Interpretable physics-informed retrieval-augmented generation language model for end-to-end inorganic crystal synthesis planning
تقدم هذه الورقة البحثية نموذج PIRAG-LM، وهو نموذج توليد معزز بالاسترجاع مستند إلى الفيزياء وقابل للتفسير، يستفيد من قاعدة معرفية مهيكلة تضم أكثر من 13,000 سجل تجريبي للتنبؤ بدقة وتخطيط مسارات تخليق البلورات غير العضوية من البداية إلى النهاية، مما نجح في توجيه التحقيق التجريبي لخمسة مركبات جديدة.
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
على مدى عقود، كانت عملية اكتشاف المواد الصلبة الجديدة بمثابة لعبة ذات شقين. فمن ناحية، يمكن للحواسيب القوية التنبؤ بوجود عدد لا يحصى من البلورات الجديدة، وحساب كيفية ترتيب ذراتها لتشكيل هياكل مستقرة. ومن ناحية أخرى، يتعين على الكيميائيين البشر اكتشاف كيفية بنائها فعلياً في المختبر. وهذه الخطوة الثانية صعبة للغاية؛ فمعرفة أن مادة ما يمكن أن توجد تختلف تماماً عن معرفة كيفية صنعها. قد يخبرك الحاسوب أن بلورة جديدة مستقرة، لكنه لا يستطيع إخبارك أي المساحيق يجب خلطها، أو درجة الحرارة التي يجب تسخينها إليها، أو ما إذا كانت العملية تتطلب فراغاً خاصاً أو ضغطاً ساحقاً. ولفترة طويلة، تطور هذان العالمان — التنبؤ النظري والوصفة العملية — بشكل منفصل، مما ترك فجوة واسعة بين ما يمكننا تخيله وما يمكننا ابرازه.
قام فريق من الباحثين الآن ببناء جسر عبر هذه الفجوة باستخدام نوع جديد من الذكاء الاصطناعي. فقد طوروا نظاماً لا يكتفي بالتخمين، بل يقرأ تاريخ الكيمياء ليجد المسار الصحيح للمضي قدماً. وبدلاً من معاملة إنشاء مادة جديدة كمسألة بسيطة (نعم أو لا)، يعامل النظام الأمر كمسألة تخطيط معقدة. فهو ينظر إلى المادة المستهدفة ويتساءل: "ما الذي صنعناه من قبل يشبه هذا؟" ثم يستعرض وصفات محددة من تجارب واقعية من الماضي. ومن خلال الجمع بين هذه السجلات التاريخية وقوانين الفيزياء، يمكن للنظام اقتراح خطة خطوة بخوة لصنع بلورة جديدة، بما في ذلك المكونات الدقيقة والظروف اللازمة.
جوهر هذا العمل هو مكتبة ضخمة ومنظمة من المعرفة تسمى "قاعدة معرفة التخليق المهيكلة" (Structured Synthesis Knowledge Base). لقد غدّى الباحثون هذا النظام بمعلومات عن 13,820 بلورة غير عضوية مختلفة تم تصنيعها بنجاح في المختبرات حول العالم. لم يكتفوا بتخزين أسماء هذه المواد فحسب، بل فككوا قصص كيفية صنعها. فلكل بلورة، سجل النظام الطريقة المحددة المستخدمة، والمواد الكيميائية الأولية، ودرجات الحرارة، والضغوط. ولجعل هذه البيانات مفيدة للحاسوب، ترجموا لغة الهياكل البلورية المعقدة إلى أوصاف بسيطة يمكن للذكاء الاصطناعي فهمها، وربطوا شكل الذرات بالطرق المستخدمة لتجميعها.
عندما يريد عالم إنشاء مادة جديدة، يبدأ هذا النظام، الذي يسمونه PIRAG-LM، بالبحث عن سوابق. فهو لا يبحث ببساطة عن كلمات تبدو متشابهة، بل يستخدم ثلاث عدسات مختلفة لإيجاد أفضل المطابقات. أولاً، يتحقق من التشابه الكيميائي، بالبحث عن مواد مكونة من نفس أنواع الذرات. ثانياً، يتحقق من التشابه الهيكلي، بإيجاد مواد تشترك في نفس الترتيب الهندسي للذرات. ثالثاً، وهو الأهم، يتحقق من التشابه الديناميكي الحراري، والذي يتعلق بمقدار الطاقة التي تحملها المادة ومدى استقرارها. ومن خلال الجمع بين هذه المنظورات الثلاثة، يجد النظام الأمثلة التاريخية الأكثر صلة، حتى لو صُنعت قبل عقود أو في مختبر مختلف تماماً.
