Organizational Learning in Materials Discovery Campaigns: Which Databases, Calculations, and Agent Teams Pay Off

في البحث الحديث عن مواد جديدة، غالبًا ما يواجه العلماء مفارقة الوفرة. فلديهم القدرة على الوصول إلى مكتبات رقمية شاسعة تحتوي على ملايين الخصائص المحسوبة لمواد مختلفة، بدءًا من طريقة توصيل البلورات للكهرباء وصولاً إلى مدى قوة تماسك ذراتها. لطالما كان الأمل معقودًا على أن مجرد جمع المزيد من هذه السجلات الرقمية سيؤدي إلى اكتشافات أفضل. فإذا احتاج فريق إلى إيجاد أشباه موصلات ذات فجوة طاقة محددة، أو سبيكة تقاوم التآكل، يمكنه استشارة هذه القواعد البيانات قبل خلط المواد الكيميائية في المختبر فعليًا. ومع ذلك، فإن التعامل مع قواعد البيانات هذه ككتلة واحدة ضخمة من الحقيقة قد يكون مضللاً. فتمامًا كما قد يرتبك مجموعة من الأشخاص الذين يحاولون حل لغز إذا صرخ الجميع في وقت واحد بإجابات مختلفة ومتضاربة، يمكن لخوارزمية الكمبيوتر أن تضل طريقها إذا حاولت دمج متوسط الكثير من المصادر المختلفة من المعلومات. إن التحدي لا يكمل فقط في العثور على البيانات الصحيحة، بل في معرفة أي المصادر تتفق بالفعل مع الواقع وأيها يكتفي بتكرار نفسه أو يقدم ضجيجًا لا قيمة له.

هذا هو اللغز المركزي الذي عالجه الباحثون في جامعة يوتا، الذين نظروا إلى عملية اكتشاف المواد من منظور كيفية تعلم المنظمات. لقد تعاملوا مع الحملة العلمية ليس كمجرد سلسلة من الحسابات، بل كفريق من الأعضاء، حيث يمثل كل عضو قاعدة بيانات مختلفة، أو نوعًا معينًا من محاكاة الكمبيوتر، أو حتى وكيلًا برمجيًا. ومن خلال تشغيل آلاف الحملات المحاكية، اختبروا كل توليفة ممكنة من هؤلاء الأعضاء لمعرفة أي المجموعات كانت تعمل بشكل أفضل وأيها كان يعيق تقدم الفريق. كان هدفهم هو فهم كيفية انتقال المعرفة عبر المجموعة: متى يساعد إضافة مصدر جديد، ومتى يضر؟ ووجدوا أن الإجابة تعتمد بشكل كبير على كيفية هيكلة الفريق وتكلفة توليد معلومات جديدة.

في اختبار رئيسي واحد، حاول الفريق تصنيف عائلات مختلفة من المركبات الكيميائية بناءً على فجوات النطاق الخاصة بها، وهي مقيب لمدى الطاقة اللازمة لجعل الإلكترون يقفز ويقوم بالتوصيل الكهربائي. كان لديهم إمكانية الوصول إلى سبع قواعد بيانات مختلفة، تحتوي كل منها على ملايين القيم المحسوبة. وبدا أن البعض قد يتوقع حدسيًا أن استخدام قواعد البيانات السبع بالكامل سيعطي الصورة الأكثر دقة. وبدلاً من ذلك، وجد الباحثون أن المجموعة الكاملة المكونة من سبعة أعضاء كان أداؤها أسوأ من مجموعة أصغر مختارة بعناية مكونة من ثلاثة أعضاء فقط. فعندما أدرجوا السبعة جميعهم، انخفضت قدرة الفريق على التنبؤ بترتيب المواد بشكل ملحوظ. كانت المشكلة هي أن بعض قواعد البيانات كانت تقول الشيء نفسه جوهريًا، بينما كانت قواعد بيانات أخرى تقدم تنبؤات تتعارض مع القياسات الواقعية التي كان يحاول الفريق مطابقتها. ومن خلال دمج مصادر كثيرة جدًا، قام الفريق بتخفيف الإشارة القادمة من أفضل المصادر بضجيج المصادر الأسوأ. أظهرت الدراسة أن فريقًا أصغر ومترابطًا جيدًا مكونًا من ثلاث قواعد بيانات يمكنه تحقيق مستوى أعلى بكما من الدقة مقارنة بالمجموعة الكاملة المكونة من سبعة.

كما اكتشف الباحثون أن التكرار يمكن أن يكون فخًا. فقد جاءت قاعدتا بيانات من نفس المسار البرمجي واحتويتا على ترتيبات متطابقة للعائلات الكيميائية. وعندما تم التعامل مع هاتين القاعدتين كعضوين منفصلين في الفريق، فقد أديتا فعليًا إلى مضاعفة وزن هذا الرأي الواحد في التصويت النهائي، مما أدى إلى تحريف النتائج. لو أدرك الفريق أنهما مكرران وحسبهما كواحد، لكانت النتيجة مختلفة. وهذا يسلط الضوء على نقطة دقيقة ولكنها حاسمة: امتلاك المزيد من البيانات لا يعني دائمًا امتلاك المزيد من المعلومات. فإذا كانت المصادر هي مجرد نسخ من بعضها البعض، فإن إضافة المصدر الثاني لا يضيف معرفة جديدة؛ بل يضيف فقط وزنًا لرأي موجود، وهو أمر قد يكون ضارًا إذا لم يكن ذلك الرأي هو الأفضل.

