الذكاء الاصطناعي يربط بين عائلات المحفزات في دفعة نحو هيدروجين أكثر خضرة

الذكاء الاصطناعي يحاول مسارًا مختلفًا نحو محفزات أفضل للهيدروجين

يقول فريق بحثي في معهد العلوم الأساسية إنه ابتكر إطارًا للذكاء الاصطناعي مصممًا للبحث عن مرشحين للمحفزات عبر دمج المعرفة من عائلات مواد تُدرس عادةً بشكل منفصل. ويستهدف العمل أحد الاختناقات الرئيسية في إنتاج الهيدروجين الأخضر: تفاعل تطور الأكسجين، وهو النصف الأكثر استهلاكًا للطاقة في تحليل الماء كهربائيًا.

وليس الادعاء الأساسي أن الذكاء الاصطناعي يسرّع فقط سير عمل الفحص الحالي. بل يجادل الباحثون بأن النموذج يمكنه نقل المعلومات عبر فئات من المحفزات تُعامل عادةً كأنها مجالات منفصلة. في دراستهم، تعلّم النظام من محفزات ذرة واحدة مدعومة بالكربون ومن محفزات أكسيد البيروفسكايت، ثم استخدم تلك الأنماط للتنبؤ بسلوك فئة ثالثة: محفزات ذرة واحدة مدعومة على أكاسيد البيروفسكايت.

هذه الخطوة العابرة بين العائلات هي التطور الرئيسي. غالبًا ما ظل اكتشاف المحفزات مقيدًا بحدود فئة مادية واحدة، إذ تُحسَّن محفزات الأكاسيد بمقارنتها بأكاسيد أخرى، وتُقارن محفزات الذرة الواحدة بتراكيب مشابهة. ويقول فريق IBS إن هذا الفصل قد يترك مكاسب الأداء دون استغلال، خاصة إذا كان التصميم الأكثر فاعلية هجينًا يستعير نقاط القوة من أكثر من عائلة.

لماذا يهم تفاعل الأكسجين

في تحليل الماء كهربائيًا، لا يعتمد إنتاج الهيدروجين على مجرد فصل الجزيئات نظريًا. فـتفاعل تطور الأكسجين بطيء ويتطلب طاقة إضافية، ما يرفع تكلفة إنتاج الهيدروجين من دون انبعاثات كربونية مباشرة. ويمكن للمحفزات الأفضل أن تخفف هذه الكلفة عبر خفض فرط الجهد وتحسين الكفاءة.

ويقول الباحثون إن نموذجهم صُمم للتنبؤ بالنشاط التحفيزي لتفاعل تطور الأكسجين في الوسط القلوي من خلال تعلم نوعين مختلفين من المعلومات البنيوية في الوقت نفسه. فقد عولج ترتيب الذرات على السطح على أنه معلومات صور، بينما مُمثَّلت بنية الأكسيد الكتلية على أنها معلومات رسومية. ومن خلال إقران هاتين الرؤيتين، حاول النظام ربط قواعد تصميم السطح في محفزات الذرة الواحدة بالقواعد البنية في أكاسيد البيروفسكايت.

والنتيجة، وفقًا لملخص الدراسة، هي إطار تعلم آلي يمكنه اقتراح مرشحين واعدين خارج عائلات المواد التي دُرِّب عليها مباشرة. وهذا أمر مهم لأن جزءًا كبيرًا من المجال لا يزال يعتمد على البحث داخل الفئات المعروفة بدلًا من البحث عبرها.

ما الذي تغيّر في هذا النهج

أقوى دلالة في الورقة هي دلالة منهجية. فإذا كان النموذج متينًا، فهذا يعني أن أبحاث المحفزات لا تحتاج إلى البقاء محصورة في سلاسل كيميائية ضيقة. وبدلًا من ذلك، يمكن للباحثين استخدام الذكاء الاصطناعي لتحديد التركيبات التي قد يتغاضى عنها المتخصصون البشر عندما تُنظم خبراتهم حول تقاليد محفزات منفصلة.

لكن ذلك لا يعني تلقائيًا أن اختراقًا تجاريًا وشيك. فالمادة المصدرية تدعم استنتاجًا أضيق: الإطار يقدم طريقة جديدة لاكتشاف مرشحين للمحفزات في أنظمة الهيدروجين الأخضر. إنه تحول في استراتيجية البحث، لا ادعاء بأن مشكلة تكلفة الهيدروجين قد حُلّت بالفعل.

ومع ذلك، فإن الاتجاه لافت. فقد ظل الهيدروجين طويلًا يواجه توترًا مألوفًا. فهو جذاب بوصفه وقودًا صناعيًا ووسيطًا للتخزين عندما يُنتَج بشكل نظيف، لكن كفاءة التحليل الكهربائي وتكلفته ما زالتا عقبتين رئيسيتين. وأي أداة تحسن معدل نجاح تصميمات المحفزات الجديدة قد تكون ذات أهمية تتجاوز المختبر، خاصة إذا ساعدت على تقليل الوقت بين النظرية والفحص والتحقق التجريبي.

إشارة أوسع لعلم المواد

وتنسجم الدراسة أيضًا مع نمط أوسع في أبحاث المواد المتقدمة، حيث يُستخدم الذكاء الاصطناعي بشكل متزايد ليس فقط لترتيب المرشحين المعروفين، بل لربط قواعد معرفة مجزأة. وفي هذه الحالة، يقدم الفريق الذكاء الاصطناعي بوصفه جسرًا يعبر حدود المحفزات، لا مصنفًا أسرع داخل فئة واحدة.

وبالنسبة للهيدروجين الأخضر، فإن هذا التمييز مهم. فبعض أصعب المكاسب قد تأتي من تركيبات تبدو ممكنة كيميائيًا لكنها سهلة الإغفال مؤسسيًا لأنها تقع بين تخصصات راسخة. ومن خلال التعامل مع عائلات المحفزات المختلفة على أنها مصادر للمعرفة القابلة للنقل، يقدم باحثو IBS حجة مفادها أن المادة المفيدة التالية قد تنشأ من التداخل لا من التحسين داخل فئة واحدة.

ولا تعد الورقة، المنشورة في Nature Materials وفقًا للتقرير الأصلي، بطفرة صناعية فورية. لكنها تقدم طريقة أكثر طموحًا للبحث: علِّم نموذجًا ما الذي يبرع فيه كل نظام محفز منفصل، ثم اطلب منه استنتاج ما قد يحققه نظام هجين جديد. وفي مجال قد تكون فيه مكاسب الكفاءة التدريجية ذات آثار اقتصادية كبيرة، فإن ذلك تطور مهم.

تعتمد هذه المقالة على تقرير Phys.org. اقرأ المقال الأصلي.