When Literature Data Mislead Artificial Intelligence in Materials Discovery

تخيل عالماً لا يقضي فيه العلماء سنوات في المختبر لاختبار مادة تلو الأخرى، بل يطلبون من حاسوب مسح ملايين الأوراق البحثية، وإيجاد أفضل الأرقام، والتنبؤ بأي المواد الجديدة ستعمل بشكل أفضل للبطاريات أو الخلايا الشمسية. هذا هو الوعد الذي يقدمه الذكاء الاصطناعي في علم المواد. الفكرة هي أنه إذا استطاع الحاسوب قراءة كل تجربة نُشرت على الإطلاق، فبإمكانه تعلم القواعد الخفية لكيفية سلوك المادة وتصميم المواد المثالية لاحتياجات الطاقة المستقبلية لدينا. لكن هذه الرؤية تعتمد على افتراض هش: وهو أن الأرقام المكتوبة في تلك الأوراق القديمة هي بالضبط ما تدعيه. إذا كتب عالم أن مادة ما توصل الكهرباء بقوة معينة، يفترض الحاسوب أن هذا الرقم حقيقي، وواضح، وجاهز للاستخدام.

لقد وجد فريق من الباحثين في جامعة توهوكو وجامعة طوكيو أن هذا الافتراض خاطئ بشكل خطير. لقد فحصوا بدقة كيفية إبلاغ العلماء عن البيانات المتعلقة بالإلكتروليتات الصلبة، وهي المواد الخاصة التي تسمح للأيونات بالتحرك داخل البطاريات من الجيل التالي. ويكشف تحقيقهم أن الأرقام المستخرجة من الأدبيات العلمية ليست فقط غير دقيقة قليلاً، بل هي مضللة بشكل جوهري. المشكلة ليست في أن العلماء الأصليين ارتكبوا أخطاء، بل في أن الطريقة التي يبلغون بها عن نتائجهم غالباً ما تكون غامضة. قد يكون الرقم صحيحاً في النص ولكنه خاطئ في الرسم البياني، أو قد تختلط الوحدات بطريقة تغير القيمة بمئة ضعف. وعندما تلتقط أنظمة الذكاء الاصطناعي هذه الأرقام لبناء نماذجها، فإنها تتعلم دون علم منها من واقع مشوه، وتتعامل مع الأوصاف الغامضة كحقائق صلبة.

بدأ الباحثون بالتعامل مع الأوراق العلمية ليس كقصص منتهية، بل كمصادر بيانات خام. وقد ركزوا على الموصلية الأيونية، وهي مقياس لمدى سهولة تدفق الكهرباء عبر مادة صلبة. هذه القيمة حاسمة لتحديد ما إذا كانت المادة جيدة بما يكفي للبطارية. في عالم مثالي، سيقوم الباحث بقياس هذه القيمة، ثم يدونها، ويقرأها الشخص التالي ويستخدمها تماماً كما هي. ولكن في الواقع، المسار من دفتر ملاحظات المختبر إلى قاعدة بيانات الحاسوب مليء بالفخاخ الخفية. تتبع الفريق آلاف القيم المبلغ عنها من مقالاتها الأصلية إلى قواعد البيانات المنسقة المستخدمة لتدريب الذكاء الاصطناعي. ووجدوا أن الرحلة غالباً ما تتضمن تخميناً لما قصده المؤلف الأصلي، وكانت تلك التخمينات غير صحيحة في كثير من الأحيان.

كان أحد المشكلات الشائعة التي وجدها الفريق هو عدم التطابق بين النص والأشكال التوضيحية. فقد يكتب العالم في الفقرة الرئيسية أن مادة ما لها موصلية محددة عند درجة حرارة الغرفة، ولكن عندما نظر الباحثون إلى الرسم البياني الفعلي في نفس الورقة، وجدوا أن نقطة البيانات لتلك الدرجة تحكي قصة مختلفة. قد يكون الرقم في النص أعلى قليلاً أو أقل من الرقم الموضح في المخطط. بالنسبة للقارئ البشري، قد يبدو هذا خطأ مطبعياً بسيطاً أو خطأ في التقريب، ولكن بالنسبة للحاسوب، الذي يتعامل مع كل رقم كحقيقة دقيقة، فإن هذا يخلق صراعاً. لا يعرف الحاسوب أي رقم يثق به. وعندما يحدث هذا عبر مئات الأوراق، تصبح قاعدة البيانات مليئة بالمعلومات المتضاربة التي تبدو صحيحة على السطح ولكنها في الواقع غير موثوقة.

وكان مصدر آخر رئيسي للارتباك هو طريقة تسمية الرسوم البيانية. غالباً ما تستخدم الأوراق العلمية مخططات معقدة لإظهار كيفية تغير الموصلية مع درجة الحرارة. عادة ما تحتوي هذه المخططات على محاور ذات تسميات محددة، ولكن في بعض الأحيان تكون تلك التسميات غامضة أو مفقودة تماماً. قد يرسم الباحث قيمة دون توضيح ما إذا كانت تمثل الموصلية الخام أو تحويلاً رياضياً لتلك القيمة. وبدون هذا الوضوح، يمكن لشخصين مختلفين يقرآن نفس الرسم البياني استخراج رقمين مختلفين تماماً. وقد أظهر الفريق أنه اعتماداً على كيفية تفسير المحور، يمكن قراءة نفس نقطة البيانات على أنها موصلية عالية جداً أو منخفضة جداً. هذه الاختلافات ليست أخطاء عشوائية؛ بل هي أخطاء هيكلية تتبع نمطاً، مما يجعل من الصعب جداً على الحاسوب رصدها كخطأ.

