← أحدث الأبحاث
🔬 الفيزياء

Autonomous atomistic-continuum coupling through uncertainty-aware active learning

تقدم هذه الورقة إطار عمل للتعلم النشط ذاتي التشغيل ومدرك لعدم اليقين، يربط بكفاءة بين محاكاة مونت كارلو الحركية الذرية وحلول ديناميكا السوائل المتصلة لترسيب البخار التفاعلي، محققاً دقة عالية مع تقليل عدد المحاكاة الذرية المطلوبة بمقدار رتبتين إلى ثلاث رتب مقدارية.

المؤلفون الأصليون: Daniel Abdulah, Hariswaran Sitaraman, Ross E. Larsen, Kevin Patrick Griffin, Grace Wei, Janelle Domantay, Ethan Young, Marc T. Henry de Frahan

نُشر 2026-10-27
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Daniel Abdulah, Hariswaran Sitaraman, Ross E. Larsen, Kevin Patrick Griffin, Grace Wei, Janelle Domantay, Ethan Young, Marc T. Henry de Frahan

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 علم المواد، يواجه المهندسون غالبًا فجوة محبطة بين المتناهي في الصغر والمتناهي في الكبر. لفهم كيفية تشكل مادة جديدة، يتعين عليهم النظر إلى الذرات الفردية، التي تُقاس بالنانومتر وتتحرك في أجزاء من تريليون من الثانية. ومع ذلك، لبناء جهاز حقيقي، يحتاجون إلى فهم كيفية سلوك تلك المادة على مقاييس الأمتار والثواني. تقليديًا، عامل العلماء هذين العالمين بشكل منفصل، فوضعوا قواعد مبسطة لتخمين كيف يؤثر النطاق الصغير على النطاق الكبير. لكن هذه التخمينات غالبًا ما تفشل لأن العالم الحقيقي فوضوي وغير متوقع. وعندما تكون القواعد المبتاطة خاطئة، يمكن أن يكون التصميم بأكمله معيبًا. لقد كان التحدي يكمن في ربط النطاق الذري بالنطاق العياني دون قضاء عمر كامل في عملية حسابية واحدة على الحاسوب.

لقد طور فريق من الباحثين طريقة جديدة لسد هذه الفجوة، وتحديدًا لعملية تُستخدم لإنشاء خلايا شمسية متطورة تُعرف باسم "هاليد البيروفسكايت" (halide perovskites). تُصنع هذه المواد عن طريق رش بخار من الجزيئات الغازية على سطح ما، حيث تلتصق ببعضها البعض لتشكل بلورة. وللتنبؤ بمدى سرعة نمو هذه البلورة وشكلها، يتعين على العلماء عادةً تشغيل نوعين مختلفين من البرامج الحاسوبية في وقت واحد. برنامج واحد يتتبع تدفق الغاز، مثل نموذج الطقس الذي يتتبع الرياح. والبرنامج الآخر يتتبع الذرات الفردية التي تهبط على السطح، مثل لعبة "تيتريس" مجهرية. إن تشغيل هذين البرنامجين معًا بطيء للغاية لأن البرنامج الذري أبطأ بآلاف المرات من برنامج الغاز. وفي كل مرة يحتاج فيها برنامج الغاز إلى معرفة كيفية تفاعل السطح، يتعين عليه الانتظار حتى ينهي البرنامج الذري عمله، وهو ما قد يستغرق أيامًا أو أسابيع لمحاكاة واحدة.

