في سعيها لتصميم مواد جديدة، تعتمد العلماء غالبًا على أداة قوية ولكنها مكلفة حاسوبيًا تُعرف بنظرية الدالة الوظيفية للكثافة. تعمل هذه الطريقة بمثابة مجهر افتراضي، حيث تحسب كيفية ترتيب الإلكترونات حول الذرات لتحديد خصائص المادة، مثل قوتها، أو موصليتها، أو قدرتها على توصيل الحرارة. ورغم دقتها، إلا أن هذه الحسابات بطيئة للغاية لدرجة أن اختبار بضعة آلاف فقط من الهياكل المرشحة قد يستغرق سنوات. ولتسريع العملية، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديدًا نوع من النماذج يُعرف بالشبكة العصبية الرسومية. تتعامل هذه الشبكات مع البلورة ليس كمجموعة من الأرقام، بل كخريطة من الاتصالات، حيث تكون الذرات نقاطًا والروابط بينها خطوطًا. ومن خلال التعلم من آلاف البلورات المعروفة، يمكن لهذه الخرائط التنبؤ بالخصائص في جزء ضئيل من الثانية. ومع ذلك، ظلت هذه النماذج الذكية لسنوات هشة، إذ تتطلب مكتبات برمجية متخصصة غالبًا ما تتعطل عند تحديث الأجهزة الحاسوبية، كما كانت محدودة بالتنبؤ بشيء واحد فقط في كل مرة، مما يضطر العلماء لتشغيل نماذج منفصلة وغير مترابطة لمهام مختلفة.

لقد قدم فريق من الباحثين الآن إطارًا موحدًا جديدًا يسمى ALIGNN 2.0، والذي يحل هذه المشكلات عبر إعادة بناء النظام بأكمله من الصفر باستخدام مكونات برمجية قياسية ومتاحة على نطاق واسع. هذا النهج الجديد يلغي الحاجة إلى المكتبات المتخصصة التي يصعب صيانتها، مما يجعل النماذج أسهل في التثبيت والتشغيل على أحدث الرقائق الحاسوبية. والأهم من ذلك، أنه يوحد سير العمل بأك its: حيث يمكن لنموذج واحد الآن التنبؤ بمجموعة واسعة من الخصائص المختلفة من هيكل بلوري واحد، بدءًا من الأرقام البسيطة مثل الطاقة وصولًا إلى الأشكال المعقدة مثل أطياف الاهتزاز وحتى القوى التي تمسك الذرات ببعضها البعض. وهذا يسمح للعلماء بمحاكاة كيفية حركة المادة وتغيرها، وهي مهمة كانت تتطلب سابقًا نوعًا مختلفًا تمامًا من النماذج. وقد وجد الباحثون أنه بينما يعمل أسلوب معين لربط الذرات بشكل أفضل للتنبؤ بالخصائص الساكنة، فإن طريقة اتصال مختلفة قليلاً تعد ضرورية لمحاكة الحركة دون كسر قوانين الفيزياء. ومن خلال إتقان كليهما، يمكن للنظام الجديد فحص ملايين المواد بحثًا عن الموصلات الفائقة، والتنبؤ بكيفية اهتزازها عند تسخينها، وحتى توليد هياكل بلورية جديدة لم توجد بعد.

يكمن جوهر هذا الإنجاز في كيفية "رؤية" النموذج للمادة. فالنماذج التقليدية غالبًا ما تنظر إلى الذرات والخطوط المستقيمة التي تربطها، لكن هذا النظام الجديد يضيف طبقة ثانية من الرؤية: خريطة للزوايا بين تلك الخطوط. وهذا يسمح للذكاء الاصطناعي بفهم الهندسة ثلاثية الأبعاد للبلورة، وهو أمر بالغ الأهمية للتنبؤ بخصائص مثل كيفية انثناء المادة تحت الضغط أو كيفية توصيلها للكهرباء. وقد اختبر الباحثون هذا الإطار الجديد مقابل ثلاثين مهمة مختلفة، من التنبؤ بالطاقة اللازمة لنزع طبقة من مادة ما إلى حساب درجة الحرارة التي تصبح عندها المادة موصلة فائقة. وفي ست وعشرين اختبارًا من هذه الاختبارات، تفوق النموذج الجديد على أفضل النسخ السابقة، مُظهرًا تحسينات كبيرة في التنبؤ بالاستجابات المعقدة مثل الكهروضغطية (piezoelectricity)، وهي القدرة على توليد الكهرباء عند ضغط المادة. كما أثبت النظام قدرته على التنبؤ بالطيف الكامل للضوء الذي تمتصه المادة أو تبعثه، محاكيًا نتائج المحاكاة الفيزيائية التقليدية الأكثر بطئًا.

