Beyond Synthesis Conditions: Linking In-situ Growth Dynamics to Carbon Nanotube Forest Properties through Multimodal Machine Learning

تخيل غابة لا تنمو من تربة ومطر، بل من طبقة رقيقة من المعدن على شريحة سيليكون، تتغذى من تيار من الغاز. هذا هو عالم الأنابيب النانوية الكربونية، وهي أنابيب دقيقة من الكربون النقي تتميز بقوة هائلة وتوصل الكهرباء بسهولة فائقة. سعى العلماء طويلاً لزراعة هذه الأنابيب في غابات كثيفة وقائمة لأنها قد تُحدث ثورة في كل شيء، من الإلكترونيات المرنة إلى البطاريات القوية. تعتمد الطريقة القياسية على تسخين عامل حفاز وتغذيته بغاز غني بالكربون، وهي عملية تُعرف باسم الترسيب الكيميائي للبخار. لسنوات طويلة، اعتقد الباحثون أنهم إذا تمكنوا من التحكم بدقة في الوصفة — درجة الحرارة، ونوع الغاز، وسرعة تدفقه — فسيتمكنون من التنبؤ بدقة بمدى ارتفاع الغابة التي ستنمو وكيفية حصاد كمية المواد. كان الافتراض هو أن الظروف الأولية تحكي القصة بأكملها، وأن أي اختلافات في النتيجة النهائية ليست سوى ضجيج عشوائي، مثل تذبذب طفيف في أداة قياس.

قرر فريق من الباحثين في المعهد الوطني لعلوم التكنولوجيا الصناعية المتقدمة في اليابان اختبار هذا الافتراض من خلال مراقبة نمو الغابة في الوقت الفعلي. فبدلاً من مجرد ضبط تدفق الغاز والانتظار حتى انتهاء التجربة، قاموا ببناء نظام يقيس ارتفاع غابة الأنابيب النانوية كل ثانية أثناء تشكلها. ودمجوا فيديوهات النمو المباشرة هذه مع التعلم الآلي، وهو نوع من البرامج الحاسوبية التي تتعلم كيفية إيجاد الأنماط في البيانات. كان هدفهم بسيطاً: معرفة ما إذا كانت إعدادات الغاز الأولية كافية للتنبؤ بالحصاد النهائي، أم أن قصة النمو نفسها تحمل أسراراً أغفلتها الظروف الأولية. وما وجدوه قد غير نظرتهم للعملية برمتها. فقد أخبرتهم إعدادات الغاز بمدى سرعة بدء نمو الغابة، لكنها لم تستطع إخبارهم بمدة استمرار هذا النمو. إن المحدد الحقيقي للمحصول النهائي لم يكن الوصفة الأولية، بل الحالة المتطورة للعامل الحفاز أثناء عمله، وهي قصة لا تتضح إلا عند مشاهدة عملية النمو وهي تتكشف.

بدأ الباحثون بزراعة هذه الأنابيب النانوية تحت ظروف محكومة بدقة. استخدموا خليطاً محدداً من الغازات، بما في ذلك الأسيتيلين كمصدر للكربون، والهيدروجين، وكمية صغيرة من بخار الماء للحفاظ على نشاط العامل الحفاز. حافظوا على درجة حرارة ثابتة عند 750 درجة مئوية وإجمالي تدفق غاز ثابت، لكنهم غيروا كميات الهيدروجين وبخار الماء لخلق بيئات نمو مختلفة. وبعد فترة نمو استمرت عشر دقائق، قاموا بقياس الارتفاع النهائي ووزن الغابات. وكما هو متوقع، تباينت أحجام الغابات بشكل كبير؛ فبعضها نما طويلاً وكثيفاً، بينما ظل البعض الآخر قصيراً ومتناثراً، حتى عندما بدأوا بإعدادات غاز متطابقة تقريباً. أشار هذا التشتت إلى أن الظروف الأولية لم تكن هي القصة بأكملها.

لفهم السبب، نظر الفريق إلى قياسات الارتفاع المباشرة التي تم تسجيلها أثناء النمو. واكتشفوا أن الغابات لم تختلف فقط في حجمها النهائي، بل نمت بطرق مختلفة جوهرياً. فبعض الغابات ارتفعت بسرعة واستمرت في النمو طوال العشر دقائق كاملة، بينما بدأت غابات أخرى بسرعة ولكنها توقفت عن النمو بعد بضع دقائق فقط. وعندما استخدم الباحثون الحاسوب لتجميع أنماط النمو هذه، وجدوا منحنيات ذات أشكال متميزة، مستقلة عن الارتفاع النهائي. وهذا يعني أن غابتين يمكن أن تنتهيا بنفس الارتفاع ولكن عبر تاريخين مختلفين تماماً؛ فقد تكون إحداهما قد نمت بثبات، بينما اندفعت الأخرى بسرعة ثم توقفت. لم تستطع إعدادات الغاز الأولية تفسير هذه القصص المختلفة.

