Machine-accelerated extraction of experimental superconducting parameters for physical insight and prediction across thousands of materials
تقدم هذه الورقة البحثية AutoSuperCon، وهو قاعدة بيانات واسعة النطاق تضم 20,354 من بارامترات الموصلية الفائقة التي تم التحقق منها تجريبياً والمستخرجة عبر نماذج اللغات الكبيرة من أكثر من 47,000 مسودة بحثية من موقع arXiv، مما يتيح رؤى فيزيائية جديدة وتنبؤات دقيقة لتعلم الآلة لآلاف الموصلات الفائقة.
المؤلف الأصلي:Mihir Manium, Benjamin Geisler, Peter J. Hirschfeld, Amalia I. Coldea
الموصلات الفائقة هي مواد يمكنها نقل الكهرباء دون أي مقاومة، مما يعني عدم فقدان أي طاقة على شكل حرارة. هذه الخاصية تجعلها "الهدف الأسمى" لتقنيات تتراوح من المغناطيسات القوية في أجهزة المسح الطبي إلى شبكات الطاقة عديمة الفقد في المستقبل. ومع ذلك، لكي تكون المادة مفيدة في هذه التطبيقات، لا يكفي معرفة درجة الحرارة التي تصبح عندها فائقة التوصيل فحسب؛ بل يحتاج المهندسون أيضًا إلى معرفة مقدار المجال المغناطيسي الذي يمكن للمادة تحمله قبل أن تتوقف عن العمل، ومقدار التيار الكهربائي الذي يمكنها حمله. لعقود من الزمن، كان العثور على موصلات فائقة جديدة بمثابة لعبة حظ بدلاً من كونها علمًا دقيقًا، حيث ظهرت اكتشافات كبرى مثل الموصلات الفائقة القائمة على النحاس وتلك القائمة على الحديد دون أي تنبؤ نظري مسبق. وبينما استُخدمت الحواسيب مؤخرًا لتخمين أي الوصفات الكيميائية قد تنجح، إلا أنها كانت محدودة بسبب نقص البيانات الموثوقة حول الخصائص الجوهرية الأخرى بخلاف درجة الحرارة الأولية تلك.
لقد قام فريق من الباحثين الآن ببناء مكتبة رقمية ضخمة جديدة لحل هذه المشكلة، من خلال إنشاء مورد يمكنه أخيرًا السماح للحواسيب بتعلم القصة الكاملة للتوصيل الفائق. لقد طوروا نظامًا آليًا قرأ أكثر من 47,000 ورقة علمية نُشرت في أرشيف عام، مستخدمين برمجيات لغوية متقدمة لاستخراج أرقام تجريبية محددة. والنتيجة هي قاعدة بيانات تسمى (AutoSuperCon)، تحتوي على أكثر من 20,000 مدخل لما يقرب من 7,000 مادة فائقة التوصيل مختلفة. ولا تضم هذه المجموعة درجة الحرارة التي تصبح عندها المادة فائقة التوصيل فحسب، بل تشمل أيضًا ثمانية قياسات رئيسية أخرى، مثل أقصى مجال مغناطيسي يمكنها النجاة منه، والعمق الذي يمكن للمجالات المغناطيسية اختراقه، وحجم فجوة الطاقة التي تسمح للإلكترونات بالازدواج. ولضمان دقة البيانات، قام الفريق بمطابقة نتائجهم مع السجلات الموجودة، ووجدوا أن استخراجهم الآلي طابق البيانات التي نظمها البشر بدقة عالية. كما قاموا بتضمين قياسات تاريخية من مسح أجري عام 1976 كان محبوسًا سابقًا في وثيقة ممسوحة ضوئيًا لم تستطع الحواسيب القياسية قراءتها، حيث قاموا برقمنتها بمساعدة برمجيات الرؤية الحديثة.
ومع امتلاك هذا القدر الهائل من البيانات الجديدة، تمكن الباحثون من اختبار نظريات طويلة الأمد حول كيفية سلوك الموصلات الفائقة. ووجدوا أنه بينما توقعت النظريات القديمة حدًا صارمًا لقوة المجال المغناطيسي الذي يمكن للموصل الفائق تحمله، فإن ما يقرب من 30 بالمائة من المواد في قاعدة بياناتهم تتجاوز هذا الحد بالفعل. وهذا يشير إلى أن العديد من الموصلات الفائقة الحديثة تعمل في نطاق لا تفسره النظريات القياسية بشكل كامل. كما اكتشفوا أن فجوة الطاقة في هذه المواد غالبًا ما تكون أكبر بكثير مما هو متوقع، لا سيما في العائلات القائمة على النحاس والقائمة على الحديد، مما يشير إلى أن القوى التي تربط أزواج الإلكترونات ببعضها أقوى بكثير مما هي عليه في المواد التقليدية. علاوة على على ذلك، حدد الفريق سقفًا علويًا واضحًا لدرجة حرارة التشغيل لهذه المواد، والذي يبدو مرتبطًا مباشرة بكثافة السائل الفائق داخل المادة. وتتحقق هذه العلاقة عبر آلاف المركبات المختلفة، مما يوفر قاعدة كمية جديدة لما هو ممكن فيزيائيًا.
