AI-Assisted Identification of Magnetic Orders and Skyrmions
تقدم هذه الورقة إطار عمل للتعلم الآلي يستخدم الواصفات الهيكلية والتركيبية والإلكترونية لتصنيف الأنظمة المغناطيسية بدقة والتنبؤ بالتمغنط في المواد ثنائية الأبعاد، مما يتيح الفحص الفعال للمرشحين للتطبيقات السبينترونية وتحديد السمات الشبيهة بالسكيرميون.
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
تخيل عالماً يمكن فيه قلب المغناطيسات الصغيرة داخل حاسوبك، ليس عن طريق الكهرباء، بل من خلال الدفع اللطيف لمجال مغناطيسي، مما يستهلك طاقة ضئيلة جداً. هذا هو الوعد الذي تقدمه "السبينترونيكس" (الإلكترونيات الدورانية)، وهو مجال يسعى إلى استخدام "الدوران" الجوهري للإلكترونات بدلاً من شحنتها لتخزين المعلومات ومعالجتها. ولكي تعمل هذه التكنولوجيا، يحتاج العلماء إلى مواد يمكنها احتضان أنماط مغناطيسية محددة وغريبة. ومن أكثر هذه الأنماط طلباً هي "السكيرميونات" (skyrmions): وهي عقد مغناطيسية دوارة صغيرة مستقرة للغاية ويمكن تحريكها بطاقة قليلة جداً. إن العثور على هذه المواد يشبه البحث عن إبرة في كومة قش، لكن كومة القش مكونة من ملايين التركيبات الكيميائية المختلفة، والإبرة هي ترتيب محدد للذرات لا يكشف عن أسراره إلا في ظل أقسى الظروف. تقليدياً، اعتمد العثور على هذه المواد على عمليات محاكاة حاسوبية بطيئة ومكلفة تحسب سلوك كل إلكترون بمفرده، وهي عملية تستغرق وقتاً طويلاً جداً لفحص الكون الشاسع من المواد الممكنة.
قام فريق من الباحثين في جامعة فلوريدا الآن ببناء نوع جديد من المجاهر الرقمية لتسريع هذا البحث. فبدلاً من محاكاة كل إلكترون، قاموا بتدريب ذكاء اصطناعي للتعرف على بصمات المواد المغناطيسية من خلال النظر في وصفاتها الكيميائية وأشكال بلوراتها. طور الباحثون أداتين مختلفتين للذكاء الاصطناعي لمعالجة هذه المشكلة؛ تعمل الأولى كـ "مُصنف"، حيث تقرر بسرعة ما إذا كانت المادة من المرجح أن تكون "فيرومغناطيسية" (ferromagnetic)، حيث تشير جميع المغناطيسات الذرية الصغيرة في نفس الاتجاه، أو "أنتيفيرومغناطيسية" (antiferromagnetic)، حيث تشير في اتجاهات متعاكسة وتلغي بعضها البعض. أما الأداة الثانية فتعمل كـ "مُقيس"، حيث تتنبأ بدقة بمدى قوة المغناطيسية في مادة معينة. وباستخدام هاتين الأداتتين، تمكن الفريق من غربلة قاعدة بيانات ضخمة تضم أكثر من 130,000 مادة، وتحديد آلاف المرشحات الواعدة التي تم التغاضي عنها أو تصنيفها بشكل خاطئ سابقاً.
بدأت الرحلة بتحدٍ: كانت البيانات المتاحة في قواعد البيانات العلمية الموجودة غالباً ما تكون غير منظمة. فقد احتوت قواعد البيانات على تسميات للحالات المغناطيسية، لكن هذه التسميات كانت تعتمد أحياناً على تخمينات أولية أجرتها الحواسيب بدلاً من الحالة النهائية المستقرة للمادة. ولإصلاح ذلك، كتب الباحثون مجموعة جديدة من القواعد لإعادة بناء الحالة المغناطيسية الحقيقية لكل مادة. لقد نظروا إلى العزوم المغناطيسية الضئيلة للذرات الفردية داخل الهيكل البلوري، وتحققوا مما إذا كانت متوازنة أم غير متوازنة، وما إذا كانت متراصفة أم متضادة. واختبروا هذه القواعد مقابل العديد من العتبات العددية المختلفة لضمان أن استنتاجاتهم قوية وليست مجرد صدفة ناتجة عن طريقة الحساب. سمحت عملية التنظيف الدقيقة هذه ببناء مجموعة تدريب موثوقة، تفصل المواد إلى فئات واضحة: غير مغناطيسية، وفيرومغناطيسية، وأنتيفيرومغناطيسية، وفيريمغناطيسية (ferrimagnetic).
