عن النتائج. وعندما يحاول الباحثون جمع هذه الأرقام من مصادر متعددة لبناء نموذج حاسوبي، تصبح البيانات عبارة عن فوضى صاخبة وغير متسقة، مما يجعل من المستحيل تقريباً تعليم الآلة التنبؤ بأي الجزيئات الجديدة ستكون آمنة وأيها ستكون خطيرة.

لقد وجد فريق من الباحثين في مختبر لوس ألاموس الوطني وجامعة تكساس تك طريقة ذكية لتجاوز هذه الضوضاء. فبدلاً من محاولة تعليم الكمبيوتر التنبؤ بدرجة الحرارة الدقيقة التي سيتفكك عندها الجزيء، علموه مقارنة جزيئين في كل مرة وتحديد أيهما أكثر استقراراً. هذا النهج، الذي يسموا به "التعلم التفاضلي"، يتجاهل الاختلافات المربكة بين المختبرات ويركز تماماً على الترتيب النسبي للمواد. ومن خلال تدريب الذكاء الاصطناعي على النظر في أزواج من الجزيئات والتنبؤ بالفرق في استقرارها، تمكن الفريق من إنشاء نظام يمكنه تصنيف آلاف المركبات بدقة عالية. ويشير عملهم إلى أنه بينما لا يمكننا دائماً الوثوق برقم واحد من تقرير مختبري، يمكننا الوثوق بشكل موثوق بالعلاقة بين مادتين كيميائيتين مختلفتين.

طبق الباحثون هذه الطريقة على مجموعة بيانات من الجزيئات العضوية التي تحتوي فقط على الكربون والهيدروجين والنيتروجين والأكسجين، وهي مجموعة شائعة في المواد النشطة. لقد جمعوا بيانات تجريبية من دراسات منشورة، ولكن كما كان متوقعاً، كانت الأرقام غير متسقة. وعندما حاولوا استخدام نماذج حاسوبية قياسية للتنبؤ بدرجة حرارة التحلل الدقيقة لكل جزيء، كانت النتائج ضعيفة. فقد عانت النماذج للتمييز بين الجزيئات المتشابهة جداً، وغالباً ما فشلت في تحديد الجزيئات الأكثر استقراراً أو الأقل استقراراً (القيم المتطرفة). وقد سلط هذا الفشل الضوء على المشكلة: الضوضاء في البيانات كانت تغرق الإشارات الكيميائية الحقيقية.

ولحل هذه المشكلة، غير الفريق السؤال. فتوقفوا عن سؤال الكمبيوتر: "ما هي درجة حرارة هذا الجزيء؟" وبدأوا بسؤاله: "هل هذا الجزيء أكثر استقراراً من ذاك؟". لقد غذوا الكمبيوتر بأزواج من الجزيئات وطلبوا منه التنبؤ بالفرق في استقرارها. سمح هذا التحول بتوليد عدد هائل من الأمثلة التدريبية من مجموعة بيانات صغيرة نسبياً. فإذا كان لديهم 850 جزيئاً، فيمكنهم إنشاء مئات الآلاف من الأزواج الفريدة لدراستها. تعلم الكمبيوتر رصد السمات الهيكلية الدقيقة التي تجعل جزيئاً واحداً يتماسك بشكل أفضل من غيره، مما أدى فعلياً إلى تصفية الأخطاء التجريبية التي كانت تعاني منها الأرقام المطلقة.

اختبروا نوعين مختلفين من النماذج الحاسوبية لمعرفة أيهما يعمل بشكل أفضل. نظر أحد النماذج إلى الجزيئات كرسوم بيانية بسيطة من الذرات والروابط، حيث يتعلم مباشرة من شكل الجزيء. أما النموذج الآخر فقد استخدم قائمة من الخصائص المحسوبة، مثل مقدار الطاقة اللازمة لكسر رابطة معينة، لاتخاذ قراره. وقد أدى كلا النموذجين أداءً جيداً بشكل ملحوظ. وعندما طُلب منهما ترتيب الجزيئات في مجموعة اختبار، حددا العضو الأكثر استقراراً في الزوج بنسبة 87 بالمائة تقريباً. وكان هذا تحسناً كبيراً مقارنة بالطرق التقليدية التي عانت لصنع معنى من نفس البيانات. إن نجاح كلا النموذجين، رغم استخدامهما لطرق مختلفة في رؤية الجزيئات، منح الباحثين الثقة في أنهم وجدوا طريقة قوية للتعامل مع البيانات التجريبية الفوضوية.

