يحاول الذكاء الاصطناعي تحويل أدبيات المواد المتناثرة إلى محرّك للاكتشاف
يقول باحثون في جامعة سيول الوطنية إنهم طوروا طريقة لتسريع البحث عن مواد عازلة غير رصاصية باستخدام الذكاء الاصطناعي لاستخراج البيانات الموزعة عبر مئات الأوراق العلمية وتنظيمها، ثم ربط تلك المعلومات بالتعلم الآلي المستند إلى الفيزياء لتحديد مركبات واعدة يمكن التحقق منها تجريبياً.
يعالج هذا العمل مشكلة مألوفة في علم المواد: فالأدلة اللازمة لتصميم مواد أفضل غالباً ما تكون موجودة بالفعل، لكنها مجزأة عبر النصوص والجداول والرسوم داخل كم كبير من الأدبيات. وهذا يجعل الاكتشاف التقليدي بطيئاً ومكلفاً من حيث الجهد، خصوصاً في المجالات التي يعتمد أداؤها على موازنة عدة خصائص في آن واحد.
وفي هذه الحالة، الهدف هو مواد عازلة غير رصاصية تحافظ على أداء مستقر عند درجات الحرارة المرتفعة. هذه المواد مهمة لأن العوازل تخزن الشحنة الكهربائية مع منع مرور التيار المستمر، ما يجعلها مكونات أساسية في المكثفات الخزفية متعددة الطبقات المستخدمة في الهواتف الذكية والمركبات الكهربائية ومجموعة واسعة من الإلكترونيات.
لماذا تهم هذه المواد
تُعد المواد العازلة عناصر أساسية في الإلكترونيات الحديثة. فكلما ارتفعت قيمة السماحية العازلة، أمكن للمكوّن نفسه الحجم أن يخزن طاقة كهربائية أكبر، وهو أمر مهم في الأجهزة المدمجة. لكن السعة وحدها لا تكفي. فلكي يصلح الاستخدام الواقعي، يجب أن تظل المادة مستقرة أيضاً عبر درجات الحرارة التي تواجهها أثناء التشغيل.
هذا الشرط يخلق تحدياً تصميمياً صعباً. فقد تبدو مادة ما جذابة وفق مقياس أداء واحد بينما تفشل في مقياس آخر، واضطر الباحثون تاريخياً إلى الاعتماد على التجارب التكرارية وحدس الخبراء لتضييق نطاق المرشحين. ويقول فريق جامعة سيول الوطنية إن طريقتهم مصممة لتغيير ذلك، بحيث يبدأ البحث بملف أداء مستهدف بدلاً من قائمة محدودة من المرشحين الواضحين.
وتصف الدراسة نهجاً للتصميم العكسي. فبدلاً من البدء بتركيب معين ثم قياس ما إذا كان يحقق الهدف، يحدد النظام أولاً التركيبات التي يُرجح بدرجة كبيرة أن تستوفي الخصائص المطلوبة. وهذا يغيّر دور المختبر من الاستكشاف الأعمى إلى التحقق الموجّه.
كيف بُني النظام
جمع الباحثون بين التنقيب متعدد الوسائط في الأدبيات والتعلم الآلي المستند إلى الفيزياء. ويستخرج مكوّن التنقيب المعلومات تلقائياً ليس فقط من النص، بل أيضاً من الجداول والرسوم البيانية، وهي خطوة بالغة الأهمية لأن بيانات المواد الأساسية غالباً ما تكون مدمجة في صيغ يصعب البحث فيها منهجياً.
وباستخدام هذا النهج، أنشأ الفريق مجموعة بيانات تضم 1,202 سجل لخصائص العزل مستمدة من 448 ورقة علمية. وهذا بحد ذاته نتيجة لافتة، لأن أحد أكبر الاختناقات عند تطبيق التعلم الآلي في علم المواد هو تجميع بيانات منظمة وقابلة للاستخدام من السجل المنشور.
وبمجرد بناء مجموعة البيانات، استخدم الفريق التعلم الآلي الموجَّه بالمعرفة الفيزيائية لاستكشاف فضاء تركيبي افتراضي وتحديد مرشحين من العوازل غير الرصاصية يمكنهم الحفاظ على أداء قوي في ظروف درجات الحرارة المرتفعة. وتكمن الأهمية ليس فقط في استخدام الذكاء الاصطناعي، بل في أنه كان مقيداً بقيود المجال بدلاً من معاملته كأداة عامة لمطابقة الأنماط.
