Bayesian Optimization for Self-Driving Materials Laboratories: From Algorithms to Physics-Informed Workflows

في عالم علم المواد، غالبًا ما يكون ابتكار مادة جديدة بمثابة لعبة تعتمد على الحظ والحدس. يخلط الباحثون المواد الكيميائية، ويسخنونها إلى درجات حرارة محددة، أو يضعون طبقات من الأفلام الرقيقة، آملين في العثور بمحض الصدفة على مادة ذات خصائص مثالية لخلية شمسية، أو بطارية، أو شريحة كمبيوتر. تكمن المشكلة في أن عدد التركيبات الممكنة هائل لدرجة أن اختبارها جميعًا يدويًا قد يستغرق قرونًا. علاوة على ذلك، فإن العملية فوضوية؛ فقد يؤدي تغيير طفيف في درجة الحرارة إلى إتلاف عينة، أو قد ينحرف جهاز عن المعايرة، مما يجعل من الصعب معرفة ما إذا كانت النتيجة جيدة أم مجرد ضربة حظ. لعقود من الزمن، اعتمد العلماء على خبراتهم ومشاعرهم الحدسية للتنقل عبر هذا التعقيد، لكن الحجم الهائل للاحتمالات جعل البحث عن مواد أفضل بطيئًا وغير فعال.

ولحل هذه المشكلة، ظهر نهج جديد: المختبر ذاتي القيادة. تخيل نظامًا روبوتيًا يمكنه خلط المواد الكيميائية، وإجراء الاختبارات، وتحليل النتائج، واتخاذ القرار بشأن ما يجب تجربته بعد ذلك، كل ذلك دون أن تلمس يد بشرية وعاءً مخبريًا. وفي قلب هذا الأتمتة يوجد محرك اتخاذ قرار يسمى "التحسين البايزي" (Bayesian optimization). فكر فيه كدليل ذكي يتعلم من كل تجربة، حتى من الإخفاقات. إنه يبني خريطة ذهنية لمساحة البحث، ويتنبأ بمكان اختباء أفضل المواد، مع إدراك الأماكن التي من المرجح أن يتعلم منها شيئًا جديدًا. تستعرض هذه الورقة المراجعية، التي كتبها باحثون في شركة NTT، كيف يتم تطوير هذه التكنولوجيا للتعامل مع الواقع الفوضوي للعلوم الحقيقية. فهي تتجاوز النظرية البسيطة لتوضح كيف يتم تكييف هذه الخوارزميات للتعامل مع العينات التالفة، والبيانات المفقودة، والفيزياء المعقدة التي تحكم سلوك المواد.

توضح الورقة أنه بينما تبدو الفكرة الأساسية لاستخدام الكمبيوتر لتوجيه التجارب قوية، فإن النسخة النموذجية للخوارزمية الموجودة في الكتب المدرسية غالبًا ما تفشل في المختبر الحقيقي. في العالم المثالي، ستنجح كل تجربة وتكون كل عملية قياس مثالية. ولكن في الواقع، قد تفشل وصفة مقترحة في إنشاء المادة المطلية، أو قد يتعطل مستشعر ما، أو قد يكون إجراء قياس معين مكلفًا جدًا لإجرائه على كل عينة. ويجادل المؤلفون بأنه لجعل المختبرات ذاتية القيادة مفيدة حقًا، يجب تعليم برامج التحسين كيفية التعامل مع هذه العيوب. يجب أن تعرف كيف تتعامل مع التجربة الفاشلة ليس كخسارة، بل كمعلومات قيمة تخبر النظام أين لا يبحث. كما يجب أن تتعلم كيفية الموازنة بين تكلفة إجراء اختبار سريع وخشن وبين قيمة اختبار بطيء ودقيق، ويجب أن تكون قادرة على إجراء تجارب متعددة في وقت واحد دون ارتباك.

يركز جزء كبير من المراجعة على دمج المعرفة البشرية في عملية التعلم الآلي. وبدلاً من معاملة المادة كغموض كامل، يظهر الباحثون كيف يمكن للعلماء تغذية الخوارزمية بالقوانين الفيزيائية المعروفة، مثل كيفية ترتيب الذرات لأنفسهم أو كيفية تأثير الحرارة على التفاعلات الكيميائية. ومن خلال بناء هذه القواعد داخل البرنامج، لا يحتاج النظام إلى البدء من الصفر في كل مرة؛ إذ يمكنه استخدام ما هو معروف بالفعل لتقديم تخمينات أكثر ذكاءً، مما يسرع عملية الاكتشاف بشكل كبير. على سبيل المثال، في إحدى الدراسات المذكورة، استخدم النظام الفيزياء المعروفة لتوجيه نمو نوع معين من البلورات، حيث توصل إلى نتيجة عالية الجودة في محاولات أقل بكثير مما كان سيتطلبه البحث الحاسوبي القياسي. هذا النهج، الذي يسمبه المؤلفون "التحسين المستند إلى الفيزياء"، يسد الفجوة بين الحدس البشري وسرعة الآلة.

