Framework-Conditional Open Materials Generation

إن البحث عن مواد جديدة هو أحد أكثر المساعي العلمية عملية وعمقاً. فمن البطاريات التي تشغل هواتفنا إلى أشباه الموصلات التي تشغل حواسيبنا، إن العالم المادي الذي نسكنه مبني من ترتيبات محددة للذرات. وقد عرف العلماء منذ زمن طويل أن خصائص المادة — سواء كانت توصل الكهرباء، أو تتحمل الحرارة، أو تخزن الطاقة — لا تمليها فقط أنواع الذرات الموجودة، بل كيفية تراص تلك الذرات معاً في نمط متكرر ثلاثي الأبعاد. هذا النمط يسمى البنية البلورية. ولعقود من الزمن، كان الهدف هو التنبؤ بأي تركيبات جديدة من الذرات ستشكل بلورات مستقرة ومفيدة قبل أن يقوم الكيميائي بخلطها في المختبر. التحدي هائل لأن عدد الطرق الممكنة لترتيب الذرات لا نهائي تقرياً، مما يجعل البحث العشوائي عن مواد جديدة يشبه البحث عن حبة رمل محددة على الشاطئ دون خريطة.

قدم باحثون من جامعة نيويورك وجامعة نيويورك لانغون الصحية (NYU Langone Health) نهجاً جديداً لهذه المشكلة، حيث نقلوا التركيز من تخمين الترتيب الكامل للذرات إلى العمل مع الهيكل العظمي للبنية نفسها. يقترح عملهم، الذي عُرض في دراسة بعنوان "توليد المواد المفتوحة المشروطة بالإطار" (Framework-Conditional Open Materials Generation)، أنه بدلاً من محاولة ابتكار شكل جديد تماماً من الصفر، فمن الأكثر فعالية أخذ إطار هندسي معروف ومستقر والسؤال: "ماذا يحدث إذا ملأنا هذا الشكل المحدد بأنواع مختلفة من الذرات؟". هذه الطريقة، التي أطلقوا عليها اسم OMatG-FC، تعامل الشكل العام للخلية البلورية كقالب ثابت وتستخدم الذكاء الاصطناعي لتحديد الأنواع الكيميائية التي يجب أن تشغل الفراغات داخل ذلك الشكل. ومن خلال القيام بذلك، نجح الباحثون في إنشاء نظام أفضل بكثير في إيجاد مواد مستقرة وفريدة وجديدة من الطرق السابقة التي حاولت توليد كل من الشكل والذرات في آن واحد.

في عالم علم المواد، تُعرف البلورة بوحدة خلية، وهي صندوق صغير يتكرر مراراً وتكراراً ليشكل الصلب بأكمله. هذا الصندوق له شكل محدد، يتمثل في أطوال جوانبه والزوايا بينها، ويحتوي على ذرات في مواقع كسرية محددة داخل ذلك الصندوق. تقليدياً، حاولت النماذج الحاسوبية التي تحاول اكتشاف مواد جديدة التنبؤ بكل هذه التفاصيل دفعة واحدة: شكل الصندوق، ومواقع الذرات بداخله، ونوع العناصر التي تشكل تلك الذرات. وهذه مهمة صعبة لأن النموذج يجب أن يتعلم القواعد المعقدة لكيفية تراص الذرات معاً لتجنب الانهيار أو التنافر. لاحظ مؤلفو هذه الدراسة أن العديد من المواد الكيميائية المختلفة تشترك في الواقع في نفس الإطار الهندسي الأساسي. على سبيل المثال، قد تشترك بلورة مكونة من نوع واحد من ذرات المعدن في نفس الشكل الأساسي والمواقع الذرية لبلورة مكونة من نوعين مختلفين من الذرات، بشرط ترتيب الذرات بطريقة معينة. ويكمكم الاختلاف فقط في أي نوع كيميائي سيجلس في أي مكان، وهو تغيير يمكن أن يغير تناظر المادة وخصائصها دون تغيير الهندسة الأساسية.

