← أحدث الأبحاث
🔬 علوم المواد

SPARC: Evidence-guided adaptive model composition for materials discovery

إنَّ SPARC هو إطار عمل لاكتشاف المواد يقوم بتعديل تأثير النماذج التنبؤية المتنافسة ديناميكيًا بناءً على أدلة تجريبية من خارج النطاق (out-of-fold) لتحسين الاستكشاف وتحديد القياسات التي تتطلب التحقق، مما يظهر أداءً فائقًا في كل من الدقة التنبؤية والكفاءة التجريبية مقارنة بالأساليب الحالية.

المؤلف الأصلي: Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

نُشر 2026-11-17
📖 5 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

لطالما اعتمد العلم على دورة من التجربة والخطأ: يقترح الباحث فكرة، ثم يختبرها في المختبر، ويستخدم النتيجة لتشكيل التخمين التالي. وفي السنوات الأخيرة، انضمت الحواسيب إلى هذه الدورة، مستخدمةً تعلم الآلة للتنبؤ بالتجارب الأكثر احتمالية للنجاح. هذا النهج، المعروف باسم "التجريب ذي الحلقة المغلقة"، يسمح للعلماء بأتمتة البحث عن مواد جديدة، من البطاريات الأفضل إلى المحفزات الأكثر كفاءة. ومع ذلك، ظل هناك قصور خفي مستمر في هذه الأنظمة المؤتمتة؛ فمعظمها يحصر فرضياتها الأولية حول كيفية عمل العالم قبل أن يبدأ البحث حتى. فهي تختار نموذجاً رياضياً محدداً لتمثيل البيانات وتلتزم به، حتى مع وصول قياسات جديدة. ويمكن أن يكون هذا الجمود مشكلة عندما تكون البيانات شحيحة؛ فإذا كان النموذج الأولي خاطئاً، أو إذا تغيرت العلاقات بين المتغيرات أثناء انتقال البحث إلى مناطق غير مستكشفة، فقد يستمر النظام في طرح الأسئلة الخاطئة، مما يعزز تحيزاته الخاصة ويضيع الحلول الأفضل.

قدم فريق من الباحثين في جامعة تورنتو إطار عمل جديداً يسمى "SPARC" يغير طريقة تفكير هذه الأنظمة المؤتمتة. فبدلاً من الالتزام بنموذج واحد، يعامل "SPARC" النموذج العلمي نفسه كفرضية يجب مراجعتها باستمرار. إنه يتساءل باستمرار عن أي من الأوصاف الرياضية المتنافسة هي المدعومة فعلياً بالأدلة الجديدة الواردة من المختبر. ومن خلال موازنة هذه النماذج المتنافسة مع بعضها البعض بناءً على مدى جودة تنبؤها بالبيانات غير المرئية، يمكن للنظام تغيير تركيزه مع تراكم الأدلة. يسمح هذا النهج للبحث بالبقاء مرناً، متكيفاً ليس فقط مع النتائج الجديدة، بل أيضاً مع الموثوقية المتغيرة للنظريات المستخدمة لتفسيرها.

اختبر الباحثون هذه الفكرة عبر ثماني مجموعات بيانات مختلفة تشمل مواد جزيئية، وبوليمرية، وغير عضوية. وفي هذه الاختبارات، كان على "SPARC" التنبؤ بخصائص مثل استقرار المحفزات أو أداء مكونات البطارية دون الاعتماد على الواصفات الكيميائية المعقدة والمحسوبة مسبقاً التي تتطلبها الطرق الأخرى. وأظهرت النتائج أن "SPARC" استطاع مضاهاة أو تجاوز دقة التنبؤ للمسارات القائمة في معظم الحالات. وفي اختبار محدد يتعلق باستقرار المواد غير العضوية، حسن الطريقة الجديدة دقة التنبؤ بنسبة تقارب 78 بالمائة مقارنة بالتقارير السابقة. وقد تحقق هذا المكسب دون الخطوات الحسابية الإضافية التي استخدمتها الفرق الأخرى، مما يشير إلى أن التحسن جاء من الطريقة التي يدير بها النظام نماذجه وليس من امتلاكه المزيد من البيانات الخام.

