← أحدث الأبحاث
🔬 علوم المواد

Magnetic crystal generation with site-resolved magnetic moments via Gaussian-mixture retargeting and finite-budget yield prediction

تقدم الورقة البحثية GMMag، وهو سير عمل لمشفر تلقائي تبايني شرطي يستخدم إعادة توجيه الخليط الغاوسي لتوليد هياكل بلورية متنوعة ذات عزم مغناطيسي محدد المواقع، مما يتيح اكتشاف مرشحين جدد يحتوي على النيوديميوم بطاقات تشكيل سالبة وتشبع مغناطيسي عالٍ دون الحاجة إلى إعادة التدريب.

المؤلفون الأصليون: Wen-Chuang Shang, Chenyu Shen, Mikito Tsujimoto, Tomonori Tanaka, Yoshihiro Gohda

نُشر 2026-10-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Wen-Chuang Shang, Chenyu Shen, Mikito Tsujimoto, Tomonori Tanaka, Yoshihiro Gohda

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

تُعد المواد المغناطيسية المحركات الصامتة وراء الكثير من التقنيات الحديثة، بدءاً من المحركات التي تدفع المركبات الكهربائية وصولاً إلى الأقراص الصلبة التي تخزن حياتنا الرقمية. ولبناء نسخ أفضل من هذه الأدوات، يحتاج العلماء إلى تصميم بلورات جديدة تمتلك خصائص مغناطيسية محددة. ومع ذلك، فإن البحث عن هذه المواد يشبه البحث عن إبرة في كومة قش يتغير شكلها باستمرار. إذ يعتمد السلوك المغناطيسي للبلورة ليس فقط على نوع الذرات الموجودة، بل أيضاً على كيفية ترتيب تلك الذرات وكيفية توجه مغناطيساتها الداخلية الصغيرة، التي تُسمى "السبين" (spins)، بالنسبة لبعضها البعض. فأحياناً تشير هذه الـ "سبينات" في اتجاهات متعاكسة وتلغي بعضها البعض، مما يترك المادة بلا مغناطيسية صافية، بينما تترتب في أحيان أخرى لتخلق قوة هائلة. وقد تطلب التنبؤ بالتركيبات من الذرات والترتيبات التي ستنتج مغناطيساً مفيداً، تقليدياً، اختبار آلاف المرشحين واحداً تلو الآخر، وهي عملية بطيئة ومكلفة.

قام فريق من الباحثين في معهد العلوم بتوكيو بتطوير نهج جديد لتسريع هذا البحث، كما هو موضح في دراسة حديثة. فقد أنشأوا نظاماً حاسوبياً يُدعى GMMag يمكنه توليد هياكل بلورية جديدة تماماً مع خصائصها المغناطيسية المحددة. وبدلاً من مجرد التخمين، يتعلم النظام من مكتبة ضخمة من البلورات المعروفة ثم يستخدم تلك المعرفة لتخيل إمكانيات جديدة. وقد درب الباحثون هذا النظام على أكثر من ثلاثة ملايين هيكل بلوري، تم حساب الكثير منها باستخدام محاكاة حاسوبية متقدمة للسلوك الذري. والأهم من ذلك، أن النظام تم تعليمه الانتباه إلى العزم المغناطيسي لكل ذرة بمفردها في الهيكل، وليس فقط النتيجة الإجمالية. هذا المستوى من التفصيل يسمح للنموذج بالتمييز بين المغناطيس الضعيف والمغناطيس القوي حيث تكون القوى الداخلية متوازنة تماماً، وهو تمييز غالباً ما تغفله النماذج الأبسط.

يكمن الابتكار الجوهري لهذا العمل في كيفية توجيه النظام. فبمجرد تدريب النموذج الحاسوبي، لم يعد الباحثون بحاجة لإعادة تدريبه للبحث عن أنواع مختلفة من المغناطيسات؛ بل استخدموا تقنية إحصائية لـ "إعادة استهداف" عملية التوليد. تخيل معرفة النموذج كمنظر طبيعي شاسع من الاحتمالات؛ يمكن للباحثين بعد ذلك اختيار مناطق محددة من هذا المنظر تتوافق مع المكونات الكيميائية وقوة المغناطيس التي يريدونها، مثل البلورات التي تحتوي على عنصر الأرض النادرة "النيوديميوم" مع قوة جذب مغناطيسية قوية جداً. ومن خلال ضبط توزيع العينات، استطاعوا توجيه الحاسوب لإنتاج مرشحين يستوفون هذه المعايير الصارمة دون الحاجة لإعادة بناء النظام بأكره من الصفر.

