Learning the Chronology of Materials Discovery for Synthesizability Prediction

إن البحث عن مواد جديدة هو سباق مع الزمن. يمكن للعلماء الآن استخدام حواسيب قوية لتخيل ملايين الوصفات الكيميائية الجديدة، واقتراح مرشحين للبطاريات والألواح الشمسية والأدوية بسرعة تفوق بكثير ما يمكن للمختبرات اختبارها. وهذا يخلق عنق زجاجة: محيط شاسع من الاحتمالات النظرية حيث لا يمكن بناء أو إثبات صلاحية سوى جزء ضئيل منها. وللتغلب على ذلك، طور الباحثون نماذج حاسوبية تحاول تخمين أي من هذه الوصفات الخيالية قابلة للتحقيق فعلياً في المختبر. تقليدياً، تعامل هذه النماذج تاريخ العلم كقائمة ثابتة، حيث تنظر فقط إلى ما تم صنعه وما لم يُصنع، دون النظر في متى أو لماذا حدثت الاكتشافات. وهي تفترض أن المسار نحو مادة جديدة هو مسار عشوائي، متجاهلة حقيقة أن الاكتشاف البشري يتبع قصة محددة ومتطورة تشكلها الأدوات المتاحة، والتمويل، والاهتمامات العلمية المتغيرة.

قدم فريق من الباحثين في "إمبريال كوليدج لندن" نهجاً جديداً يسمى "ChronoSyn" يغير كيفية إجراء هذه التنبؤات. فبدلاً من معاملة تاريخ المواد كمجرد مجموعة من الحقائق، يتعلم هذا النموذج من الجدول الزمني للاكتشاف نفسه. فهو يدرك أن الترتيب الذي وجد به العلماء مواد جديدة ليس عشوائياً؛ بل يعكس تقدماً مدفوعاً بالاحتياجات العملية والتقدم التكنولوجي. ومن خلال تعليم الحاسوب فهم هذا التسلسل التاريخي، يكتسب النموذج رؤية أعمق حول التركيبات الكيميائية التي يُحتمل تصنيعها تالياً. وقد وجد الباحثون أنه من خلال دمج تواريخ الاكتشافات الماضية، أصبح النموذج أفضل بشكل ملحوظ في تحديد المواد الواعدة، حتى تلك التي لم يسبق رؤيتها من قبل.

يكمن جوهر هذا العمل في كيفية معالجة النموذج للمعلومات. فهو يأخذ تركيباً كيميائياً — وهو مزيج محدد من العناصر — ويحوله إلى بصمة رقمية. ثم تُغذى هذه البصمة في جزأين مختلفين من البرنامج الحاسوبي في آن واحد. يحاول أحد الجزأين التنبؤ بما إذا كان يمكن تصنيع المادة، بينما يحاول الجزء الآخر تخمين متى تم اكتشاف تلك المادة بالنسبة لغيرها. ويتعلم النموذج من خلال مقارنة أزواج من المواد المعروفة، وتعديل منطقه الداخلي بحيث يخصص درجة "لاحقة" للمواد التي تم الإبلاغ عنها في السنوات الأخيرة، ودرجة "سابقة" للمواد التي وُجدت منذ زمن طويل. هذه المهمة المزدوجة تجبر الحاسوب على بناء فهم مشترك للكيمياء يحترم تدفق الزمن. والنتيجة هي نظام لا يقوم بمجرد حفظ قائمة بالمواد المعروفة، بل يفهم المسار الذي تسلكه العلوم عبر الفضاء الكيميائي.

وعند اختباره مقابل النماذج القياسية التي تتجاهل الجدول الزمني، أثبت "ChronoSyn" أنه أكثر دقة. وفي تجارب باستخدام قواعد بيانات تحتوي على مئات الآلاف من المواد المعروفة والافتراضية، حدد النموذج الجديد نسبة مئوية أعلى من المركبات الحقيقية القابلة للتصنيع. لم يكن التحسن مجرد زيادة إحصائية بسيطة؛ بل كان إشارة واضحة إلى أن تاريخ الاكتشاف يوفر أدلة قيمة. لاحظ الباحثون أن النموذج تعلم تجميع المواد بطريقة تعكس تاريخها الفعلي. ففي الخريطة الداخلية للحاسوب، تجمعت المواد المكتشفة في السبعينيات والثمانينيات في منطقة واحدة، بينما تجمعت تلك الموجودة في العقدين الأول والثاني من القرن الحادي والعشرين في منطقة أخرى. سمح هذا التنظيم للنموذج بالتمييز بين العائلات الكيميائية التي تم استكشافها بدقة وتلك التي بدأت للتو في الاستقصاء.