بعد الحصول على مجموعة بيانات نظيفة، انتقل الفريق إلى نموذج الذكاء الاصطناعي الأول: وهو مصنف مصمم للتمييز بين المواد الفيرومغناطيسية والأنتيفيرومغناطيسية. ومن المثير للاهتمام أنهم لم يغذوا هذا النموذج إلا بمعلومات عن بنية المادة وتكوينها — أنواع الذرات الموجودة، وكيفية ترتيبها، وهندسة الشبكة البلورية. لقد استبعدوا عمداً أي معلومات مباشرة عن المغناطيسية، مما أجبر الذكاء الاصطناعي على تعلم الروابط الخفية بين شكل المادة وسلوكها المغناطيسي. تعلم الذكاء الاصطناعي أن الطريقة التي تتباعد بها الذرات والعناصر المحددة التي تتكون منها تحتوي على أدلة دقيقة تحدد ما إذا كانت الدورات ستتراصف أم ستلغي بعضها البعض. وعند اختباره على مجموعة من المواد التي لم يرها من قبل، حدد النموذج بدقة النظام المغناطيسي في ما يقرب من 94 بالمائة من الحالات. وكان بارعاً بشكل خاص في رصد المواد الأنتيفيرومغناطيسية النادرة، والتي يصعب العثور عليها ولكنها ضرورية للأجهزة المستقبلية الموفرة للطاقة.
كانت المهمة الثانية أكثر تعقيداً: التنبؤ بالقوة الدقيقة للمغناطيسية. وخلافاً للمهمة الأولى، التي كانت عبارة عن سؤال بسيط بنعم أو لا، تطلبت هذه المهمة التنبؤ برقم مستمر. كانت البيانات لهذه المهمة صعبة لأن معظم المواد تمتلك مغناطيسية ضعيفة، بينما تمتلك قلة منها مغناطيسية قوية للغاية، مما يخلق توزيعاً غير متوازن. وللتعامل مع هذا، قام الباحثون بتحويل البيانات واستخدموا نوعاً متخصصاً من الشبكات العصبية، وهو نموذج تعلم عميق يمكنه العثور على أنماط معقدة في البيانات عالية الأبعاد. تم تغذية هذا النموذج ليس فقط بالبنية والتكوين، بل أيضاً بتفاصيل حول النطاقات الإلكترونية للمادة والإعدادات الأولية المستخدمة في المحاكاة الحاسوبية الأصلية. وكانت النتيجة مُتنبئاً عالي الدقة يمكنه تقدير القوة المغناطيسية للمادة بمتوسط خطأ يقل عن وحدة واحدة من العزم المغناطيسي لكل وحدة صيغة. هذا المستوى من الدقة يعني أن النموذج يمكنه تصنيف المواد بشكل موثوق، مما يساعد العلماء على تحديد المواد التي تستحق الدراسة في المختبر.
ولإثبات أن نتائجهم لم تكن مجرد أرقام على الشاشة، ذهب الباحثون خطوة أبعد وحاكو الأنسجة المغناطيسية الفعلية لمادة مرشحة واعدة، وهي مركب يُعرف باسم Fe3GaTe2. استخدموا تقنية تحاكي كيفية مرور الإلكترونات عبر شريحة رقيقة من المادة لإنشاء صورة للمجال المغناطيسي. ومن خلال تطبيق مرشحات معالجة الصور المتقدمة، تمكنوا من إعادة بناء الطور المغناطيسي وتصور الأنماط الدوارة داخل المادة. كشفت المحاكاة عن مشهد معقد من النطاقات المغناطيسية، بما في ذلك مناطق تشبه "السكيرميونات" التي يبحث عنها العلماء. أكدت هذه الخطوة أن المواد التي حددها الذكاء الاصطناعي لم تكن مجرد مواد مرجح إحصائياً أن تكون مغناطيسية، بل كانت قادرة أيضاً على احتضان الهياكل الطوبولوجية المعقدة اللازمة لتطبيقات السبينترونيكس من الجيل التالي.
يمثل هذا العمل تحولاً كبيراً في كيفية اكتشاف المواد الجديدة. فمن خلال الجمع بين تنظيف البيانات الصارم والتعلم الآلي القوي، أنشأ الباحثون إطاراً يمكنه فحص مساحات كيميائية شاسعة في جزء ضئيل من الوقت الذي قد تستغرقه الطرق التقليدية. لا يحل هذا النهج محل الحاجة إلى عمليات المحاكاة الفيزيائية التفصيلية أو التجارب، ولكنه يعمل كمرشح فعال للغاية، مما يقلص الاحتمالات الملايين إلى قائمة قابلة للإدارة من المرشحات ذات الأولوية العالية. يشير نجاح النماذج إلى أن أسرار السلوك المغناطيسي مشفرة في هندسة وكيمياء المواد، بانتظار فك رموزها بواسطة خوارزميات يمكنها رؤية الأنماط غير المرئية للعين البشرية. ومع تقدم هذا المجال، توفر هذه الطريقة مساراً واضحاً نحو اكتشاف المواد المغناطيسية القوية التي تعمل في درجة حرارة الغرفة، والتي ستشغل الإلكترونيات عالية السرعة وذات الكفاءة في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.