إن التطبيق الأكثر إلحاحًا لهذا العمل يكمن في القدرة على التنبؤ بخصائص المواد الجديدة قبل صنعها حتى. فقد درب الباحثون نماذج حاسوبية لتخمين درجة الحرارة الحرجة وأقصى مجال مغناطيسي يمكن للمادة تحمله بناءً على مكوناتها الكيميائية فقط. وكانت هذه النماذج دقيقة للغاية بالنسبة للمواد ضمن العائلات المعروفة، حيث تنبأت بدقة بالدرجة الحرجة لآلاف الأمثلة التي استُبعدت من التدريب. ومع ذلك، كشفت الدراسة أيضًا عن حد قاطع لهذا النهج: فقد فشلت النماذج تمامًا عندما طُلب منها التنبؤ بخصائص عائلات جديدة تمامًا من المواد التي لم تكن جزءًا من تدريبها. وهذا يعني أنه بينما تعد قاعدة البيانات أداة قوية لفحص المرشحين ضمن المناطق الكيميائية المعروفة، إلا أنها لا تستطيع بعد التنبؤ بخصائص فئة غير معروفة تمامًا من الموصلات الفائقة. ويبرهن هذا العمل على أن الذكاء الاصطناعي يمكنه الآن استخراج وتنظيم المعرفة الخفية المدفونة في الأدبيات العلمية لعقود، وتحويل الملاحظات التجريبية المتناثرة إلى أساس مهيكل لاكتشاف الجيل القادم من المواد فائقة التوصيل.
ملخص تقني: AutoSuperCon
بيان المشكلة اعتمد اكتشاف الموصلات الفائقة الجديدة تاريخياً على المصادفة أكثر من التصميم، حيث حدثت الاختراقات الكبرى مثل الموصلات الفائقة القائمة على الكوبرات (cuprates) والموصلات الفائقة القائمة على الحديد دون تنبؤ نظري. وبينما توفر تعلم الآلة (ML) مساراً لتحديد المرشحين للموصلات الفائقة مسبقاً، فإن النماذج الحالية محدودة بسبب نقص بيانات التدريب التجريبية الموثقة بخلاف درجة الحرارة الحرجة (Tc). تتطلب التطبيقات العملية، مثل المغناطيسات فائقة التوصيل والإلكترونيات عديمة الفقد، معرفة بارامترات إضافية تشمل المجال المغناطيسي العلوي (Hc2)، وكثافة التيار الحرجة (Jc)، وطول التماسك (ξ)؛ ومع ذلك، يتم الإبلاغ عن هذه البارامترات بشكل روتيني في الأدبيات غير المهيكلة ولكنها غير متوفرة في مجموعات بيانات ضخمة ومنظمة صالحة لتدريب نماذج تعلم الآلة. كما أن قواعد البيانات المستخرجة من النصوص تقتصر إما على Tc أو تفتقر إلى التحقق الصارم مقابل البيانات المرجعية.
المنهجية يقدم المؤلفون AutoSuperCon، وهو سير عمل مؤتمت مصمم لاستخراج بارامترات الموصلات الفائقة التجريبية من مسودات (preprints) arXiv المتاحة للوصول ومن الأدبيات التاريخية.
استخراج البيانات: يعالج النظام أكثر من 47,000 مسودة من arXiv في فئة cond-mat.supr-con. يتم تقسيم النص، وتمرير الأقسام ذات الصلة التي تحتوي على كلمات مفتاحية (مثل "درجة الحرارة الحرجة") إلى نموذج لغوي كبير (LLM، وتحديداً OpenAI gpt-5-mini). توجه الأوامر للنظام النموذج اللغوي الكبير لاستخراج التركيب الكيميائي، وقيم البارامترات، والظروف التجريبية (الضغط، شكل العينة، اتجاه المجال) في تنسيق JSON مهيكل.
الرقمنة التاريخية: لتعويض البيانات ما قبل عام 2026، قام المؤلفون برقمنة مسح Roberts (1976) لمعايير الموصلات الفائقة. وبما أن الجداول الأصلية كانت نسخاً مطبوعة آلياً غير قابلة للقراءة بواسطة تقنية OCR القياسية، فقد استُخدم نموذج لغوي كبير متعدد الوسائط (Google Gemini 3 Flash) لتحويل الصور مباشرة إلى جداول CSV، متبوعاً بمسار تنظيف قائم على القواعد.
تنظيف البيانات والتحقق من صحتها: تخضع البيانات المستخرجة لتنظيف صارم: يتم توحيد الصيغ الكيميائية باستخدام pymatgen، وإزالة القيم غير المعقولة، ودمج المدخلات المكررة باستخدام القيم الوسيطة. يتم التحقق من صحة قاعدة البيانات مقابل مجموعة بيانات NIMS SuperCon لـ Tc ومسح Roberts (1976) للمجالات الحرجة.
تعلم الآلة: يدرب المؤلفون نماذج التنبؤ القائمة على التركيب باستخدام TabPFN-3، وهو نموذج تأسيسي للبيانات الجدولية. يتم تمثيل المدخلات بواسطة 132 من واصفات Magpie. تُدرب النماذج للتنبؤ بـ Tc و Hc2 باستخدام مواد محجوزة (مواد ليست في مجموعة التدريب) لضمان القدرة على التعميم. يتم استخدام نهج تعلم نقل مكون من مرحلتين لـ Hc2: أولاً التنبؤ بـ Tc من التركيب، ثم استخدام Tc المتنبأ به جنباً إلى جنب مع التركيب للتنبؤ بـ Hc2.
المساهمات الرئيسية والنتائج
نطاق وحجم قاعدة البيانات: يحتوي AutoSuperCon على 20,354 مدخلاً لـ 6,793 موصلاً فائقاً تغطي 84 عنصراً. وهي تغطي ثمانية بارامترات: Tc، والمجال الحراري (Hc)، والمجال الحرجي الأدنى (Hc1)، والمجال الحرجي العلوي (Hc2)، وكثافة التيار الحرجة (Jc)، وطول التماسك (ξ)، وعمق الاختراق (λ)، وفجوة التوصيل الفائق (Δ).
التحقق من الصحة: تظهر قاعدة البيانات توافقاً عالياً مع البيانات المرجعية. بالنسبة لـ Tc، يحقق AutoSuperCon معامل تحديد R2=0.96 مقابل NIMS SuperCon لـ 2,439 مادة شائعة. وبالنسبة للمجالات الحرجة، تتوافق البيانات المستخرجة من arXiv مع Roberts (1976) بمعامل Rlog2=0.90.
الرؤى الفيزيائية:
نسب الفجوة: يرتفع وسيط نسبة الفجوة (2Δ/kBTc) من 3.6 في الموصلات الفائقة التقليدية إلى 6.4 في الكوبرات، مما يتجاوز بشكل كبير قيمة BCS للارتباط الضعيف البالغة 3.53.
حد باولي: تتجاوز 28% من المدخلات حد باولي (μ0HP=1.86 T K−1×Tc)، وتكون الانتهاكات أكثر شيوعاً في الموصلات الفائقة القائمة على الحديد (66%) والثقيلة الفيرميونية (59%).
سقف كثافة السائل الفائق: بينما لا ينطبق علاقة يومورا (Tc∝1/λ02) على كامل المجموعة السكانية، لوحظ سقف تجريبي Tcceil∝1/λ02، وهو ما يتوافق مع الحدود النظرية للمواد ثنائية الأبعاد.
الأداء التنبئي:
درجة الحرارة الحرجة: يتنبأ النموذج القائم على التركيب بقيم Tc المحجوزة بمعامل Rlog2=0.83.
المجال الحرجي العلوي: يتنبأ النموذج بـ Hc2 بمعامل Rlog2=0.69 عند استخدام نهج تعلم نقل من مرحلتين (التركيب →Tc المتنبأ به →Hc2). استخدام Tc المقاس بدلاً من Tc المتنبأ به يحسن هذه النتيجة إلى 0.79، ولكن طريقة المرحلتين ضرورية لفحص المواد الجديدة حيث تكون Tc غير معروفة. تم تدريب النموذج على 1,204 موصلاً فائقاً ذات قيم Hc2 متوسطة الاتجاه، بينما استخدمت المرحلة الأولى مجموعة Tc منفصلة مكونة من 4,639 مادة ليست من بين هذه الـ 1,204، مما يضمن أن Tc المتنبأ به هو خارج العينة لكل مادة Hc2.
القيود: تفشل النماذج في الاستقراء إلى عائلات موصلات فائقة غير مرئية تماماً. عندما يتم حجب عائلات الكوبرات أو العائلات القائمة على الحديد من التدريب، تنخفض دقة التنبؤ بشكل كبير (Rlog2<0)، مما يشير إلى أن التركيب وحده لا يمكنه التقاط فيزياء العائلات الجديدة دون أمثلة سابقة.
الأهمية تثبت هذه الورقة أن الاستخراج المتسارع آلياً يمكن أن ينشئ قواعد بيانات واسعة النطاق ومحققة لمعايير الموصلات الفائقة التجريبية، متجاوزة التركيز على البارامتر الواحد في الجهود السابقة. يتيح AutoSuperCon اختبار العلاقات التجريبية عبر آلاف المواد ويكشف عن انحرافات كمية عن نظرية BCS للارتباط الضعيف القياسية. علاوة على ذلك، فإنه يثبت أنه ضمن عائلات الموصلات الفائقة المعروفة، يعد التركيب الكيميائي كافياً لفحص المرشحين لكل من Tc و Hc2. ويخلص المؤلفون إلى أن هذا النهج يسهل الاكتشاف القائم على البيانات والرؤية الفيزيائية، وأن سير العمل المؤتمت قابل للتعميم على فئات أخرى من المواد الكمومية لبناء قواعد بيانات تجريبية مهيكلة لأبحاث المواد المستقبلية المدفوعة بالذكاء الاصطناعي.