أدرك الباحثون أنه من خلال تثبيت الإطار الهندسي — أي شكل الصندوق والمواقع النسبية للذرات — يمكنهم تبسيط المشكلة بشكل كبير بالنسبة للذكاء الاصطناعي. فبدلاً من مطالبة الكمبيوتر بتحديد البنية بأكملها، طلبوا منه التركيز فقط على شيئين: أي العناصر الكيميائية يجب أن توضع في المواقع الثابتة، وكيف يجب أن يكون حجم الصندوق. قام الفريق بتدريب نموذجهم على قاعدة بيانات ضخمة من الهياكل البلورية المعروفة، وتحديداً مجموعة بيانات MP-20، التي تحتوي على أكثر من 45,000 هيكل. وحللوا هذه البيانات ووجدوا نمطاً لافتاً: الغالبية العظمى من المواد الكيميائية المتميزة في قاعدة البيانات تشترك في الواقع في نفس الأطر الهيكلية الأساسية. في الواقع، عندما نظروا عن كثب، وجدوا أن حوالي 10 بالمائة فقط من الأطر كانت فريدة حقاً، مما يعني أن الهيكل الهندسي نفسه يُعاد استخدامه مراراً وتكراراً مع زخارف كيميائية مختلفة. هذا التكرار يشير إلى أن الطبيعة قد استكشفت بالفعل معظم الأشكال الهندسية القابلة للتطبيق، وأن مفتاح الاكتشاف يكمن في إيجاد التركيبات الكيميائية المناسبة لتلك الأشكال الموجودة.

لاختبار هذه الفكرة، بنى الفريق نموذجاً توليدياً يعمل تحت هذه القيود. يأخذ النموذج إطاراً معروفاً من قاعدة البيانات ويحافظ على الشكل والمواقع الذرية ثابتة. ثم يستخدم عملية تعلم متطورة للتنبؤ بالهوية الكيميائية للذرات التي يجب أن تملأ تلك المواقع ولضبط الحجم الإجمالي للخلية البلورية لضمان الاستقرار. هذه العملية تختلف عن الطرق الأخرى التي تحاول توليد هياكل جديدة تماماً من العدم أو تلك التي تكتفي باستبدال ذرة واحدة بأخرى في قالب ثابت. النموذج الجديد أكثر مرونة لأنه يمكنه اكتشاف طرق جديدة تماماً لترتيب الذرات ضمن إطار معروف، مما يخلق فعلياً نماذج هيكلية أولية لم يسبق رؤيتها من قبل، رغم أن الهندسة الأساسية كانت مألوفة.

تم قياس نتائج تجاربهم مقابل مجموعة صارمة من المعايير المعروفة باسم LeMat-GenBench، والتي تقيم ما إذا كانت المواد المولدة صالحة وفريدة ومستقرة. اختبر الباحثون نموذجهم على مجموعتي بيانات مختلفتين، إحداهما تحتوي على 45,000 هيكل والأخرى تضم أكثر من 40,000. وفي كلتا الحالتين، تفوق النموذج المشروط بالإطار على الأساليب الرائدة الحالية. فقد أنتج معدلاً أعلى من الهياكل التي لم تكن صالحة كيميائياً فحسب، بل كانت مستقرة أيضاً، مما يعني أنها لن تتفكك أو تتفاعل بعنف. وتحديداً، حقق النموذج معدل نجاح قياسي في توليد مواد مستقرة وفريدة وجديدة. وعندما قام الباحثون بتخفيف الهياكل باستخدام عمليات محاكاة حاسوبية متقدمة لمعرفة كيف ستتصرف في العالم الحقيقي، استمر النموذج في إظهار أداء متفوق، حيث وجد مواد ذات حالات طاقة أقل من منافسيه. وهذا يشير إلى أن ربط عملية التوليد بالأطر الهندسية المعروفة يوجه النموذج نحو حلول واقعية فيزيائياً ومفضلة طاقياً.