بمجرد أن يجد النظام هذه السوابق التاريخية، يستخدم نموذج لغة كبير ليعمل كمحرك للاستنتاج. فهو يأخذ وصفات الماضي ويكيفها لتناسب المادة الجديدة. ويقترح قائمة من المسارات المرشحة، مقترحاً أي المواد الكيميائية يجب خلطها وما هي الظروف التي يجب تطبيقها. والأهم من ذلك، أنه لا يعطي مجرد إجابة، بل يشرح منطقه؛ حيث يمكنه الإشارة إلى تجربة ماضية محددة والقول: "نقترح هذه الدرجة من الحرارة لأن مادة مشابهة صُنعت عند هذه الحرارة"، أو "نوصي بهذه المادة الكيميائية لأنها نجحت مع مادة ذات نفس البنية الذرية". وهذا يجعل العملية شفافة، مما يسم يسمح للخبراء البشريين برؤية مصدر النصيحة بدقة والتحقق منها.
اختبر الباحثون هذا النظام عبر سؤاله عن كيفية صنع مواد تم تسجيلها في الأدبيات العلمية بين عامي 2021 و2026، باستخدام المعرفة المتاحة فقط قبل عام 2021. وكان النظام دقيقاً بشكل ملحوظ؛ فقد تنبأ بشكل صحيح بالطريقة العامة للتخليق لـ 87.2% من المواد، وهو تحسن كبير عن استخدام نموذج لغة وحده، والذي أصاب في 72.1% فقط. وعندما تم تحسين النظام بشكل أكبر ليشمل بيانات محددة حول الاستقرار تحت الضغط العالي وتقنيات نمو الطبقات الرقيقة، ارتفقت دقته إلى 91.4%. وقد أثبت هذا أن النظام لم يكن يحفظ النصوص فحسب، بل كان يفهم حقاً العلاقات الفيزيائية بين المواد والطرق المستخدمة لإنشائها.
ولإثبات أن هذا النهج يعمل في العالم الحقيقي، لم يتوقف الفريق عند المحاكاة الحاسوبية. فقد أخذوا خمس مركبات جديدة تماماً لم تُصنع من قبل، وطلبوا من النظام تصميم خطة تخليق لكل منها. تضمنت هذه المواد مكونات محتملة لخلايا الوقود ومرشحات للتحكم في كيفية تمدد أو انكماش الأجسام مع الحرارة. أنتج النظام خططاً مفصلة، مقترحاً مساحيق أولية وجداول تسخين محددة. توجه الباحثون بعد ذلك إلى المختبر واتبعوا هذه الخطط، مع تحسين الظروف بناءً على التقييم الخبير والتغذية الراجعة التجريبية. وقد نجحوا في إنشاء جميع المركبات الخمسة الجديدة. طابقت البلورات التي أنتجوها التنبؤات النظرية، مما أكد أن الذكاء الاصطناعي قدم خارطة طريق قابلة للتطبيق من النظرية إلى الواقع، مع ضرة التكرار الخبير لتحديد الظروف العملية المحددة لكل مادة.
ما يجعل هذا الإنجاز قوياً بشكل خاص هو كيفية تعامل النظام مع حدوده. فإذا واجه النظام مادة تتطلب ضغطاً عالياً جداً أو تقنية خاصة لنمو الطبقات الرقيقة ليست ممثلة جيداً في مكتبته، فيمكن تحديثه فوراً. يقوم الباحثون ببساطة بإضافة سجلات جديدة حول تجارب الضغط العالي أو نمو الطبقات الرقيقة إلى قاعدة البيانات، ويتعلم النظام فوراً اقتراح تلك الطرق للأهداف المستقبلية. لا توجد حاجة لإعادة تدريب الذكاء الاصطناعي بالكامل أو البدء من جديد. هذه المرونة تعني أن الأداة يمكن أن تنمو وتتحسن مع اكتشاف العلماء المزيد عن العالم الفيزيائي، مما يقلص باستمرار المسافة بين ما يمكننا حسابه وما يمكننا بناؤه.
يوحي نجاح هذا المشروع بطريق جديد لأمام علم المواد. فهو ينقل المجال بعيداً عن الرؤية الثنائية التي تعتبر المادة إما ممكنة أو مستحيلة، نحو فهم أكثر دقة لكيفية صنعها. ومن خلال ربط القوانين المجردة للفيزياء بالواقع العملي الفوضوي للتجارب المختبرية، يوفر هذا النظام مساراً واضحاً وقائماً على الأدلة للاكتشاف. إنه يظهر أنه عندما يكون الذكاء الاصطناعي راسخاً في الواقع الفيزيائي والبيانات التاريخية، فإنه يستطيع فعل ما هو أكثر من مجرد التنبؤ؛ بل يمكنه توجيه الأيدي البشرية في خلق مواد المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.