← أحدث الأبحاث
🔬 علوم المواد

Dynamics and transport in LiF using classical and machine learned interatomic potentials

تُظهر هذه الدراسة أن الجهود بين الذرية المتعلمة آلياً، وتحديداً MACE-MP-0b3 ومتغيرها المضبوط بدقة، تتفوق على النماذج الكلاسيكية في محاكاة فلوريد الليثيوم المنصهر من خلال إعادة إنتاج لزوجة القص التجريبية بدقة وتصحيح تقديرات نقطة الانصهار المنخفضة عبر حركة جماعية مرنة أكثر واقعية، على الرغم من افتقارها إلى الاستقطابية الصريحة.

المؤلف الأصلي: Harvey L. Devereux, Margaret-Ann Withington, Alin M. Elena, Cillian Cockrell, Kostya Trachenko

نُشر 2026-11-18
📖 5 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Harvey L. Devereux, Margaret-Ann Withington, Alin M. Elena, Cillian Cockrell, Kostya Trachenko

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

الأملاح المنصهرة هي سوائل مكونة من جسيمات مشحونة، أي أيونات، تم تسخينها حتى تكسرت بنيتها البلورية الصلبة. وبينما نفكر غالبًا في الملح كصلب يوضع في ملاحات على مائدة الطعام، فإن هذه الأملاح في عالم الطاقة النووية وتخزين الطاقة الشمسية عالي التقنية، تُصهر لتعمل كمبردات أو حاملات للوقود. وهي تحظى بتقدير كبير لقدرتها على تحمل الحرارة الشديدة دون أن تتبخر، وهي خاصية تجعلها مثالية للمفاعلات من الجيل التالي والبطاريات الحرارية. ومع ذلك، لاستخدامها بأمان وكفاءة، يحتاج المهندسون إلى معرفة كيفية تدفقها بدقة. وأحد أهم القياسات لهذا الغرض هو اللزوجة، وهي ببساطة مقياس لمقاومة السائل للتدفق، أو مدى كثافته. فإذا كان المبرد سميكًا جدًا، فلن يتمكن من نقل الحرارة بسرعة كافية؛ وإذا كان رقيقًا جدًا، فقد لا يوفر الضغط اللازم. لعقود من الزمن، حاول العلماء التنبؤ بهذه الخصائص باستخدام محاكاة الكمبيوتر، لكن الأدوات التي اعتمدوا عليها غالبًا ما كانت تخطئ في تقدير درجة الحرارة، مما يؤدي إلى تنبؤات غير دقيقة حول كيفية سلوك السائل.

لقد شرع فريق من الباحثين في حل هذه المشكلة من خلال اختبار جيل جديد من نماذج الكمبيوتر مقابل النماذج القديمة، باستخدام فلوريد الليثيوم، وهو ملح منصهر شائع، كحالة اختبار. وقارنوا بين طرق المحاكاة التقليدية، التي تعتمد على قواعد ثابتة لكيفية تفاعل الذرات، وبين نهج أحدث مدعوم بالتعلم الآلي. كانت النماذج التقليدية، رغم سرعتها، تعاني من خلل مستمر: فقد تنبأت بأن الملح سيصبح سميكًا ولزجًا عند درجات حرارة أعلى بنحو 300 درجة مما هو ملاحظ في التجارب الحقيقية. كان الأمر كما لو أن الكمبيوتر مقتنع بأن السائل لا يزال صلبًا بينما كان يتدفق بحرية في الواقع. واشتبه الباحثون في أن هذا الخطأ نابع من تقليل النماذج التقليدية لدرجة الحرارة التي ينصهر عندها الملح. ولاختبار ذلك، أجروا عمليات محاكاة مكثفة باستخدام جهد تعلم آلي يسمى MACE، وهو نموذج مدرب على كميات هائلة من البيانات الميكانيكية الكمومية لفهم كيفية سلوك الذرات دون إجبارها على قواعد مسبقة التحديد وصارمة.

كانت النتائج مذهلة. فقد نجح النموذج القائم على التعلم الآلي، والذي استُخدم مباشرة دون أي تعديلات خاصة، في التنبؤ بلزوجة الملح المنصهر عبر نطاق واسع من درجات الحرارة، مطابقةً البيانات التجريبية بمستوى من الدقة كان يتطلب سابقًا نماذج أكثر تعقيدًا وتكلفة حوسبية عالية. والأهم من ذلك، أن هذا النموذج الجديد أصلح أيضًا خطأ نقطة الانصهار. فبينما اقترحت النماذج التقليدية أن الملح سينصهر عند درجة حرارة أقل بكثير من سلوكه الفعلي، تنبأ نموذج التعلم الآلي بنقطة انصهار أقرب بكثير إلى الواقع. ولم يكن هذا التوافق محض صدفة؛ فقد وجدت الدراسة أن القدرة على التنبؤ الصحيح بمتى ينصهر الملح مرتبطة مباشرة بالقدرة على التنبؤ بمدى كثافته. فعندما نجحت المحاكاة في ضبط درجة حرارة الانصهار، استقام حساب اللزوجة أيضًا.