وهذا الفرق مهم. فعملية اكتشاف المواد مليئة بعلاقات تبدو صحيحة لكنها تفشل عند الاختبار التجريبي أو تنهار عند تعميمها على كيميائيات غير مألوفة. وتهدف الأساليب المستندة إلى الفيزياء إلى تقليل هذا الخطر عبر ضمان أن يبحث النموذج داخل حدود ذات معنى علمي.
من التجربة والخطأ إلى البحث الموجّه
يصف الباحثون هذا العمل بأنه جزء من تحول أوسع من الاكتشاف بالتجربة والخطأ إلى التصميم المعتمد على البيانات. وقد ترددت هذه الفكرة منذ سنوات، لكن تطبيقها العملي كثيراً ما تعثر بسبب صعوبة تجميع مجموعات بيانات ذات صلة وربطها بسير العمل التجريبي الحقيقي.
وتقترح هذه الدراسة مساراً لتجاوز ذلك الحاجز. فمن خلال تنقيب المعلومات المنتشرة بالفعل في الأدبيات، يستعيد النظام فعلياً بيانات كانت ستظل حبيسة أوراق منفصلة. وهو يحول النتائج المنشورة إلى فضاء تصميم أكبر وأكثر قابلية للبحث.
ولهذا الأمر دلالتان. أولاً، يمكنه تقصير الوقت اللازم لتحديد المواد التي تستحق التصنيع في المختبر. ثانياً، يمكنه توسيع نطاق البحث إلى ما هو أبعد من معرفة العالم المباشرة، ليكشف عن تركيبات معقولة لكنها غير بديهية. وفي الإلكترونيات الناشئة والأنظمة الكهربائية، يكتسب كلا الميزة أهمية لأن أداء المكونات والتحمل الحراري وسلامة المواد تتقاطع بشكل متزايد.
كما أن التركيز على المواد غير الرصاصية مهم أيضاً. فالمواد التي تتجنب الرصاص جذابة لأسباب بيئية وتنظيمية، لكن استبدال الأنظمة المحتوية على الرصاص من دون التضحية بالأداء ظل تحدياً مستمراً. وأي طريقة تزيد فرص العثور على بدائل قابلة للتطبيق قد تكون ذات أهمية لاحقة للإلكترونيات الاستهلاكية وأنظمة المركبات والتطبيقات عالية الحرارة حيث يكون أداء المكثفات حاسماً.
ماذا يعني هذا خارج فئة واحدة من المواد
قد تكمن الأهمية الأوسع للدراسة أقل في أي مادة مرشحة واحدة وأكثر في سير العمل نفسه. فإذا كان التنقيب متعدد الوسائط في الأدبيات قادراً على تحويل الأدلة المنشورة المتناثرة إلى مجموعات بيانات صالحة للتدريب بشكل موثوق، فيمكن توسيع النهج ذاته إلى فئات أخرى من المواد التي تتوافر بشأنها بيانات كثيرة لكنها ضعيفة البنية.
وسيجعل ذلك الذكاء الاصطناعي أكثر فائدة في بيئات البحث التي لا تبدأ بقواعد بيانات خاصة ضخمة. وبدلاً من ذلك، تصبح النشر العلمي نفسه جزءاً من بنية الاكتشاف. عندها لا يكتفي النموذج بقراءة الأوراق، بل يساعد في تحويل عقود من النتائج المتراكمة إلى خريطة قابلة للبحث آلياً لما جُرّب، وما نجح، وأين تبقى الفرص غير المستكشفة.
ولا تزال هناك حدود. فالتنبؤات الحاسوبية لا تلغي الحاجة إلى التخليق والقياس وإعادة الإنتاج. ويجب على المواد المرشحة أن تثبت أيضاً أنها قابلة للتصنيع ومستقرة في الظروف الواقعية. لكن هذا تحديداً هو سبب أهمية هذا النوع من الأنظمة: فهو لا يلغي التجارب، بل يجعلها أكثر انتقائية.
وبالنسبة إلى قطاعات التكنولوجيا الناشئة التي تعتمد على مواد إلكترونية أفضل، فهذه هي العبرة الأكثر استدامة. قد لا تأتي القيمة الأعلى للذكاء الاصطناعي في العلم من استبدال الباحثين أو توليد إجابات تخمينية واسعة، بل من القيام بالعمل الأبطأ والأقل بريقاً المتمثل في استخراج الأدلة المدفونة، وتنظيمها، ومساعدة العلماء على تحديد أي التجارب تستحق التنفيذ تاليا.
هذه المادة مبنية على تغطية Phys.org. اقرأ المقال الأصلي.
Originally published on phys.org