ثم طلب الفريق من نماذج التعلم الآلي التنبؤ بالنتائج النهائية باستخدام إعدادات الغاز فقط. قامت النماذج بعمل جيد في التنبؤ بكثافة الغابة وجودة بنية الكربون، لكنها فشلت تماماً في التنبؤ بالمحصول، أو إجمالي كمية المواد المنتجة. كانت النماذج تخمن قيمة متوسطة لكل تجربة، مما جعلها تخطئ في تقدير الغابات الطويلة جداً والقصيرة جداً. أكد هذا الفشل أن الظروف الأولية وحدها لم تكن كافية؛ فقد كانت النماذج تفتقد إلى معلومة حاسمة: وهي مدة بقاء العامل الحفاز نشطاً. لقد حددت إعدادات الغاز السرعة الأولية، لكنها لم تستطع التنبؤ بموعد توقف النمو.

ولحل هذه المعضلة، قدم الباحثون طريقة جديدة للتفكير تسمى "نافذة المراقبة". فقد طلبوا من نماذج التعلم الآلي تقديم تنبؤات بناءً على إعدادات الغاز بالإضافة إلى منحنى النمو، لكنهم أوقفوا المنحنى عند أوقات مختلفة. بدأوا بفترة دقيقتين فقط، ثم أربع، ثم ست، وهكذا وصولاً إلى العشر دقائق الكاملة. وجدوا أنه في الدقائق الأولى، لم تستطع النماذج التنبؤ بالمحصول النهائي بشكل جيد، إذ لم تكن المعلومات اللازمة لمعرفة الحجم النهائي موجودة بعد. ومع ذلك، ومع امتداد نافذة المراقبة إلى المراحل المتوسطة والمتأخرة من النمو، أصبحت التنبؤات دقيقة فجأة. فبحلول مرور ست دقائق، استطاعت النماذج تقدير الارتفاع النهائي والمحصول بثقة معقولة، رغم أن النمو لم يكن قد انتهى بعد.

كان هذا التوقيت هو الاكتشاف الرئيسي. أدرك الباحثون أن "الضجيج" الذي تجاهلوه سابقاً كان في الواقع "إشارة". لم يكن التباين في المحصول خطأً عشوائياً، بل كان نتيجة لتغير سلوك العامل الحفاز بمر over الزمن. فبعض العوامل الحفازة ظلت نشطة لفترة أطول، مما سمح للغابة بالنمو بشكل أطول، بينما تلاشت أخرى مبكراً. لم يكن بالإمكان رؤية هذا التطور في البداية؛ بل لم يتضح إلا مع تقدم عملية النمو. تعلمت نماذج التعلم الآلي قراءة شكل منحنى النمو، وتحديداً تباطؤ معدل النمو، للتنبؤ بموعد توقف الغابة.

كما حددت الدراسة الأجزاء الأكثر أهمية في خليط الغاز. أظهر التحليل الحاسوبي أن كمية بخار الماء والهيدروجين في تيار الغاز كانت أهم العوامل للتنبؤ بالمحصول. ومن المعروف أن هذه الغازات تساعد في الحفاظ على نشاط العامل الحفاز، وقد أكدت البيانات أن تأثيرها كان حاسماً. وفي المقابل، لم يكن لمصدر الكربون تأثير يذكر على التنبؤ النهائي بمجرد تضمين منحنى النمو. وهذا يشير إلى أن التوازن بين إمداد الغاز وصحة العامل الحفاز هو ما يحدد المحصول في نهاية المطاف.

تمتد آثار هذا العمل إلى ما هو أبعد من مجرد زراعة الأنابيب النانوية؛ فهو يقدم مخططاً جديداً لكيفية إدارة عمليات التصنيع المعقدة. فبدلاً من مجرد وضع وصفة وانتظار الأفضل، أو الانتظار حتى النهاية لمعرفة ما إذا كانت الدفعة قد نجحت، يمكن للعلماء الآن مراقبة العملية في الوقت الفعلي واتخاذ القرارات أثناء حدوثها. فإذا أظهر منحنى النمو أن الدفعة ستكون قصيرة، يمكن إيقاف العملية مبكراً لتوفير الوقت والموارد. وعلى العكس من ذلك، إذا بدا النمو واعداً، يمكن تعديل الظروف أثناء العمل لتعظيم المحصول. وهذا ينقل دور المراقبة من مجرد فحص المنتج النهائي إلى الإدارة النشطة لحالة العملية أثناء تطورها.

في الختام، أظهر الباحثون أن قصة غابة الأنابيب النانوية لا تُكتب بالكامل في الظروف الأولية. فالبداية تهيئ المسرح، لكن منتصف ونهاية العرض يحددهما سلوك العامل الحفاز بمرور الوقت. ومن خلال مراقبة عملية النمو وهي تتكشف واستخدام النماذج الحاسوبية الذكية لقراءة العلامات، يصبح من الممكن التنبؤ بالنتيجة قبل انتهاء العملية بوقت طويل. هذا النهج يحول الوصفة الثابتة إلى حوار ديناميكي مع المادة، مما يفتح الباب أمام عصر جديد من المختبرات ذاتية القيادة التي يمكنها التكيف والتحسين في الوقت الفعلي.