تعلق اكتشاف رئيسي آخر بتكلفة خلق معرفة جديدة. في علم المواد، هناك بعض البيانات الموجودة بالفعل في الأرشيفات، وهي مجانية للاستخدام. وهناك بيانات أخرى يجب توليدها عن طريق تشغيل عمليات محاكاة حاسوبية مكلفة، والتي تستغرق وقتًا وقوة حوسبية. ووجد الباحثون أن توليد بيانات جديدة يستحق التكلفة فقط إذا تم إعادة استخدام تلك البيانات عدة مرات. في عمليات المحاكاة التي أجروها، ساعدت مجموعة جديدة من الحسابات الفريق في العثور على أفضل المواد في وقت مبكر، ولكن فقط لأنها غطت مركبات كيميائية لم تكن موجودة في أي قاعدة بيانات قائمة. ومع ذلك، بمجرد احتساب تكلفة إجراء تلك الحسابات، تبين أن البيانات الجديدة كانت تعيق الفريق في الواقع. إن فائدة امتلاك تلك المعلومات الجديدة لم تظهر إلا عندما تمت مشاركة نفس الحسابات عبر حملات بحثية متعددة ومختلفة. إذا أنفق فريق موارد لإنشاء خريطة جديدة لمنطقة ما، فإن تلك الخريطة لا تسدد تكلفتها إلا إذا استخدمتها فرق أخرى أيضًا.

كما بحثت الدراسة في كيفية عمل فرق وكلاء الذكاء الاصطناعي معًا. فقد اختبروا مجموعات من وكلاء النماذج اللغوية، وهي برامج مصممة للتفكير واتخاذ القرارات، لمعرفة ما إذا كان بإمكانهم التنسيق للعثود إلى أفضل المواد بشكل أسرع من البحث العشوائي. ومن المثير للدهشة أن فرق الوكلاء هذه لم تؤدِ بشكل أفضل من البحث العشوائي البسيط. فعندما عمل الوكلاء بدون قائد واضح، كانوا غالبًا ما يكررون المهام نفسها ويفوتون الفرص. وعندما تمت إضافة منسق لتعيين المهام، تحسن الفريق قليلاً، لكنه ظل يفشل في التفوق على خط الأساس المتمثل في البحث العشوائي. يشير هذا إلى أن مجرد إضافة المزيد من الوكلاء الأذكياء لا يخلق تلقائيًا فريقًا أكثر ذكاءً؛ بل إن هيكل كيفية تواصلهم وتبادلهم للمعلومات لا يقل أهمية عن ذكاء الأفراد أنفسهم.

ولعل الجزء الأكثر ديناميكية في البحث تضمن فريقًا تكيفيًا يمكنه تغيير هيكله الخاص أثناء العمل. فبدلاً من وجود تسلسل هرمي ثابت حيث يكون أحد الأعضاء دائمًا هو القائد، قام هذا الفريق بإعادة تقييم أعضائه بعد كل دفعة من النتائج. فإذا بدأت تنبؤات أحد الأعضاء في التعارض مع الواقع الذي يلاحظونه، يقوم الفريق بخفض مستوى ثقته في ذلك العضو. وإذا اتفق عضوان مع بعضهما البعض، يقوم الفريق بدمجهما في وحدة واحدة لتجنب إضاعة الجهد. سمح هذا النهج المرن للفريق بالعثور على أفضل المواد بشكل أسريد من أي هيكل ثابت، رغم أنه لم يؤدِ بشكل أفضل من العضو الأفضل بمفرده. المفتاح كان أن الفريق تعلم من سجله الخاص، حيث وضع ثقته في الأعضاء الذين أثبتوا موثوقيتهم وتجاهل أولئك الذين لم يفعلوا.

في نهاية المطاف، تشير الأبحاث إلى أن مستقبل اكتشاف المواد لا يكمن في جمع المزيد من البيانات، بل في أن نكون أكثر انتقائية في كيفية استخدامها. يجب أن تدمج الحملة الناجحة عدداً قلي من المصادر المتوافقة جيدًا والتي تناسب المشكلة المحددة، بدلاً من محاولة استخدام كل ما هو متاح. ويجب أن تعامل المصادر المكررة كصوت واحد، ولا تدفع مقابل حسابات جديدة إلا إذا سيتم إعادة استخدامها. والأهم من ذلك، يجب أن يكون الفريق قادرًا على التعلم من تجربته، عبر نقل ثقته إلى الأعضاء الذين يعملون بشكل جيد واستبعاد أولئك الذين لا يعملون كذلك. ومن خلال تطبيق هذه المبادئ الخاصة بالتعلم التنظيمي، يمكن للعلماء بناء فرق أكثر كفاءة تتنقل في المشهد المعقد لاكتشاف المواد بسرعة ودقة أكبر.