ثم تستعرض الورقة مجموعة واسعة من النجاحات الأخيرة حيث أدت هذه الأساليب إلى اختراقات علمية ملموسة. في مجال أشباه الموصلات، ساعدت المختبرات ذاتية القيادة في إنشاء أول أفلام أحادية البلورة لمادة تسمى "بيتا غاليوم أوكسيد" باستخدام طريقة تسمى "الترذيذ" (sputtering)، وهو إنجاز استعصى على العلماء لسنوات. وفي مجال الحفز، ساعدت هذه التكنولوجيا في تحديد مادة "بيروفسكايت أكسيد" جديدة أظهرت جهداً زائداً جوهرياً قدره 391 ميلي فولت، مما جعلها ضمن أدنى القيم المسجلة لأكاسيد البيروفسكايت رباعية المعادن، وأظهرت كفاءتها العالية للتفاعلات المتعلقة بإنتاج الهيدروجين النظيف. وفي أبحاث البطاريات، وجهت الخوارزميات البحث عن مخاليط إلكتروليت جديدة تسمح للبطاريات بالاستمرار لفترة أطول والشحن بشكل أسرع. ولعل الأمر الأكثر إثارة للإعجاب هو أنه في مجال المواد الكمومية، ساعدت هذه الأنظمة في تخليق أفلام عالية الجودة لمادة تسمى "سترونتيوم روثينات". كانت هذه الأفلام نقية ومنظمة للغاية لدرجة أنها سمحت للعلماء بملاحظة سلوكيات كمومية نادرة كانت مخفية بسبب الاضطراب في العينات السابقة.

لا تكتفي المراجعة بالاحتفاء بهذه الانتصارات فحقة، بل تضع أيضًا مسارًا واضحًا للمستقبل والعقبات المتبقية. يشير المؤلفون إلى أنه مع تشغيل هذه المختبرات لفترات أطول، تتغير الآلات نفسها؛ حيث تتآكل الأجزاء، وتتقادم المواد الكيميائية، وتنزاح الظروف، مما قد يربك الخوارزميات إذا لم تكن مصممة لملاحظة هذه التحولات. كما يسلطون الضوء على تحدي التعامل مع البيانات التي تأتي في أشكال مختلفة، مثل الصور والأطياف والقراءات الكهربائية، والتي تحتاج إلى دمجها في صورة واحدة لجودة المادة. وأخيرًا، تتصور الورقة مستقبلًا تقوم فيه هذه الأنظمة بما هو أكثر من مجرد إيجاد الرقم الأفضل؛ حيث تبدأ في فهم "السبب" وراء النتائج. الهدف هو الانتقال من مجرد تحسين عملية ما إلى توليد معرفة علمية جديدة، حيث يمكن للآلة اقتراح فرضيات وتصميم تجارب لاختبارها، لتصبح فعليًا شريكًا في عملية الاكتشاف العلمي.

في نهاية المطاف، تعمل هذه الورقة كدليل عملي لتحويل مفهوم المختبر ذاتي القيادة إلى واقع موثوق. وهي تجادل بأن مستقبل اكتشاف المواد لا يكمن في استبدال العلماء بالروبوتات، بل في خلق شراكة حيث تتولى الخوارزميات عبء البحث عبر ملايين الاحتمالات، بينما توجه الخبرة البشرية النظام بالقوانين الفيزيائية والحكم العلمي. ومن خلال معالجة التحديات العملية المتمثلة في الفشل والتكلفة والتعقيد، ومن خلال دمج المعرفة البشرية في الكود البرمجي، فإن هذه الأنظمة مهيأة لتسريع اكتشاف المواد التي يمكن أن تدعم الجيل القادم من التكنولوجيا. إن الرحلة من مجرد حلقة تحسين بسيطة إلى محرك مولد للمعرفة هي مجرد بداية، لكن المسار نحو المستقبل أصبح واضحًا بشكل متزايد.