حل الباحثون هذه المشكلة من خلال إنشاء "مساعد ذكي" يتعلم أثناء عمله. فبدلاً من سؤال البرنامج الذري البطيء عن إجابة في كل مرة، قاموا ببناء نموذج إحصائي يعمل كبديل. يبدأ هذا النموذج بكمية صغيرة من البيانات من البرنامج الذري، ثم يقوم بعد ذلك بتقديم توقعاته الخاصة حول كيفية تفاعل السطح. والابتكار الرئيسي هو أن هذا النموذج يعرف متى يكون غير متأكد؛ فهو يحتفظ بسجل مستمر لدرجة عدم اليقين لديه. عندما يكون النموذج واثقًا من توقعه، فإنه ببساطة يقدم الإجابة لبرنامج الغاز السريع، مما يسمح للمحاكاة بالانطلاق بسرعة. ومع ذلك، إذا واجه النموذج موقفًا لم يره من قبل وأصبحت درجة عدم اليقين لديه مرتفقة جدًا، فإنه يتوقف ويسأل البرنامج الذري البطيء عن الإجابة الحقيقية. ومن ثم يستخدم هذه المعلومة الجديدة لتحديث نفسه، ليصبح أكثر ذكاءً في المرة القادية التي يواجه فيها موقفًا مشابهًا.

تم اختبار هذا النهج، الذي يطلق عليه الفريق اسم "التعلم النشط المدرك لعدم اليقين" (uncertainty-aware active learning)، على محاكاة لنفاث بخاري يصطدم بسطح لنمو بلورة. ووجد الباحثون أن المساعد الذكي يمكنه إعادة إنتاج نتائج الطريقة المباشرة البطيئة بهامش خطأ يتراوح بين 10 إلى 20 بالمائة فقط. والأهم من ذلك، أنه قلل عدد المرات التي اضطر فيها البرنامج الذري البطيء للعمل بمقدار مائة إلى ألف ضعف. وهذا يعني أن محاكاة كانت ستستغرق شهورًا لاكتمالها على حاسوب فائق السرعة، يمكن الآن إنجازها في جزء بسيط من الوقت. وقد أظهرت الدراسة أن النموذج نجح في تعلم قاعدة فيزيائية معقدة: وهي أن معدل التصاق الذرات بالسطح لا يرتفع فقط مع إضافة المزيد من الغاز، بل إنه بعد نقطة معينة، تؤدي زيادة الغاز في الواقع إلى إبطاء النمو، وهو سلوك استطاع النموذج التقاطه بدقة دون أن يتم برمجته صراحةً لمعرفته.

ولعل الاكتشاف الأكثر إثارة للدهشة هو أن النموذج لم يكن بحاجة لمعرفة الشكل التفصيلي للبلورة التي تنمو على السطح لكي يعمل. فعادةً ما يعتقد العلماء أنه يجب عليهم تتبع موضع كل ذرة للتنبؤ بكيفية سلوك المادة. ومع ذلك، أظهرت هذه الدراسة أن مجرد تتبع تدفق الكتلة لأنواع مختلفة من الغاز كان كافيًا. فقد تعلم النموذج أن الترتيب المحدد للذرات داخل البلورة لم يكن ضروريًا للتنبؤ بتبادل المواد بين الغاز والمادة الصلبة. ومن خلال التركيز فقط على تدفق الكتلة، تمكن الباحثون من تجريد التعقيد غير الضروري الذي يجعل هذه الحسابات مكلفة للغاية عادةً.

تشير النتائج إلى إمكانية استخدام هذه الطريقة لتصميم خلايا شمسية أفضل ومواد أخرى بشكل أسرع بكثير من ذي قبل. وقد أظهر الفريق أنه من خلال ترك الحاسوب يقرر متى يحتاج للقيام بالعمل الشاق، يمكن للعلماء الحفاظ على دقة عالية مع توفير كميات هائلة من قدرة الحوسبة. وتتميز هذه الطريقة بالمرونة ويمكن تطبيقها على مشكلات أخرى حيث تحتاج العمليات السريعة والبطيئة إلى التواصل مع بعضها البعض. ورغم أن الدراسة كانت عبارة عن محاكاة، إلا أن المنطق يظل قائمًا تحت الاختبار الصارم، مما يوفر مسارًا عمليًا للمهندسين الذين يحتاجون إلى فهم التفاصيل المجهرية للمواد دون انتظار سنوات للحصول على الإجابة. إن هذا العمل يثبت أنه مع نوع صحيح من التعلم، يمكن للحواسيب التعامل مع تعقيد العالم الذري دون أن تغرق فيه.

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 🔬 physics →