في مختبر بمانهاتن، تحاول الذكاء الاصطناعي تقليص اكتشاف المواد من عقود إلى أيام

تكتسب علوم المواد نموذجها الخاص للمختبر الذاتي

داخل مختبر في وسط مانهاتن، يقوم نظام روبوتي بخلط العناصر، وصهر السبائك، وتحليل البنية، واختبار الأداء مع تدخل بشري محدود للغاية. الهدف ليس الأتمتة البسيطة، بل تمكين الذكاء الاصطناعي من اقتراح مواد جديدة، وإجراء التجارب اللازمة لتقييمها، والتعلم من النتائج، وتكرار الدورة بوتيرة نادرًا ما تصل إليها أبحاث المواد التقليدية.

ويعود هذا المختبر إلى شركة Radical AI الناشئة، التي تقول إن نهجها يمكن أن يقصر الطريق إلى مواد صناعية جديدة لتطبيقات تمتد من محركات الطائرات الأكثر عمرًا إلى أنظمة طاقة الاندماج. وتتمثل حجة الشركة في أن الذكاء الاصطناعي يمكنه القيام بأكثر من مجرد فرز الصيغ المعروفة، إذ يمكنه المساعدة في إدارة حلقة الاكتشاف كاملة.

لماذا يعد اكتشاف المواد هدفًا صعبًا للغاية

غالبًا ما يكون تطوير مادة جديدة عملية بطيئة جدًا. يضع العلماء الفرضيات، ويصنعون مادة مرشحة، ويحللونها، ويختبرونها، ثم يراجعون الفرضية بناءً على ما حدث. وتقول Fast Company إن هذه الدورة قد تستغرق 20 عامًا أو أكثر. وتكتسب هذه المدة أهمية لأن الطلب على المواد الجديدة يرتفع في الوقت نفسه الذي يواجه فيه العالم نقصًا، وقيودًا في الأداء، وعبئًا بيئيًا ناجمًا عن الاستخراج والتصنيع.

بعبارة أخرى، تزخر علوم المواد بمشكلات عالية القيمة، لكنها مقيدة بسرعة التجارب. وهذا يجعلها مناسبة طبيعيًا لأنظمة الذكاء الاصطناعي القادرة على البحث في مساحات تصميم واسعة، وللروبوتات القادرة على تنفيذ العديد من الاختبارات المتكررة من دون انتظار ساعات العمل البشرية.

كيف تقول Radical AI إن نظامها يعمل

وفقًا للنص المصدر، يستطيع نظام الذكاء الاصطناعي لدى الشركة مراجعة 10,000 ورقة علمية في خمس ثوانٍ. وعندما يبدأ الفريق مشكلة ما، فإنه يزود النظام بمجموعة من الخصائص المطلوبة للمادة. ثم يعتمد الذكاء الاصطناعي على 380,000 ورقة و57 مليون نقطة بيانات من المختبر، بما في ذلك التجارب الفاشلة التي لا تظهر عادة في الأدبيات المنشورة.

وهذه النقطة الأخيرة مهمة. ففي العلم، تحتوي حالات الفشل غالبًا على المعلومات التي تساعد على تضييق مساحة البحث، لكنها نادرًا ما تكون مرئية خارج دفاتر الملاحظات الداخلية. يستخدم نظام Radical هذه الفشلات كجزء من ذاكرته العاملة، ثم يقترح من عشرات إلى بضع مئات من المواد المرشحة للاختبار.

مختبر ذاتي القيادة، وليس مجرد محرك تنبؤ

تم بناء المختبر حول معدات معيارية لعلوم المواد، لكن سير العمل مؤتمت بدرجة عالية. وتفيد Fast Company بأن الإعداد يمكنه تنفيذ ما يصل إلى 50 تجربة يوميًا، مع استهداف 100 تجربة يوميًا بحلول نهاية الصيف. ويقارن الرئيس التنفيذي Joseph Krause ذلك بعالم مواد بشري قد لا يجري سوى 50 تجربة في السنة.

هذا لا يعني اختفاء البشر من العملية. بل يعني أن الباحثين البشر سيتحولون إلى تحديد الأهداف، وتقييم المخرجات، وتقرير أي الاتجاهات مهمة. وتقوم رؤية Radical على أن عالِمًا واحدًا يمكنه التركيز على مشكلات متعددة لأن النظام يتحمل جزءًا كبيرًا من عبء مراجعة الأدبيات، وتوليد الفرضيات، وتنفيذ التجارب.

ما الذي قد يتغير

إذا صمد هذا النموذج، فقد يغير أحد أكثر القيود عنادًا في البحث والتطوير الصناعي: الوقت اللازم للانتقال من ملف خصائص مرغوب إلى مادة جديدة قابلة للاستخدام. ولن يضمن الاكتشاف الأسرع التسويق التجاري، لكنه قد يوسع القمع بشكل كبير من خلال تمكين الباحثين من اختبار مزيد من الأفكار والتخلص من الأفكار السيئة مبكرًا.

جمعت الشركة 55 مليون دولار في جولة تمويل أولي العام الماضي، وهو ما يعكس حجم الاهتمام الاستثماري المتدفق إلى أنظمة الذكاء الاصطناعي التي لا تعد فقط بتلخيص العلم، بل بتنفيذه في حلقة أكثر إحكامًا مع العتاد المادي. وهذا ادعاء أصعب في التحقق من معيار برمجي، لكنه أيضًا الادعاء الذي يهم إذا كان الذكاء الاصطناعي سيعيد تشكيل البحث في العالم الحقيقي.

لماذا يبرز هذا المختبر

• يجمع النظام بين توليد الفرضيات بالذكاء الاصطناعي وسير عمل تجريبي مؤتمت.
• يعتمد على الأدبيات المنشورة وعلى عشرات الملايين من نقاط بيانات المختبر الداخلية.
• تقول الشركة إن المختبر يمكنه بالفعل إجراء 50 تجربة يوميًا، مع هدف الوصول إلى 100.

لسنوات، وُصف دور الذكاء الاصطناعي في العلم غالبًا بعبارات مجردة. وتطرح Radical AI حجة أكثر واقعية بكثير: قد يعتمد مستقبل الاكتشاف على آلات يمكنها القراءة والاستدلال ثم اختبار أفكارها ماديًا بسرعة صناعية.

يعتمد هذا المقال على تغطية Fast Company. اقرأ المقال الأصلي.