وبعيدًا عن مجرد التنبؤ بما ستفعله مادة معروفة، أظهر الباحثون أن هذا الإطار يمكنه العمل بشكل عكسي لابتكار مواد جديدة. فمن خلال تغذية النموذج بتركيبة كيميائية مرغوبة وخاصية مستهدفة، مثل درجة حرارة معينة للموصلية الفائقة، يمكن للنظام توليد قائمة من الهياكل البلورية المرشحة التي قد تمتلك تلك السمات. وفي اختبارات شملت أكثر من مائة ألف مادة محتملة، نجح النظام في تحديد الموصلات الفائقة المعروفة ذات الحرارة العالية وتوقع سلوكها بدقة عالية. بل ذهب إلى أبعد من ذلك بالتنبؤ بالشكل الكامل لتفاعل الإلكترون-فونون، وهو خريطة تفصيلية لكيفية تفاعل الإلكترونات مع الاهتزازات الذرية، وهو أمر أساسي لفهم الموصلية الفائقة. وتسمح هذه القدرة للباحثين بفحص قواعد بيانات ضخمة من المواد وإيجاد المرشحين الواعدين للتطبيقات الواقعية دون الحاجة إلى تصنيعهم أولاً.

تصبح قوة هذا النهج الموحد أكثر وضوحًا عند النظر في كيفية تعامله مع الحركة الفيزيائية للذرات. فقد كانت النماذج السابقة قادرة على التنبؤ بطاقة بلورة ساكنة، لكنها غالبًا ما فشلت عندما طُلب منها محاكاة حركة البلورة، لأن تنبؤاتها كانت تقفز بشكل عشوائي مع تحرك الذرات قليلًا. ومع ذلك، ينتج نموذج ALIGNN 2.0 الجديد تنبؤات سلسة ومستمرة تحافظ على الطاقة، مما يسمح له بقيادة عمليات محاكاة واقعية لكيفية سلوك المواد تحت الإجهاد أو درجات الحرارة العالية. وقد اختبر الباحثون ذلك من خلال محاكاة سلوك السيليكون ومواد أخرى، ووجدوا أن النموذج ظل مستقرًا لفترات طويلة، وهو مطلب حاسم لأي أداة تُستخدم لتصميم الأجهزة الواقعية. هذا الاستقرار يعني أنه يمكن استخدام نفس النموذج لتهدئة الهيكل للوصول إلى أدنى حالة طاقة له، وحساب قواه، ثم استخدام تلك القوى فورًا لمحاكاة كيفية اهتزازه أو توصيله للحرة، وكل ذلك ضمن سير عمل واحد وسلس.

تمتد تداعيات هذا العمل إلى الطريقة التي يراقب بها العلماء المواد. فقد أظهر الباحثون أن النموذج نفسه يمكنه التنبؤ ليس فقط بالهيكل والطاقة، بل أيضًا بالصور التفصيلية التي ستظهر في المجهر الإلكتروني. فمن خلال حساب كيفية اهتزاز الذرات عند درجة حرارة الغرفة، استطاع النظام محاكاة البقع الساطعة والضبابية التي تظهر في الصور عالية الدقة للذرات الثقيلة، مطابقةً نتائج المحاكاة الفيزيائية المعقدة. وهذا يخلق حلقة مغلقة حيث يمكن للنموذج التنبؤ بهيكل ما، ومحاكاة كيف سيبدو تحت المجهر، ثم استخدام تلك الصورة المحاكاة للتحقق من خصائص الهيكل. كما طبق الفريق ذلك على تصميم أجهزة معقدة، مثل الوصلات النفقية المغناطيسية المستخدمة في ذاكرة الكمبيوتر، حيث نجح النموذج في التنبؤ بالسلوك المغناطيسي والكهربائي لعدة طبقات من مواد مختلفة متراكمة فوق بعضها البعض.