كانت إحدى النتائج الأكثر إثارة للإعجاب هي قدرة النموذج على اكتشاف نماذج أولية جديدة تماماً. النموذج الأولي هو تصنيف محدد لهيكل بلوري بناءً على تناظره وترتيب ذراته. وجد الباحثون أن نموذجهم يمكنه توليد مادة مستقرة بنموذج أولي لم يكن موجوداً في أي من قواعد البيانات الرئيسية للمواد المعروفة. لقد حددوا مركباً معيناً، NdAlSiAu، يشغل إطاراً هيكلياً تشترك فيه مواد أخرى ولكن تم ترتيبه بطريقة خلقت نموذجاً أولياً جديداً وغير مسبوق. وهذا يثبت أن الطريقة ليست مجرد إعادة تدوير للأفكار القديمة، بل هي قادرة على الاكتشاف الحقيقي. لقد نجح النموذج في التنقل عبر الفضاء الشاسع من الاحتمالات الكيميائية للعثور على تكوين مستقر فات علماء البشر وخوارزميات أخرى.

تناولت الدراسة أيضاً مسألة كيفية تقسيم البيانات للتدريب والاختبار، وهي خطوة حاسمة لضمان أن النموذج يتعلم حقاً وليس مجرد يحفظ. أنشأ الباحثون نسخة خاصة من مجموعة البيانات الخاصة بهم حيث تم فصل مجموعات التدريب والاختبار بناءً على الأطر الهيكلية بدلاً من مجرد الصدفة العشوائية. وهذا يعني أن النموذج تم اختباره على أطر لم يسبق له رؤيتها، مما يحاكي سيناريو واقعياً حيث قد يحاول عالم اكتشاف مواد في منطقة هندسية جديدة تماماً. وحتى ظل النموذج يعمل بشكل جيد تحت هذه الظروف الصعبة، مما يشير إلى أن مبادئ الاستقرار والتناظر التي تعلمها من بيانات التدريب كانت قوية بما يكفي لتطبيقها على هندسات جديدة لم تكن موجودة من قبل. هذا المستوى من التعميم أمر بالغ الأهمية للتطبيق العملي لمثل هذه الأدوات في اكتشاف المواد من الجيل القادم.

تمتد تداعيات هذا العمل إلى ما هو أبعد من النجاح المباشر للخوارزمية. فمن خلال إثبات أن الإطار الهندسي هو دليل أقوى للاكتشاف من التركيب الكيميائي المحدد، تقدم الدراسة نموذجاً جديداً لكيفية مقاربة العلماء لتصميم المواد. إنها تشير إلى أن البحث عن مواد جديدة لا يحتاج إلى أن يكون بحثاً عشوائياً في فراغ لانهائي، بل يمكن أن يكون استكشافاً مستهدفاً للمناظر الطبيعية الهندسية المعروفة، بحثاً عن التركيبات الكيميائية التي تجعل تلك المناظر مستقرة ومفيدة. ويقر الباحثون بأنه بينما يقتصر عملهم الحالي على الأطر الموجودة في قواعد البيانات الحالية، فإن الطريقة قابلة للتطبيق نظرياً على أي نمط نقطي مفترض، مما يفتح الباب لاستكشاف الهياكل الافتراضية التي لم يسبق ملاحظتها في الطبيعة.

في النهاية، يمثل هذا العمل تحولاً في المنظور. فبدلاً من النظر إلى توليد مواد جديدة كمسألة خلق شيء جديد تماماً من العدم، أظهر الباحثون أن من المفيد غالباً النظر فيما هو موجود بالفعل والتساؤل حول كيفية إعادة تخيله. لا يعتمد النموذج على السحر أو التخمين؛ بل يعتمد على الواقع الإحصائي الذي يفضل فيه الطبيعة ترتيبات هندسية معينة. ومن خلال الاستفادة من هذا الواقع، بنى الباحثون أداة أكثر كفاءة ودقة وقدرة على إيجاد المواد المستقرة والفريدة التي يحتاجها المجتمع. وتخلص الدراسة إلى أن هذا النهج المشروط بالإطار هو طريقة متطورة لاكتشاف المواد، توازن بنجاح بين الحاجة إلى الجدة والقيود الفيزيائية للاستقرار، مما يوفر مساراً واضحاً للمستقبل لعلماء المواد من الجيل القادم.