لفهم كيفية عمل ذلك، تخيل فريقاً من الخبراء يحاول التنبؤ بالطقس. قد يعتمد النظام التقليدي على نموذج توقع واحد ويتجاهل أي خلاف. أما "SPARC"، في المقابل، فيستمع إلى لجنة من النماذج المختلفة، حيث يستخدم كل منها نهجاً مختلفاً قلياً لفهم البيانات. ومع ورود ملاحظات جوية جديدة، يتحقق النظام من النماذج التي لا تزال دقيقة وتلك التي بدأت تتراجع. ثم يقوم بدمج تنبؤات النماذج الأكثر موثوقية، مع إعطاء وزن أكبر لتلك التي أثبتت جدارتها أمام الأدلة الجديدة. وإذا بدأت النماذح في الاختلاف، يدرك النظام أنه يدخل منطقة عدم يقين ويعدل ثقته وفقاً لذلك. وهذا يمنع النظام من أن يصبح مفرط الثقة في المناطق التي تكون فيها البيانات ضئيلة أو حيث لا يزال العلم الأساسي غير مفهوم تماماً.

استكشف الباحثون أيضاً كيف تساعد هذه المرونة عند البحث عن مواد تختلف تماماً عن أي شيء تم اختباره سابقاً. ففي اختبار محكوم، طُلب من النظام إيجال مرشحين عاليي الأداء في نطاق يتجاوز بكثير التجارب الأولية. وبينما كان البحث ينتقل بعيداً عن البيانات المعروفة، أصبح النظام بطبيعته أكثر شكاً، لكنه لم يتوقف عن البحث. بدلاً من ذلك، استخدم مقياس الثقة الخاص به لتوجيه الاستكشاف، مع إعطاء الأولوية للمرشحين الذين يُحتمل أن يكونوا جيدين مع الإقرار بالمخاطر. سمح هذا للنظام بإيجاد مرشحين جدد واعدين بشكل أسرع بكثير من الطرق القياسية، حيث وصل إلى نتائج قريبة من المثالية بعدد أقل بكثير من التجارب.

جاء الاختبار الحقيقي للنظام في حملة مختبرية واقعية ركزت على إيجاد محفزات أفضل لتفاعل تطور الأكسجين، وهي عملية بالغة الأهمية لإنتاج وقود الهيدروجين النظيف. أعد الباحثون منصة مؤتمتة يمكنها تصنيع واختبار مواد جديدة دون تدخل بشري. وبالبدء بقاعدة بيانات تضم 125 تجربة أولية، اختار النظام 11 ظرفاً جديداً للاختبار. ومن المثير للدهشة، أن ثمانية من هذه الحالات الـ 11 أنتجت نتائج أفضل بكثير من متوسط المجموعة الأولية، حيث وصل أحدها إلى مستوى أداء قدره 242 ميلي فولت، وهي قيمة تشير إلى كفاءة عالية. كان معدل النجاح هذا أعلى بكثير مما هو متوقع عن طريق الصدفة العشوائية أو باستخدام الطرق القديمة.

بعيداً عن مجرد العثور على مواد جديدة، أظهر النظام أيضاً قدرة فريدة على تدقيق تاريخه الخاص. ففي الحملة نفسها، طلب الباحثون من النظام تحديد أي من القياسات الـ 125 الموجودة قد تكون غير موثوقة وتحتاج إلى تكرار. قام النظام بتمييز سجلات محددة للتحقق منها بناءً على الشذوذ الإحصائي والتناقضات. وعندما أعاد الباحثون اختبار هذه العينات المميزة، وجدوا أن القياسات الأصلية كانت بالفعل بعيدة جداً في كثير من الأحيان، بمتوسط فرق قدره 76 ميلي فولت بين القراءة الأولى والثانية. في المقابل، أظهرت عينات الضبط غير المميزة فرقاً أصغر بكثير بلغ 27 ميلي فولت فقط. يشير هذا إلى أن النظام لا يمكنه فقط توجيه البحث عن اكتشافات جديدة، بل يمكنه أيضاً العمل كآلية لمراقبة الجودة، وتحديد الأخطاء في السجل الحالي قبل أن تضلل القرارات المستقبلية.

يسلط هذا البحث الضضوء على تحول في كيفية عمل العلم المؤتمت في المستقبل. فبدلاً من كونه أداة جامدة تتبع مجموعة ثابتة من القواعد، يعمل النظام كشريك ديناميكي يتطور فهمه مع تعلمه. إنه يقر بأنه في المراحل الأولى من الاكتشاف، عندما تكون البيانات شحيحة، فإن أفضل مسار للمضي قدماً ليس الثقة في نظرية واحدة، بل البقاء منفتحاً على احتمالات متعددة وترك الأدلة تقرر أي منها يجب الاحتفاظ به. ومن خلال تحويل البيانات التجريبية إلى أساس لمراجعة افتراضاته، يوفر إطار العمل وسيلة أكثر قوة للتنقل في المشهد المعقد لاكتشاف المواد، مما يضمن بقاء البحث راسخاً فيما تدعمه البيانات فعلياً بدلاً مما افترضه الكمبيوتر في البداية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →