تخيل أنك محقق تحاول تحديد ماهية مادة غامضة وُجدت داخل صخرة. لديك أداتان قويتان: "ماسح اهتزازي" يستمع إلى كيفية تمايل ورقص الذرات داخل المادة (وهذا ما يسمى بطيف رامان)، و"كاميرا أشعة سينية" تلتقط صورة لكيفية تكدس الذرات في شبكة بلورية (حيود الأشعة السينية). بالنسبة للعلماء، هذه الأدوات تشبه القوى الخارقة التي تكشف عن الهوية السرية للمعادن والمواد غير العضوية. ومع ذلك، هناك عقبة: كل آلة تتحدث لغة مختلفة قليلاً. فقد يسجل أحد الماسحات بيانات في تنسيق فوضوي ومتعرج، بينما يستخدم آخر شبكة نظيفة وسلسة. الأمر يشبه محاولة حل لغز حيث قطع الأحجية من صناديق مختلفة لها أشكال وألوان متباينة. وهذا يجعل من الصعب جداً على الحواسيب تعلم كيفية التعرف على هذه المواد تلقائياً. إذا لم يتمكن الحاسوب من قراءة البيانات باستمرار، فلن يتمكن من مساعدة العلماء في العثور بسرعة على مواد جديدة لبطاريات أفضل، أو ألواح شمسية، أو إلكترونيات.

هنا تبدأ قصة مشروع جديد يسمى Spec2Prop-InorgBench. فكر في هذا المشروع كأنه مكتبة ضخمة ومنظمة تعلم الحواسيب كيف تتحدث نفس لغة الأدوات العلمية هذه. لقد بنى الباحثون "مترجماً" يأخذ البيانات الخام الفوضوية من آلات مختلفة وينظفها إلى تنسيق قياسي مثالي — مثل تحويل كومة مبعثرة من قطع الأحجية إلى مجموعة مرتبة ومتجانسة. وبمجرد تنظيف البيانات، قاموا بتدريب عقل حاسوبي ذكي (ذكاء اصطناعي) للنظر في الأنماط وتخمين العائلة التي تنتمي إليها المادة، مثل السيليكات (مثل الرمل)، أو الأكاسيد، أو الكربونات. الهدف ليس استبدال الخبير البشري، بل العمل كمساعد فائق السرعة يقوم بفرز آلاف العينات، واختيار أكثرها واعداً، والقول: "مهلاً، هذا يبدو كأنه كربونات، لكنني لست متأكداً بنسبة 100%، لذا يجب على البشر التحقق منه".

المترجم العظيم للمواد

أدرك الباحثان، كوماري أمريتا وهيمانشو كومار، أنه بينما توجد قواعد بيانات مفتوحة مليئة ببيانات رامان والأشعة السينية، إلا أنها كانت فوضوية للغاية بحيث لا يمكن استخدامها لتدريب ذكاء اصطناوي موثوق. لذا، أنشأوا Spec2Prop-InorgBench، وهو "معيار مرجعي" جديد (وهو مجرد كلمة منمقة لاختبار معياري) يربط الأطياف الخام الفوضوية بالمعلومات النظيفة والمصنفة للمواد غير العضوية.

تخيل أن لديك صندوقاً ضخماً يحتوي على 4,118 طيف رامان مختلف (البصمات الاهتزازية). الكثير منها كان غير قابل للاستخدام لأنها كانت مليئة بالضجيج أو تفتقر إلى المعلومات. عمل الفريق كعمال نظافة رقميين لتنظيف البيانات. وانتهى بهم المطاف بـ 4,027 عينة غير عضوية نظيفة للعمل عليها. ولجعل البيانات جاهزة للحاسوب، بنوا "خط معالجة مسبقة وقت التشغيل". فكر في هذا كأنه حزام ناقل في مصنع. عندما يتدفق طيف خام على الحزام، فإنه يقوم بـ:

1. تحليل الملف (قراءة النص الفوضوي).
2. التنظيف (إزالة الأجزاء التالفة).
3. فرز نقاط البيانات لترتيبها.
4. الاستكمال (Interpolation) للبيانات، أي تمديد أو تقليص البيانات بحيث يكون لكل طيف بالضبط 2,048 نقطة. وهذا أمر بالغ الأهمية لأنه يحول كل بصمة فريدة وفوضوية إلى قائمة موحدة من الأرقام التي يمكن للحاسوب فهمها.
5. تصحيح خط الأساس (إزالة "الهسيس" أو الضوضاء الخلفية، مثل خفض صوت التشويش في الراديو).
6. تنعيم القمم (جعل التمايلات أكثر وضوحاً).
7. تطبيع الحجم (لكي لا يطغى إشارة قوية على إشارة ضعيفة).

المحقق الذكاء الاصطناعي: LightGBM-DART

بمجرد أن أصبحت البيانات نظيفة وموحدة، احتاج الفريق إلى محقق لحل لغز "إلى أي عائلة تنتمي هذه المادة؟". اختبروا عدة نماذج للذكاء الاصطناعي، لكنهم اختاروا نموذجاً يسمى LightGBM-DART. يمكنك التفكير في هذا النموذج كفريق من المحققين الذين يصوتون على الإجابة. بدلاً من مجرد النظر إلى الصورة الكاملة، يتميز هذا الفريق بقدرة كبيرة على رصد الأدلة المحددة.

ولمساعدة المحققين، لم يكتفِ الباحثون بتزويدهم بالأرقام الخام فقط، بل أنشأوا "ورقة مرجعية" تحتوي على 222 ميزة (دليل) لكل عينة:

• 32 دليلاً للشكل العام: تصف الشكل المنحني العام للبصمة (مثل الظل الخارجي لشخص ما).
• 126 دليلاً كيميائياً: وهي ملاحظات محددة حول القمم، مثل "هل هناك نبضة حادة عند هذه النقطة بالضبط؟" أو "هل المساحة تحت هذا المنحنى كبيرة؟". وتعتمد هذه الملاحظات على معرفة كيميائية حقيقية (على سبيل المثال، معرفة أن الكربونات لها قمة حادة محددة).
• 64 دليلاً نموذجياً: تقيس مدى تشابه العينة مع المثال "المتوسط" لكل عائلة تعلمها الحاسوب أثناء التدريب.

يستخدم الذكاء الاصطناعي هذه الأدلة لتخمين عائلة المادة. اختبر الفريق هذا على تسع عائلات مختلفة: البورات، الكربونات، الهاليدات، الأكاسيد، الفوسفات، السيليكات، الكبريتات، الكبريتيدات، ومجموعة شاملة تسمى "أخرى/نادرة".

النتائج: جيدة في التخمين، وصادقة في الشك

كانت النتائج واعدة، لكن الورقة البحثية حذرة جداً من المبالغة في الترويج لها. في مجموعة اختبار مكونة من 604 عينة (عينات لم يرها الذكاء الاصطناعي من قبل)، أصاب النموذج الإجابة الصحيحة بنسبة 66.06% من المرات. قد يبدو هذا كدرجة "C+" في المدرسة، ولكن في عالم البيانات العلمية الفوضوية ذات الفئات غير المتوازنة (حيث تمتلك بعض العائلات عينات أكثر بكثير من غيرها)، فإن هذه النتيجة تعتبر جيدة حقاً. بلغت درجة "Macro-F1" للنموذج (وهي مقياسة تعامل جميع العائلات بالتساوي، حتى النادرة منها) 59.21%.

ومع ذلك، يحدث السحر الحقيقي عندما تطلب من الذكاء الاصطناعي أن يكون أقل صرامة. إذا سألته: "هل الإجابة ضمن أفضل 3 تخمينات لك؟"، تقفز الدقة إلى 87.42%. وهذا أمر ضخم لعمليات الفرز؛ فهو يعني أن الذكاء الاصطناعي يمكنه بسرعة تضييق قائمة تضم آلاف الاحتمالات إلى ثلاثة مرشحين محتملين فقط ليقوم خبير بشري بالتحقق منهم.

كما قدمت الورقة ميزة "الوعي بالثقة". فالذكاء الاصطناعي لا يخمن فحسب، بل يخبرك بمدى تأكده.

