← أحدث الأبحاث
🔬 علوم المواد

Indirect prediction and screening of frustrated magnetic materials using machine learning

تقدم هذه الورقة سير عمل لتعلم الآلة باستخدام CatBoost للتنبؤ بشكل غير مباشر بمؤشر الإحباط المغناطيسي عن طريق التقدير المستقل لدرجات حرارة كوري-ويس ونييل، مما نجح في فحص أكثر من 67,000 مركب لتحديد 20 مرشحاً مغناطيسياً محبطاً عالي الثقة، بما في ذلك أنظمة أكسيد جديدة.

المؤلفون الأصليون: Regina Burganova, Irina Piyanzina, Ruslan Akhmerov, Alexander Sigov, Maxim Fedorov

نُشر 2026-10-14
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Regina Burganova, Irina Piyanzina, Ruslan Akhmerov, Alexander Sigov, Maxim Fedorov

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

في عالم علوم المواد، تتصرف بعض المغناطيسات بطريقة تبدو وكأنها حالة من الجمود أو "الاستعصاء". تخيل مجموعة من الأشخاص يحاولون الاتفاق على اتجاه واحد يواجهونه، لكن قواعد الغرفة تجبرهم على السحب في اتجاهات متضادة في آن واحد. في الفيزياء، يُطلق على هذا اسم "الإحباط المغناطيسي" (magnetic frustration). يحدث هذا عندما تمنع هندسة البلورة أو التنافس بين القوى المغناطيسية المختلفة المادة من الاستقرار في نمط بسيط ومنظم. وبدلاً من الاصطفاف بشكل مرتب، تظل هذه المواد في حالة من التوتر الفوضوي المستمر. هذه الحالة ليست مجرد فضول علمي؛ بل هي بوابة لسلوكيات كمومية غريبة، وقد تكون المفتاح لبناء أنظمة تبريد فائقة الكفاءة لتقنيات المستقبل. ومع ذلك، فإن العثور على هذه المواد أمر صعب للغاية. لمعرفة ما إذا كانت المادة "محبطة" حقاً، يجب على العلماء قياس درجتي حرارة محددتين: إحداهما تخبرهم بمدى قوة القوى المغناطيسية الإجمالية، والأخرى تخبرهم بالدرجة التي تستسلم عندها المادة أخيراً وتنتظم. المشكلة هي أنه بالنسبة لمعظم المواد المعروفة، يمتلك العلماء رقماً واحداً فقط من هذين الرقمين، أو أحياناً لا يملكون أي رقم منهما، مما يجعل من شبه المستحيل رصد المواد "المحبطة" وسط بحر من آلاف المرشحات المحتملة.

لقد طور فريق من الباحثين الآن طريقة جديدة للتنقل عبر هذه المشكلة باستخدام تعلم الآلة، وهو شكل من أشكال الذكاء الاصطناعي الذي يجد الأنماط في البيانات. وبدلاً من محاولة التنبؤ بالحالة المعقدة للإحباط بشكل مباشر، وهو أمر صعب لأن البيانات غالباً ما تكون مفقودة، قاموا ببناء أداتين منفصلتين للتنبؤ. تتعلم إحدى الأداتين تخمين القوة الإجمالية للتفاعلات المغناطيسية بناءً فقط على الوصفة الكيميائية للمادة، بينما تتعلم الأخرى تخمين درجة الحرارة التي تنتظم عندها المادة. ومن خلال تشغيل هاتين الأداتين بشكل مستقل، يمكن للباحثين حساب "درجة الإحباط" لأي مادة، حتى لو لم يسبق لأحد قياسها في المختبر. لقد اختبروا هذا النهج على مكتبة رقمية ضخمة تحتوي على ما يقرب من 67,000 مركب كيميائي. ولم يكتفِ النظام بمجرد تقديم قائمة من التخمينات، بل قام أيضاً بحساب مدى ثقته في كل تنبؤ. ومن خلال تصفية التخمينات التي لم تكن الحاسوب متأكداً منها، نجح الفريق في تقليص القائمة الضخمة إلى عشرين مرشحاً فقط من ذوي الثقة العالية.

