Atomistic prediction of magnetic behaviour across chemistry, structure and temperature
تقدم هذه الورقة البحثية MagPT، وهو نموذج تأسيسي ذري مدرب تدريبًا واسع النطاق، يتنبأ بنجاح بالسلوكيات المغناطيسية المعقدة عبر مختلف الكيمياء والتركيبات ودرجات الحرارة من خلال التعامل في آن واحد مع المواقع الذرية وعزوم الدوران الشعاعية المتجهة، متجاوزًا بذلك قيود النهج المخصصة لمواد معينة.
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
تعد المواد المغناطيسية المحركات الخفية وراء الكثير من التقنيات الحديثة، من محركات الأقراص الصلبة التي تخزن ذكرياتنا إلى المحركات التي تشغل المركبات الكهربائية. وفي قلب هذه المواد يكمن توازن دقيق بين قوتين: ترتيب الذرات وسلوك الأسهم المغناطيسية الصغيرة، المعروفة باسم "اللف المغزلي" (spins)، التي تعيش في كل ذرة. في العديد من المواد، تشير هذه الأسهم في نفس الاتجاه، مما يخلق مغناطيساً قوياً. وفي مواد أخرى، تلتوي وتدور، مكونة أنماطاً معقدة يمكن التحكم بها عن طريق الحرارة أو الضغط. لعقود من الزمن، كافح العلماء للتنبؤ بكيفية تصرف هذه المواد عند تغير الظروف. كانت الطرق التقليدية تشبه محاولة رسم خريطة لقارة عبر المشي في كل بوصة منها؛ فهي دقيقة للغاية ولكنها بطيئة ومكلفة للغاية لدرجة أنه لا يمكن استخدامها لاستكشاف المشهد الشاسع للمواد الجديدة الممكنة. كان التحدي يكمن في بناء نموذج لا يفهم فقط أين توجد الذرات، بل يفهم أيضاً كيف تشير أسهمها المغناطيسية وإلى أي مدى قوتها، وكل ذلك بينما يتم تسخين المادة أو ضغطها أو خلطها مع عناصر أخرى.
قدم فريق من الباحثين الآن نهجاً جديداً يسمى MagPT، وهو نموذج حاسوبي قوي مصمم للتنبؤ بالسلوك المغناطيسي عبر نطاق واسع من الكيمياء، والبنية، ودرجة الحرارة. وبدلاً من بناء نموذج جديد ومخصص لكل مادة واحدة يريدون دراستها، قام الباحثون بتدريب هذا النظام على مجموعة هائلة من البيانات التي تتضمن 48 عنصراً مختلفاً. لقد غدوا النموذج بما يقرب من مليون سيناريو مختلف، تغطي ظروفاً من الصفر المطلق حتى 1000 درجة مئوية وضغوطاً تصل إلى 10 جيجاباسكال. والأهم من ذلك، تم تعليم النموذج معاملة الهوية الكيميائية للذرة، وموقعها في الفضاء، واتجاه وقوة عزمها المغناطيسي كحزمة واحدة متصلة. وهذا يسمح للنظام بالتمييز بين مادتين تبدوان متطابقتين في بنيتهما الذرية ولكن لهما خصائص مغناطيسية مختلفة لأن أسهمهما المغناطيسية الداخلية مرتبة بشكل مختلف. ومن خلال تعلم هذا الارتباط العميق، يمكن للنموذج التنبؤ بكيفية استجابة المادة للتغيرات دون الحاجة إلى إعادة تدريبه من الصفر لكل تجربة جديدة.