• إذا كان الذكاء الاصطناعي واثقاً جداً (أعلى من 0.8 على مقياس من 0 إلى 1)، فإنه سيقبل حوالي 43% فقط من العينات، ولكن بالنسبة لتلك التي يقبلها، تكون دقته 89.23%.
• إذا خفضت حد الثقة إلى 0.5، فإنه يقبل 79% من العينات، لكن الدقة تنخفض إلى 73.80%.

هذا يشبه حارس الأمن في ملهى ليلي؛ إذا كان الحارس صارماً جداً (ثقة عالية)، فإنه يسمح بدخول عدد أقل من الناس، ولكن معظم من يسمح لهم بالدخول موجودون بالفعل في القائمة. وإذا كان أكثر تساهلاً، فإنه يسمح بدخول المزيد من الناس، ولكن هناك فرصة أكبر لوقوع خطأ. تؤكد الورقة أن هذه الأداة هي للفرز وتحديد الأولويات، وليس لاتخاذ ادعاءات علمية نهائية وحاسمة. إنها "فرز للمرشحين"، وليست "حكماً نهائياً".

التنبؤ بالخصائص وخلط الأدوات

حاول الباحثون أيضاً التنبؤ بخصائص أخرى، مثل ما إذا كانت المادة معدناً أم لا معدناً، أو "فجوة النطاق" الخاصة بها (وهي خاصية مهمة للإلكترونيات). ووجدوا أنه بالنسبة لهذه المهام، فإن نموذج ذكاء اصطناعي مختلف يسمى XGBoost هو الأفضل، حيث استخدم الأدلة (الموصوفات) الكيميائية دون الحاجة إلى البيانات الطيفية الخام. وقد حقق دقة عالية، حيث أصاب في 93.50% من تصنيفات المعدن/اللا معدن و 90.98% في طاقة التكوين.

كما جربوا نهجاً "متعدد الوسائط"، حيث قاموا بتغذية الذكاء الاصطناعي بكل من بيانات رامان وبيانات الأشعة السينية في آن واحد. وبنوا شبكة ذات "دماغ مزدوج" لهذا الغرض. وبينما نجح الأمر وأثبت أن البيانات يمكن دمجها، إلا أن الورقة حذرت من أنهم لا يستطيعون الادعاء بأن هذا النهج أفضل من استخدام بيانات رامان وحدها بعد، لأنهم لم يمتلكوا اختبار مقارنة مثالياً لنفس مجموعة العينات تماماً. إنها "دراسة جدوى"، تظهر أن الباب مفتوح، لكنها لا تثبت أن الغرفة مؤثثة بالكامل بالفعل.

الخلاصة

Spec2Prop-InorgBench هو مجموعة أدوات مفتوحة وجديدة تحول البيانات العلمية الفوضوية من العالم الحقيقي إلى تنسيق نظيف ومعياري يمكن للحواسيب التعلم منه. إنه يوفر طريقة موثوقة لفرز المواد غير العضوية، وتصنيفها إلى عائلات، والتنبؤ بالخصائص الأساسية بدرجة عالية من الثقة.

توضح الورقة بوضوح أن هذا ليس بديلاً للعلماء البشر أو التجارب المختبرية. إنه "سير عمل للفرز الواعي بالثقة". فهو يساعد الباحثين على تحديد أولويات العينات التي تستحق النظر إليها عن كثب، مما يوفر الوقت والجهد. ويذكر المؤلفون صراحة أن نتائجهم تستند إلى تقسيم محدد وثابت للبيانات، وأن العمل المستقبلي يحتاج إلى اختبار هذه الأدوات على مواد أكثر تنوعاً وأجهزة مختلفة لإثبات فعاليتها في كل مكان. ولكن في الوقت الحالي، لقد بنوا أساساً متيناً — "مترجماً" و"فرزاً" — يجعل رحلة اكتشاف مواد جديدة أقل شبهاً بالبحث عن إبرة في كومة قش، وأكثر شبهاً بالعثون على إبرة في صندوق منظم جيداً.