وقد ثبتت فائدة القدرة على قراءة الجدول الزمني بشكل خاص عند النظر في المواد التي لم يتم الإبلاغ عنها بعد. فقد حدد النموذج مجموعات من التركيبات الافتراضية التي تشبه العائلات الكيميائية المكتشفة في العقود الأخيرة. وقد مُنحت هذه المواد "المشابهة للحديثة" درجات أعلى لقابلية التصنيع مقارنة بالمواد التي تبدو قديمة. ووجد الباحثون أن هذا منطقي: فالمساحات الكيميائية التي تمت دراستها بنشاط مؤخراً، مثل تلك المستخدمة في بطاريات الليثيوم أيون أو خلايا الوقود، لا تزال قيد الاستكشاف، مما يعني أن هناك فرصة أكبر لأن تكون المواد غير المبلغ عنها في هذه المجالات قابلة للتحقيق فعلياً. وعلى العكس من ذلك، فإن المساحات الكيميائية التي درست بكثافة قبل عقود ثم سكنت منذ ذلك الحين، من المرجح أن تحتوي على مواد صعبة أو مستحيلة الصنع حقاً. لقد تعلم النموذج فعلياً إعطاء الأولوية لـ "حدود" البحث الحالي على "مياه" الاستكشافات الماضية الراكدة.

ولاختبار القيمة العملية لهذا النهج، أجرى الباحثون تجربة استرجاعية. فقد قاموا بتدريب النموذج باستخدام المعرفة المتاحة فقط حتى عام محدد، مثل عام 2018، ثم طلبوا منه التنبؤ بالمواد التي سيتم اكتشافها بعد ذلك التاريخ. تفوق "ChronoSyn" باستمرار على النماذج القياسية في تحديد هذه الاكتشافات المستقبلية. فقد نجح في تحديد التركيبات التي تم الإبلاغ عنها بالفعل في الأدبيات العلمية في السنوات التي تلت تاريخ الانقطاع، مما أثبت أن النموذج يمكنه استخدام الماضي للتنبؤ بالمستقبل. وهذا يشير إلى أن المسار الذي اتخذه العلماء للعثور على المواد حتى الآن يحمل خريطة توضح أين ستحدث الاختراقات القادلة.

كما كشفت الدراسة أن النموذج كان جيداً بشكل خاص في تحديد المواد المعقدة التي تحتوي على عناصر نادرة، مثل تلك التي تحتوي على عناصر الفئة (f) مثل اللانثانيدات. تظهر هذه المواد غالباً في موجات اكتشاف متميزة، مع فترات بحث مكثفة تليها فترات هدوء. ولأن النموذج تعلم توقيت هذه الموجات، فقد استطاع تمييز متى يتناسب تركيب جديد مع اتجاه بحثي نشط حالياً. وعندما طبق الفريق "ChronoSyn" على فضاء افتراضي هائل يضم 50 مليون تركيبة كيميائية محتملة، سلط الضوء على عائلات محددة من المركبات التي يُحتمل أن تكون قابلة للتحقيق. وأكد فحص السجلات العلمية أن العديد من هذه التنبؤات عالية الدرجة كانت بالفعل مواد تم تصنيعها والإبلاغ عنها في الماضي ولكنها كانت مفقودة من قواعد البيانات الرئيسية المستخدمة في التدريب.

ويقر الباحثون بأن طريقتهم لها حدود. فالنموذج يعتمد على تواريخ النشر، وهي وسيط للاكتشاف وقد لا تتطابق دائماً مع اللحظة الدقيقة التي صُنعت فيها المادة. كما أنه يعكس تحيزات البحث البشري، مما قد يفضل المجالات الكيميائية التي جذبت الاهتمام تاريخياً بينما يتجاهل المجالات الواعدة ولكن المهملة. علاوة على ذلك، يتنبأ النموذج بما إذا كانت الصيغة الكيميائية ممكنة، لكنه لا يأخذ في الاعتبار بعد الهياكل البلورية المحددة التي قد تجعل المادة مستقرة أو غير مستقرة. ورغم هذه القيود، يوضح العمل أن تاريخ العلم ليس مجرد سجل لما تم القيام به، بل هو دليل لما يمكن القيام به لاحقاً. فمن خلال تعلم تسلسل اكتشاف المواد، يمكن للعلماء الآن استخدام الماضي للملاحة بفعالية في المنطقة الشاسعة وغير المستكشفة من المستقبل.