كانت نتائج هذا الفحص بمثابة تأكيد للمنهج واكتشاف لأراضٍ جديدة. من بين العشرين مرشحاً الأوائل، نجح النظام في تحديد عدة مواد يعلم العلماء بالفعل أنها محبطة، مثل مركب الباريوم الذي يحتوي على الكروم والكبريت، ومركبين من أكاسيد السترونشيوم. وقد أكد هذا أن سير عمل تعلم الآلة يعمل بشكل صحيح، حيث "أعاد اكتشاف" الفيزياء المعروفة دون أن يتم إخباره بما يبحث عنه. لكن القيمة الحقيقية تكمن في المواد التي وجدها النظام والتي كانت غير معروفة أو غير مستكشفة سابقاً. كانت المرشحات الأولى في الغالب مركبات أكسيد، وتحديداً تلك المبنية من السترونشيوم والكالسيوم والتيتانيوم والمنغنيز. وغالباً ما تشكل هذه المواد هياكل بلورية تُعرف باسم "البيروفسكايت"، وهي مشهورة في الفيزياء بقدرتها على احتضان سلوكيات مغناطيسية معقدة. كما وجد الباحثون عدداً قليلاً من المرشحين المكونين من الكروم والنحاس والسيلينيوم، مما يشير إلى أن البحث عن الإحباط لا يقتصر فقط على نوع واحد من العائلات الكيميائية.

ومن الأهمية بمكان أن الباحثين كانوا حذرين في التمييز بين تنبؤ الحاسوب والحقيقة المختبرية. فهم لم يدّعوا اكتشاف مغناطيسات جديدة، بل قالوا إنهم حددوا أكثر الأماكن واعدة للبحث. استبعدت الدراسة صراحةً فكرة أن مجرد تخمين درجة الإحباض مباشرة قد ينجح؛ حيث أظهرت البيانات أن التنبؤ بدرجتي الحرارة الأساسيتين بشكل منفصل ثم دمجهما كان أكثر دقة بكما. علاوة على ذلك، أثبت الفريق أن تجاهل عدم يقين الحاسوب كان سيؤدي إلى قائمة طويلة من الإنذارات الكاذبة. ومن خلال استخدام نظام ترتيب "محافظ" يعاقب التنبؤات غير المؤكدة، ضمنوا أن قائمة العشرين مرشحاً النهائية كانت قوية. وتشير الدراسة إلى أن المسار الأكثر ثماراً للمضي قدماً هو التركيز في الجهود التجريبية على عائلات الأكاسيد هذه، وخاصة أنظمة السترونشيوم-كالسيوم-تيتانيوم-منغنيز، التي حددها النموذج على أنها تمتلك أعلى احتمالية لإظهار القوى المغناطيسية المتنافسة والمراوغة التي تميز حالة الإحباط.

يمثل هذا العمل تحولاً في كيفية مقاربة العلماء لاكتشاف مواد جديدة. فبدلاً من الاعتماد على التصنيع البطيء القائم على التجربة والخطأ أو المحاكاة الحاسوبية المكلفة التي تتطلب معرفة تفصيلية بهيكل البلورة، يستخدم هذا الأسلوب التركيب الكيميائي فقط لإجراء تنبؤاته. وهذا يعني أنه يمكنه فحص المواد التي لم يتم تصنيعها بعد أو التي لا تُعرف هياكلها بالكامل. وجد الباحثون أن العوامل الأكثر أهمية للتنبؤ بالسلوك المغناطيسي كانت الخصائص المغناطيسية للذرات الفردية في الخليط، تليها تفاصيل حول ترتيب إلكتروناتها وكيفية تراصها معاً. ومن خلال تفكيك المشكلة إلى أجزاء أصغر وأكثر قابلية للإدارة، وترك الآلة تتعلم القواعد من البيانات التجريبية الموجودة، أنشأ الفريق أداة عملية لتسريع عملية البحث. وتعتبر المركبات العشرين التي سلطوا الضوء عليها الآن هي الأهداف الرئيسية للمجربين الذين يرغبون في التحقق من هذه التنبؤات وفتح الآفاق المحتملة للجيل القادم من المواد الكمومية وتقنيات التبريد.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 cond-mat.mtrl-sci →