بعيداً عن مجرد ترتيب الجزيئات، أراد الباحثون فهم ما كان الكمبيوتر يتعلمه بالفعل. استخدموا تقنية للنظر داخل "الصندوق الأسود" للشبكة العصبية ومعرفة الميزات التي تقود التنبؤات. ووجدوا أن الكمبيوتر يعتمد بشكل كبير على عاملين رئيسيين: توازن الأكسجين في الجزيء وقوة أضعف روابطه الكيميائية. وهذا يتوافق مع ما طالما اشتبه فيه الكيميائيون؛ ففي المواد النشطة، غالباً ما يرتبط وجود الأكسجين بأداء أعلى ولكن باستقرار أقل، بينما تعمل أضعف رابطة في السلسلة كمحفز للتحلل. ومع ذلك، كشفت الدراسة أيضاً أنه لا يوجد عامل واحد يروي القصة كاملة؛ فالكمبيوتر لم ينظر إلى أضعف رابطة بمعزل عنها، بل نظر في التركيبة الكاملة لشكل الجزيء، وقوة روابطه، وتكوينه الكيميائي. وهذا يشير إلى أن التنبؤ بالاستقرار هو لغز معقد حيث يهم التفاعل بين العديد من الأجزاء الصغيرة أكثر من أي قطعة واحدة.

ولتوضيح كيف يمكن استخدام هذه الرؤية في العالم الحقيقي، استخدم الفريق جزيئاً شهيراً وعالي الاستقرار يسمى TATB كنقطة انطلاق. وطلبوا من الكمبيوتر تخيل تغييرات صغيرة على هيكل الجزيء والتنبؤ بكيفية تأثير تلك التغييرات على استقراره. حدد النموذج بشكل صحيح أن استبدال مجموعات معينة من الذرات بأخرى يمكن أن يقوي أو يضعف الجزيء. على سبيل المثال، توقع أن استبدال مجموعات معينة تحتوي على الهيدروجين بأخرى تحتوي على الأكسجين سيجعل الجزيء أقل استقراراً بشكل ملحوظ. وعلى العكس من ذلك، اقترح أن إزالة مجموعات غير مستقرة تماماً يمكن أن يجعل الجزيء أكثر متانة. توفر هذه النتائج دليلاً واضحاً للكيميائيين الذين يرغبون في تصميم مواد جديدة: فهم يعرفون السمات الهيكلية التي يجب الحفاظ عليها والتي يجب تجنبها لتحقيق التوازن الصحيح بين القوة والأمان.

تخلص الدراسة إلى أن هذا النهج التفاضلي هو أداة قوية لاكتشاف المواد، خاصة عندما تكون البيانات المتاحة غير كاملة. فمن خلال التركيز على الاختلافات النسبية بدلاً من القيم المطلقة، تمكن الباحثون من بناء نموذج يعمل بشكل جيد رغم عدم اتساق كيفية جمع البيانات. لقد جعلوا مجموعة البيانات والنماذج الخاصة بهم متاحة للجمهور، آملين أن يستخدمها آخرون لتصميم مواد أكثر أماناً وفعالية. وبينما تعتمد النماذج الحالية على خصائص الجزيئات المعزولة في الفراغ، يقر الباحثون بأن المواد في العالم الحقيقي توجد في أشكال صلبة حيث تتفاعل الجزيئات مع بعضها البعض. وسيتعين على العمل المستقبلي مراعاة هذه التفاعلات، لكن نجاح هذا الأسلوب الجديد يقدم مساراً واعداً للمضي قدماً في فهم الكيمياء المعقدة للاستقرار الحراري.