Fourier Neural Operators for Composition-Driven Crystal Structure Discovery
تقدم هذه الورقة إطار عمل قابلاً للتوسع لاكتشاف البنى البلورية يجمع بين حلّال يعتمد على مُعامل نيورال فوريه، القادر على التقاط الارتباطات الدورية بعيدة المدى، وبين مشفر تلقائي تبايني شرطي لتوليد بنى بلورية متنوعة وصحيحة من تركيبات كيميائية محددة.
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
إن البحث عن مواد جديدة هو سعي قديم قدم الحضارة نفسها، مدفوعاً بالحاجة إلى تخزين الطاقة بكفاءة أكبر، وبناء إلكترونيات أسرع، وابتكار محفزات يمكنها تغيير عالمنا الصناعي. وفي قلب هذا البحث تكمن البلورة، وهي مادة صلبة حيث تترتب الذرات في نمط متكرر ثلاثي الأبعاد. إن الطريقة المحددة التي تتراص بها هذه الذرات هي التي تحدد ما إذا كانت المادة ستكون ماساً صلباً، أو معدناً ليناً، أو موصلاً فائقاً. ومع ذلك، فإن كون عالم الهياكل البلورية الممكنة شاسعاً للغاية، فإن محاولة العثور على هيكل جديد من خلال اختبار كل توليفة من العناصر تشبه البحث عن حبة رمل معينة في كل شواطئ الأرض. تحاول طرق الحوسبة التقليدية حل هذه المعضلة عبر محاكاة طاقة ملايين الهياكل المرشحة، لكن هذه العملية بطيئة ومكلفة للغاية لدرجة أنها لا تستطيع استكشاف سوى جزء ضئيل من الاحتمالات.
في السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناعي للإبحار في هذه البرية الكيميائية. تتعلم هذه النماذج الجديدة من قواعد البيانات الموجودة للبلورات المعروفة، وتستوعب القواعد الخفية التي تحكم كيفية ترتيب الذرات لنفسها. ويمكنها بعد ذلك اقتراح هياكل جديدة تماماً لم يسبق رؤيتها من قبل. ومع ذلك، حتى أنظمة الذكاء الاصطناعي المتقدمة هذه تواجه عقبة كبيرة: فهي غالباً ما تكافح لالتقاط الروابط بعيدة المدى التي تحدد الطبيعة المتكررة للبلورة، وعندما تحاول توليد صور ثلاثية الأبعاد معقدة للذرات، فإنها كثيراً ما تنتج نتائج ضبابية أو مستحيلة فيزيائياً. وقد طور فريق من الباحثين الآن نهجاً جديداً يتجاوز هذه القيود، ويقدم طريقة أسرع وأكثر موثوقية لاكتشاف بلورات مستقرة من مجرد قائمة بسيطة من المكونات.
قام الباحثون، الذين يعملون في جامعة العلوم والتكنولوجيا في الصين، بإنشاء نظام يسمى CrystalFNO. وبدلاً من محاولة تخمين الموضع الدقيق لكل ذرة في قفزة واحدة هائلة، قاموا بتقسيم المشكلة إلى خطوتين متميزتين. أولاً، يأخذ النظام صيغة كيميائية — أي وصفة العناصر، مثل الكالسيوم والبالاديوم والأكسجين — ويولد مجموعة من الأشكال المرشحة لحاوية البلورة، والمعروفة باسم معاملات الشبكة (lattice parameters). فكر في الأمر كأنك تحدد حجم وزوايا الصندوق الذي سيحتوي الذرات. وللقيام بذلك، استخدموا نوعاً من الشبكات العصبية المدربة على فهم العلاقة بين الوصفة الكيميائية والصندوق الهندسي الذي تناسبه عادةً.
بمجرد اقتراح "صندوق" مرشح، ينتقل النظام إلى خطوته الثانية الأكثر ابتكاراً: التنبؤ بكيفية ملء الذرات لهذا الفراغ. هنا، استبدل الباحثون الأدوات القياسية المستخدمة في نماذج الذكاء الاصطناعي السابقة بنوع جديد من الحلول يعتمد على مشغلات فورييه العصبية (Fourier neural operators). وبينما تنظر الطرق التقليدية إلى البلورة من خلال فحص جيران الذرات المحليين الصغار، ينظر هذا الحل الجديد إلى الهيكل بأكمله دفعة واحدة، محللاً الأنماط المتكررة عبر الشبكة الكاملة. وهذا يسمح له بالتقاط الروابط بعيدة المدى الضرورية لاستقرار البلورة. يتنبأ الحل بمجالين غير مرئيين: أحدهما يوضح أين يُحتمل وجود الذرات، والآخر يشير إلى نوع الذرات. هذه المجالات هي خرائط سلسة ومستمرة وليست مجرد قائمة من الإحداثيات، مما يساعد الذكاء الاصطناعي على تجنب الارتباك الذي غالباً ما يصيب النماذج الأخرى عند التعامل مع الأنماط المعقدة والمتكررة.
ومع الحصول على هذه المجالات المتوقعة، يقوم النظام بعد ذلك بإعادة بناء الهيكل البلوري الفعلي. فهو يحدد القمم في خرائط الكثافة لوضع الذرات، ويحسن مواضعها لضمان ملاءمتها تماماً للشكل المتوقع، ويخصص أنواع العناصر الصحيحة بناءً على المجال الثاني. هذه العملية تحول التنبؤات المجردة والسلسة مرة أخرى إلى ترتيب مادي ثلاثي الأبعاد للذرات. ولضمان أن هذه الهياكل الجديدة ليست مجرد فضول رياضي بل هي احتمالات حقيقية فيزيائياً، أخضع الفريق هذه الهياكل لعملية فحص صارمة. قاموا أولاً بتصفية الهياكل المعيبة بوضوح، ثم استخدموا نموذجاً للتعلم الآلي لتهدئة الذرات (relax)، مما يسمح لها بالاستقرار في أكثر مواضعها استقراراً وانخفاضاً في الطاقة. وأخيراً، أجروا حسابات عالية المستوى للتحقق مما إذا كانت البلورات الناتلة ستتماسك أم ستنهار.
تم اختبار نتائج هذا النهج الجديد مقابل قاعدة بيانات واسعة من المواد المعروفة. نجح النظام في توليد هياكل مبتكرة لأكثر من مائة صيغة كيميائية مختلفة. وفي اختبار هام، وجد الباحثون أن النظام يمكنه إنتاج بلورات مستقرة ومعقولة هندسياً لم تكن موجودة في أي قاعدة بيانات معروفة. ومن بين آلاف المرشحين الذين تم توليدهم، اجتاز المئات منها فحوصات الاستقرار الصارمة، بما في ذلك بعض الهياكل ذات التركيبات المعقدة من عناصر مثل الفضة واللانثانوم والسيليكون. وأظهرت الدراسة أن الطريقة الجديدة فعالة بشكل خاص في التعامل مع البلورات عالية التماثل، حيث تكون الأنماط المتكررة قوية وواضحة، رغم أنها لا تزال تواجه تحديات مع الهياكل الأقل تماثلاً والأكثر عدم انتظام، حيث يكون ترتيب الذرات أقل قابلية للتنبؤ.
وعلى نحو حاسم، حدد الباحثون صعوبة جوهرية في مهمتهم: التنبؤ بالهيكل البلوري من صيغة كيميائية ليس لغزاً بسيطاً من طرف واحد. فالمجموعة نفسها من المكونات وحجم الصندوق يمكن أن تتوافق أحياناً مع ترتيبات ذرية مختلفة، وهي ظاهرة تُعرف باسم تعدد الأشكال (polymorphism). ولأن نظامهم حتمي، فإنه يتعلم التنبؤ بالترتيب الأكثر شيوعاً الذي رآه أثناء التدريب. وعند مواجهة ترتيب نادر أو غير عادي، قد ينتج نتيجة قريبة ولكنها ليست مثالية. وقد أقر الفريق بهذا القصور، مشيرين إلى أن نجاح النظام يعتمد بشدة على تماثل البلورة؛ فكلما كان الهيكل أكثر تماثلاً، زادت دقة قدرة النظام على التنبؤ بمجالات الكثافة وإعادة بناء المادة النهائية.
رغم هذه التحديات، يمثل هذا العمل خطوة كبيرة للأمام في مجال اكتشاف المواد. فمن خلال فصل عملية توليد "حاوية" البلورة عن التنبؤ بمحتوياتها، وباستخدام محلل يفهم الأنماط العالمية بدلاً من مجرد التفاصيل المحلية، نجح الباحثون في إنشاء مسار قابل للتوسع للعثور على مواد جديدة. لا يكتفي النظام بمحاكاة البلورات الموجودة، بل يستكشف الفضاء الشاسع للاحتمالات للعثور على هياكل مستقرة ومبتكرة يمكنها يوماً ما تشغيل تقنيات جديدة. وتؤكد الدراسة أنه بينما المهمة معقدة والربط من الوصفة إلى الهيكل ليس فريداً دائماً، فإن دمج المشغلات العصبية المتقدمة مع الفحص الفيزيائي الدقيق يوفر أداة قوية جديدة للعلماء لاكتشاف مواد المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.