أحد أهم النتائج التي توصلت إليها الدراسة هو اكتشاف أن أفضل طريقة لربط الذرات في النموذج تعتمد على المهمة المطلوبة. فبالنسبة للتنبؤ بالخصائص الساكنة مثل الطاقة أو فجوات النطاق، كان الأسلوب الذي يربط كل ذرة بثمانية من أقرب جيرانها هو الأفضل، مما يوفر رؤية أوسع للهيكل المحيط. ومع ذلك، بالنسبة لمحاكاة الحركة والقوى، تسبب هذا الأسلوب في مشاكل لأن قائمة الجيران تتغير فجأة مع تحرك الذرات، مما يخلق قفزات غير واقعية في الطاقة. ووجد الباحثون أن استخدام أسلوب يعتمد على مسافة ثابتة، حيث يتم ربط الذرات إذا كانت ضمن نطاق معين، وفر الانتقالات السلسة اللازمة لمحاكاة الحركة بدقة. ورغم أن هذا الأسلوب القائم على المسافة كان أقل دقة بقليل في التنبؤات الساكنة، إلا أنه كان الوحيد القادر على التعامل مع كلا المهمتين في آن واحد دون حدوث خلل. ويسلط هذا التبادل الضوء على رؤية رئيسية: وهي أن اختيار كيفية تمثيل هندسة المادة لا يقل أهمية عن خوارزمية التعلم نفسها.

كما استكشف الباحثون ما إذا كان إضافة طبقة إضافية من المعلومات حول زوايا الروابط، بشكل منفصل عن الهيكل الرئيسي، سيحسن قدرة النموذج على توليد بلورات جديدة. ووجدوا أنه بينما ساعدت هذه المعلومات الإضافية النموذج على تعلم هندسة الزوايا، إلا أنها لم تحسن النتيجة النهائية باستمرار عند دمجها مع الخريطة الهيكلية الرئيسية. وفي بعض الحالات، تعارض المصدران من المعلومات، مما يشير إلى أن الخريطة الرئيسية تحتوي بالفعل على تفاصيل كافية حول الزوايا. إن هذا الاختبار الدقيق لمكونات مختلفة يضمن أن النموذج النهائي ليس مجرد مجموعة من الميزات، بل نظام انسيابي حيث يخدم كل جزء غرضًا واضحًا. والنتيجة هي أداة ليست أكثر دقة فحسب، بل هي أيضًا أكثر كفاءة، وقادرة على العمل على الأجهزة القياسية والتوسع ليشمل أنظمة تضم مئات الآلاف من الذرات.

في النهاية، يمثل هذا العمل تحولًا من بناء أدوات متخصصة أحادية الغرض إلى إنشاء إطار عمل شامل ومتعدد الاستخدامات لعلوم المواد. ومن خلال توحيد التنبؤ بالخصائص والقوى والأطياف، وتمكين توليد هياكل جديدة، قدم الباحثون طريقة جديدة وقوية لاستكشاف المشهد الشاسع للمواد الممكنة. ويُستخدم النظام بالفعل لفحص قواعد بيانات ضخمة من المواد المعروفة والافتراضية، لتحديد المرشحين للموصلات الفائقة، والبطاريات، وغيرها من التقنيات. ولأن النموذج مبني على برمجيات قياسية ويمكن تشغيله على أحدث الرقائق الحاسوبية، فإنه متاح لمجموعة واسعة من العلماء، مما قد يسرع من اكتشاف مواد جديدة يمكن أن تحل العديد من تحديات الطاقة والتكنولوجيا الملحة في العالم. إن القدرة على التنبؤ بكيفية سلوك المادة، وكيفية اهتزازها، وحتى كيف ستبدو تحت المجهر، كل ذلك من نموذج واحد موحد، تمثل خطوة كبيرة للأمام في مجال اكتشاف المواد حاسوبيًا.