وكانت الأخطاء الأكثر خطورة تتعلق بوحدات القياس. في العلم، يمكن الإبلاغ عن الموصلية بوحدات مختلفة، مثل لكل سنتيمتر أو لكل متر. والفرق في وحدة واحدة يمكن أن يغير القيمة بمعامل قدره مئة. وجد الباحثون حالات ذكرت فيها ورقة علمية بوضوح قيمة بوحدة معينة، ولكن الرسم البياني أو مدخل قاعدة البيانات اللاحق تعامل معها كما لو كانت بوحدة أخرى. ولأن الأرقام ظلت تبدو منطقية -أي أنها ضمن النطاق الممكن فيزيائياً لهذه المواد- لم يُلاحظ الخطأ. والحاسوب الذي يقرأ البيانات سيقبل الرقم الخاطئ كحقيقة. وفي حالة محددة فحصها الفريق، أسيء تفسير قيمة بطريقة أدت إلى خطأ بمقدار مئة ضعف. وهذا الخطأ الواحد، بمجرد دخوله في قاعدة بيانات، تم نسخه وإعادة استخدامه من قبل باحثين آخرين ونماذج تعلم آلي، مما نشر الخطأ مثل الفيروس عبر السجل العلمي.

حلل الفريق مجموعة كبيرة من الأوراق حول كل من الإلكتروليتات الصلبة القائمة على الهلام (الجيل) والإلكتروليتات الصلبة غير العضوية. ووجدوا أن عدم التطابق بين النص والشكل كان شائعاً في الإلكتروليتات الهلامية، حيث ظهر في حوالي عشرة بالمائة من الأوراق التي فحصوها. أما بالنسبة للمواد غير العضوية، فقد كانت المشكلات أكثر تنوعاً، حيث كانت التناقضات في الوحدات هي القضية الأكثر تكراراً. وفي عينة من ستة عشر حالة غير عضوية، حدد الباحثون خمسة وعشرين حالة منفصلة من غموض الإبلاغ. وهذا يعني أن ورقة واحدة يمكن أن تحتوي على أنواع متعددة من الأخطاء. وأظهرت البيانات أن هذه لم تكن مجرد حوادث معزولة من الإهمال، بل كانت مشكلة هيكلية في كيفية إيصال النتائج العلمية. حتى الخبراء في هذا المجال واجهوا صعوبة في تفسير البيانات بشكل صحيح دون وضع افتراضات، مما يشير إلى أن المشكلة متجذرة بعمق في النظام الحالي للنشر العلمي.

ويرى الباحثون أن هذا ليس مجرد مشكلة لأمناء المكتبات أو مديري قواعد البيانات؛ بل هو أزمة لمستقبل الذكاء الاصطناعي في العلوم. فنماذج تعلم الآلة جيدة بقدر جودة البيانات التي تُغذى بها. وإذا كانت بيانات التدريب مليئة بالغموض الخفي وأخطاء الوحدات، فسوف يتعلم النموذج الأنماط الخاطئة. قد يتنبأ بأن مادة ما ممتازة بينما هي في الواقع عديمة الفائدة، أو قد يغفل عن مرشح لابتكار ثوري تماماً. ووجد الفريق أن هذه الأخطاء تعمل كنوع من "الضجيج المسمّى المهيكل". وخلافاً للأخطاء العشوائية التي قد تتلاشى بالمتوسط، فإن هذه الأخطاء ثابتة ومنتظمة، مما يعني أنها يمكن أن تحيز تعلم الحاسوب في اتجاه محدد. والنتيجة هي نموذج يبدو واثقاً ولكنه معيب بشكل جوهري.

ولإصلاح ذلك، يقترح المؤلفون معياراً جديداً لكيفية إبلاغ العلماء عن نتائجهم. ويقترحون أن يكون الباحثون أكثر صراحة بشأن التفاصيل التي يتم إغفالها حالياً. يجب أن يوضح كل رسم بياني بدقة ما يتم رسمه وما هي وحداته. كما يجب أن تكون درجة الحرارة التي قيست عندها القيمة دقيقة، وليس مجرد وصفها بأنها "درجة حرارة الغرفة". ويجب على المؤلفين توضيح ما إذا كان الرقم مقاساً مباشرة أو محسوباً من منحنى. قد تبدو هذه تفاصيل صغيرة ومملة، لكن الباحثين يصرون على أنها أساس العلم الموثوق. فبدونها، لا يمكن إعادة استخدام البيانات بأمان من قبل الحواسيب أو علماء آخرين.

وتخلص الدراسة إلى أن موثوقية البيانات العلمية هي قضية بنية تحتية، لا تقل أهمية عن الخوارزميات أو الحواسيب نفسها. ومع انتقال العلم نحو مستقبل يساعد فيه البشر الآلات في اكتشاف مواد جديدة، يجب جعل السجل البشري للتجارب قابلاً للقراءة آلياً بالمعنى الحقيقي. وهذا لا يعني مجرد وجود أرقام، بل وجود أرقام غير غامضة، وقابلة للتتبع، ومتسقة. ويؤكد الباحثون أن تحسين جودة البيانات ليس مهمة تحريرية ثانوية، بل هو شرط مسبق للجيل القادم من الاكتشافات العلمية. فإذا كانت المدخلات معيبة، ستكون المخرجات معيبة، بغض النظر عن مدى ذكاء الذكاء الاصطناعي. ويتطلب الطريق إلى الأمام تحولاً في الثقافة، حيث تُقدر وضوح التقارير بقدر تقدير الاكتشاف نفسه، لضمان بناء المستقبل الرقمي للعلم على أساس صلب.