وللتعمق في سبب حدوث ذلك، نظر الباحثون في الرقصة المجهرية للذرات. في النماذج التقليدية، عولجت الذرات على أنها تمتلك شحنات كهربائية ثابتة، مما جعلها تتحرك في اهتزاز سريع التردد وصلب، كما لو كانت محاصرة في قفص صلب. هذا التصلب جعل السائل يبدو وكأنه يتدفق بسهولة أكبر مما هو عليه في الواقع. في المقابل، سمح نموذج التعلم الآلي للذرات بالتفاعل بطريقة أكثر مرونة ومتعددة الأجسام. وقد خلق هذا النوع من المرونة هيكلًا سائلًا أكثر مرونة (إلستيكية) بقليل، مما يعني أنه يقاوم قوى القص بشكل أكثر فعالية. وهذه الزيادة في مقاومة التدفق هي بالضبط ما تمثله اللزوجة العالية. وكشفت الدراسة أنه بينما تحركت الذرات الفردية في النموذج الجديد بحرية أكبر قليلًا، إلا أن الحركة الجماعية لمجموعة الذرات بأكملها كانت أكثر تماسكًا ومرونة، وهو ما يحكم سماكة السائل الإجمالية.

كما اختبر الفريق نسخة منقحة من نموذج التعلم الآلي، حيث تم تعديله ببيانات إضافية لمعرفة ما إذا كان بإمكانه الاقتراب أكثر من النتائج التجريبية. توقعت هذه النسخة المنقحة لزوجة أعلى قليلاً من النموذج الأساسي، حيث استقرت عند الحد الأعلى لنطاق القياسات التجريبية. ومن المثير للاهتمام أن هذه النسخة تنبأت أيضًا بنقطة انصهار أعلى قليلاً من النموذج الأساسي. وأشار الباحثون إلى أنه بينما كان النموذج المنقح قريبًا جدًا من قياسات الكثافة التجريبية، فإن الاختلافات بين النماذج المختلفة والتباين في البيانات التجريبية الواقعية جعل من الصعب إعلان نسخة واحدة كفائزة مطلقة. فالبيانات التجريبية نفسها تختلف بشكل كبير، ويرجع ذلك على الأرجح إلى الشوائب أو الاختلافات في كيفية إجراء التجارب في المختبرات المختلفة.

في الختية، تثبت الدراسة أن إمكانات التعلم الآلي يمكنها التقاط الفيزياء المعقدة للأملاح المنصهرة بطريقة لا تستطيع النماذج التقليدية القيام بها، وتحديدًا من خلال ضبط درجة حرارة الانصهار وخصائص التدفق الناتجة عنها بشكل صحيح. وتشير الأبحاث إلى أن النماذج القديمة لم تفشل لأنها كانت خاطئة تمامًا، بل لأنها كانت شديدة الصلابة، حيث أجبرت الذرات على حركة سريعة التردد وصلبة لا تعكس الطبيعة الأكثر مرونة (الإلستيكية) للسائل. ومن خلال استخدام نموذج يتعلم من البيانات الكمومية بدلاً من الاعتماد على قواعد ثابتة، تمكن الباحثون من محاكاة سائل يتصرف مثل الحقيقي تمامًا. ويعد هذا التقدم مهمًا لأنه يوفر طريقة أكثر موثوقية لتصميم الأنظمة التي تستخدم الأملاح المنصهرة، من المفاعلات النووية إلى تخزين الطاقة الشمسية، مما يضمن أن السوائل المستخدمة لنقل الحرارة ستعمل كما هو متوقع تحت الظروف القاسية. ويسلط العمل الضوء على أن فهم الحركات الجماعية الدقيقة للذرات لا يقل أهمية عن معرفة كيفية جلوسها بجانب بعضها البعض، وهو درس يمكن أن يعيد تشكيل كيفية محاكاة العلماء للمواد المعقدة الأخرى في المستقبل.

غارق في أبحاث مجالك؟

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

جرّب Digest →