Exploring Joint-Embedding Predictive Architectures for Self-Supervised Representation Learning of Powder X-ray Diffraction Patterns

تعد علوم المواد هي المحرك الكامن وراء كل اختراع حديث تقريباً، بدءاً من البطاريات في هواتفنا وصولاً إلى السبائك في طائراتنا. وفي قلب هذا المجال تكمن معضلة جوهرية: وهي معرفة كيفية ترتيب الذرات داخل المادة الصلبة بدقة. لقد اعتمد العلماء لفترة طويلة على تقنية تسمى حيود الأشعة السينية للمساحيق لحل هذا اللغز. فعندما يصطدم شعاع من الأشعة السينية بعينة مسحوقة، تقوم الذرات بتشتيت الضوء، مما يخلق نمطاً فريداً من البقع الساطعة والفجوات المظلمة. يعمل هذا النمط مثل بصمة الإصبع، حيث يكشف عن حجم حبيبات البلورات، والجهد داخل المادة، والترتيب المحدد للذرات. ومع ذلك، أصبح قراءة هذه البصمات تلقائياً يمثل عقبة رئيسية؛ فمع ازدياد سرعة المختبرات وأتمتتها، تجاوز حجم البيانات التي تولدها قدرة البرامج التقليدية على التفسير. فالأنماط معقدة؛ إذ يمكن للتغيرات الطفيفة في بنية المادة أن تُزيح القمم بطرق غير خطية، وعندما تحتوي العينة على خليط من مواد مختلفة، تتداخل الأنماط في تشابك فوضوي يصعب على الحواسيب فكه.

وللتغلب على هذه العقبات، لجأ الباحثون في المعهد الوطني للمعايير والتقنية (NIST) إلى نهج جديد لتعليم الحواسيب كيفية فهم هذه الأنماط. فبدلاً من الاعتماد على كميات هائلة من البيانات المصنفة أو محاولة إعادة بناء الصورة الدقيقة للنمط بكسل بكسل، استخدموا طريقة تسمى "بنية التنبؤ بالتمثيل المشترك" (Joint Embedding Predictive Architecture). تخيل طالباً يتعلم التعرف على الوجه ليس من خلال حفظ كل مسام وتجاعيد الوجه، بل من خلال فهم البنية الأساسية للوجه نفسه. يعمل هذا النموذج الجديد بطريقة مشابهة؛ فهو ينظر إلى جزء من نمط الأشعة السينية ويحاول التنبؤ بالأجزاء المفقودة، لكنه يفعل ذلك في مساحة مجردة ومبسطة بدلاً من محاولة إعادة رسم الخطوط الدقيقة للرسم البياني. ومن خلال التركيز على العلاقات عالية المستوى بين القمم بدلاً من التفاصيل الدقيقة للضجيج، يتعلم النموذج استيعاب المعنى الفيزيائي العميق للبيانات.

إن نتائج هذه التجربة مذهلة. فعندما اختبر الباحثون هذا النموذج ذاتي التعلم في مهمة تحديد تماثل البلورة، المعروف باسم "المجموعة الفراغية" (space group)، حقق دقة تقترب من 62 بالمائة. وهذا أمر لافت للنظر لأن النموذج حقق ذلك باستخدام جزء ضئيل من قدرة الحوسبة المطلوبة للأنظمة التقليدية الخاضعة للإشراف الكامل. وفي الواقع، فإن نظاماً أكبر وأكثر تعقيداً، كان يتطلب التدريب على ملايين الأمثلة المحددة ذات التصنيفات البشرية، قد أدى أداءً أسوأ من هذا النموذج الرشيق ذاتي الإشراف. ووجد الباحثون أن النموذج تعلم تنظيم البيانات بفعالية كبيرة لدرجة أن إضافة بسيطة جداً وصغيرة يمكنها قراءة النتائج وتقديم تنبؤات دقيقة حول خصائص المادة. وهذا يشير إلى أن النموذج قد تعلم بالفعل قواعد علم البلورات، بدلاً من مجرد حفظ الأمثلة.

وبعيداً عن التصنيف البسيط، كشفت الدراسة أن النموذج قد طور خريطة داخلية متطورة لكيفية تغير المواد. فعندما تحرك الباحثون عبر مساحة البيانات الداخلية للنموذج، اكتشفوا مساراً سلساً ومستمراً يتوافق مباشرة مع اتساع القمم في نمط الأشعة السينية. وهذه ظاهرة فيزيائية ناتجة عن حجم البلورات أو الأداة المستخدمة، وقد تعلم النموذج عزل هذا التغيير المحدد دون أن يُخبر صراحة بما يبحث عنه. والأمر الأكثر إثارة للدهشة هو أن النموذج أظهر قدرة على التعامل مع مخاليط المواد، وهي مهمة عادة ما تفشل فيها الخوارزميات التقليدية. فعندما أخذ الباحثون التمثيلات الداخلية لمادتين منفردتين ودمجاها معاً في عقل النموذج، كانت النتيجة نمطاً واقعياً يبدو تماماً مثل خليط فيزيائي من الاثنين. حدث هذا رغم أن النموذج لم يتم تدريبه قط على أي عينات مختلطة؛ فقد تعلم ببساطة المنطق المستمر لكيفية دمج المواد.

يشير هذا العمل إلى مسار جديد لمستقبل اكتشاف المواد. فمن خلال تعليم الحواسيب فيزياء أنماط الأشعة السينية عبر التعلم ذاتي الإشراف، يمكن للعلماء بناء أنظمة أسرع، وأكثر كفاءة، وأكثر قوة في مواجهة ضجيج التجارب الواقعية. إن القدرة على التنبؤ بكيفية سلوك المادة أو تحديد خليط دون الحاجة إلى مكتبة ضخمة من الأمثلة المصنفة مسبقاً تقرب حلم المختبرات ذاتية القيادة بالكامل من الواقع. فالنموذج لا يرى مجرد خطوط على رسم بياني؛ بل يفهم القصة الهيكلية التي ترويها تلك الخطوط، مما يوفر أداة قوية لتسريع اكتشاف الجيل القادم من المواد.