ولاختبار فعالية هذه الطريقة، طلب الباحثون من النظام توليد الملايين من المرشحات البلورية الجديدة. وقد وضعوا أهدافاً محددة، مثل العثور على بلورات قائمة على النيوديميوم لم تكن موجودة بالفعل في قاعدة بياناتهم المرجعية وتمتلك قوة مغناطيسية عالية. نجح النظام في إنتاج آلاف المرشحين الصالحين. ومع ذلك، اكتشف الباحثون قيداً دقيقاً ولكن مهماً: وهو أن توليد المزيد من المحاولات لا يؤدي دائماً إلى العثون على المزيد من الصيغ الجديدة الفريدة. وذلك لأن النظام يميل إلى إعادة زيارة نفس التركيبات الكيميائية الناجحة، مما يجعل نمو عدد الاكتشافات الجديدة الحقيقية أبطأ من إجمالي عدد المحاولات. وقد طور الفريق نموذجاً رياضياً للتنبؤ بدقة بعدد المرشحين الفريدين والمؤهلين الذين يمكن توقعهم مقابل عدد معين من عمليات التشغيل الحاسوبي، مما يسمح للباحثين المستقبليين بالتخطيط لعمليات البحث الخاصة بهم بكفاءة أكبر.

ولم تتوقف الدراسة عند التوليد الحاسوبي فحسب، فقد أخضع الفريق مجموعة من أكثر المرشحات الواعدة التي تحتوي على النيوديميوم لاختبارات فيزيائية صارمة باستخدام حسابات المبادئ الأولى (first-principles calculations)، وهي محاكاة دقيقة للغاية تعتمد على قوانين ميكانيكا الكم. ومن بين الآلاف التي تم توليدها، حددوا عدة عشرات من الهياكل التي يُتوقع أن تكون مستقرة وتمتلك تشبعاً مغناطيسياً عالياً. ومن بين هذه الهياكل، كانت هناك اثنتا عشرة صيغة كيميائية محددة لم تكن معروفة سابقاً في قواعد البيانات التي استخدموها. وكان أحد أكثر المرشحين واعدة، وهو مركب يحتوي على النيوديميوم والحديد والكوبالت، من المتوقع أن يكون له تشبع مغناطيسي مصحح يصل إلى ما يقرب من 2.0 تسلا، وهي قيمة عالية جداً للمغناطيس الدائم. كما فحص الباحثون كيف يمكن للذرات أن تتبادل الأماكن داخل الهيكل البلوري، وهي ظاهرة تُعرف باسم "الاضطراب" (disorder)، ووجدوا أن الخصائص المغناطيسية تظل قوية حتى عندما لا تكون الذرات مرتبة بشكل مثالي.

يُظهر هذا العمل أنه من الممكن استخدام الذكاء الاصطناعي لتصميم مواد مغناطيسية معقدة بدقة عالية، بشرط تزويد النظام بمعلومات مفصلة عن البيئة المغناطيسية المحلية لكل ذرة. وقد أظهر الباحثون أنه من خلال الجمع بين نموذج توليدي قوي واستراتيجية استهداف مرنة، يمكنهم التنقل في الفضاء الشاسع للمواد الممكنة للعثور على مرشحين نادرين وثمينين. وبينما لا تزال التنبؤات الحاسوبية تتطلب تحققاً تجريبياً في مختبر فيزيائي، فإن الدراسة توفر خارطة طريق واضحة لكيفية تولية وتصفية ملايين المواد المحتملة للعثور على القلة التي يمكن أن تُحدث ثورة في تحويل الطاقة والأجهزة الإلكترونية. إن القدرة على التنبؤ ليس فقط بالهيكل، بل أيضاً بالتوجه المغناطيسي المحدد لكل ذرة، تمثل خطوة كبيرة للأمام في التصميم العكسي للمواد، محولةً البحث عن مغناطيسات جديدة من لعبة حظ إلى استكشاف موجه.

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 →