اختبر الباحثون هذا النظام من خلال مطالبته بحل مشكلات تتطلب عادةً حسابات مكلفة ومستهلكة للوقت. في أحد الاختبارات، طلبوا من النموذج التنبؤ بكيفية تغير مغناطيسية سبائك معدنية مختلفة عند خلط عناصر مختلفة معاً. ومن دون تدريب محدد على هذه السبائك تحديداً، نجح النموذج في إعادة إنتاج قاعدة علمية معروفة تصف كيفية تغير المغناطيسية مع التركيبة، ملتقطاً الطرق الدقيقة التي تؤثر بها البيئات الكيميائية المحلية على القوة المغناطيسية. وفي تجربة أخرى، استخدموا النموذج لمحاكاة مادة تسمى FeGe، المعروفة باستضافتها لأنماط مغناطيسية دوارة صغيرة تسمى "سكيرميونات" (skyrmions). هذه الأنماط صعبة الدراسة للغاية لأنها يمكن أن تمتد عبر مسافات تزيد مئات المرات عن المسافة بين الذرات الفردية. وبالبدء بترتيب عشوائي تماماً للأسهم المغناطيسية، قام النموذج بتنظيمها تلقائياً في الأنماط الدوارة المعقدة الصحيحة عبر مسافة تقارب 300، وهو ما يطابق ما يُرى في التجارب الحقيقية. وقد أثبت هذا أن النموذج قد تعلم القواعد الأساسية للتفاعل المغناطيسي بما يكفي لتوليد سلوك منظم واسع النطاق من تعليمات محلية بسيطة.
تمتد قوة هذا النهج إلى السبائك المعقدة متعددة العناصر المعروفة باسم "السبائك عالية الاعتلاج" (high-entropy alloys)، والتي يصعب التنبؤ بها بشكل كبير لأن ذراتها مختلطة بطريقة غير منظمة. طبق الباحثون نموذجهم على سبيكة محددة مكونة من الحديد والكوبالت والنيكل والتانتالوم والألومنيوم. لم يتنبأ النموذج بالقوة المغناطيسية الإجمالية للمادة فحسب، بل كشف أيضاً كيف تتغير القوة المغناطيسية للذرات الفردية اعتماداً على جيرانها المباشرين. وأظهر أن ذرة حديد محاطة بعناصر معينة سيكون لها قوة مغناطيسية مختلفة عن ذرة حديد محاطة بجيران مختلفين، حتى داخل نفس قطعة المعدن. وعند مقارنته بالقياسات الواقعية لـ اثنين وعشرين نسخة مختلفة من هذه السبيكة، طابقت تنبؤات النموذج النتائج التجريبية بدقة عالية، حيث حدد بشكل صحيح أي العينات ستكون مغناطيسية قوية وأيها ستكون أضعف. هذه القدرة على رؤية التفاصيل غير المرئية لكيفية دمج الكيمياء والبنية لإنشاء المغناطيسية تقدم طريقة جديدة لتصميم مواد ذات خصائص مغناطيسية محددة.
لعل الاكتشاف الأكثر أهمية هو أن هذا النموذج يمكن تكييفه مع مواد جديدة باستخدام قدر ضئيل جداً من البيانات الإضافية. فبمجرد تدريب النظام العام، تمكن الباحثون من ضبطه بدقة لمواد محددة مثل الحديد أو سبيكة ذاكرة شكل مغناطيسية باستخدام جزء ضئيل فقط من البيانات التي تتطلبها العملية عادةً. وكان بإمكان هذا النموذج الذي تم ضبطه بدقة أن يُبسط إلى نسخة أصغر وأسرع يمكنها إجراء عمليات محاكاة لكيفية سلوك هذه المواد عند درجات حرارة مختلفة وتحت تأثير مجالات مغناطيسية. وأظهرت هذه عمليات المحاكاة أن النموذج يمكنه التنبؤ بدقة متى ستفقد المادة مغناطيسيتها عند تسخينها، وكيف ستغير اتجاهها المغناطيسي عند تعرضها لمجال خارجي. وتشير النتائج إلى أنه من خلال معاملة الحالات الكيميائية والتركيبية والمغناطيسية للمادة كمنظر واحد موحد، يمكن للعلماء الآن استكشاف سلوك المادة المغناطيسية بطرق كانت مستحيلة في السابق، والانتقال من التخمين الخاص بكل مادة إلى إطار عام لفهم وتصميم المواد المغناطيسية في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.