لماذا كان اكتشاف مادة جديدة يستغرق سنوات طويلة؟

لا تتحدد خصائص المادة بالعناصر التي تتكون منها فقط، بل بالطريقة التي تنتظم بها الذرات والروابط داخل بنيتها. قد تتشابه مادتان في التركيب الكيميائي، لكن اختلاف ترتيب الذرات أو الضغط أو درجة الحرارة أو طريقة التصنيع يمنحهما خصائص متباينة بصورة كبيرة.

عندما يبحث العلماء عن مادة جديدة لبطارية مثلًا، لا يكفي أن تكون قادرة على تخزين كمية كبيرة من الطاقة. يجب أيضًا أن تكون مستقرة حراريًا، وقابلة للشحن مرات عديدة، وسريعة في نقل الأيونات، وغير شديدة التكلفة، وألا تعتمد على عناصر نادرة يصعب تأمينها.

لهذا كانت عملية التطوير التقليدية تمر بدورات طويلة: صياغة فرضية، ثم اختيار تركيبة، وتحضير عينة، وإجراء القياسات، وتحليل النتائج، وبعد ذلك تعديل الفرضية والبدء من جديد. وقد يستغرق تحضير عينة واحدة أيامًا أو أسابيع، بينما يضم فضاء المواد الممكنة ملايين التركيبات والبنى الذرية.

لا تأتي السرعة من الاستغناء عن المختبر، بل من تقليل عدد التجارب التي لا تستحق التنفيذ منذ البداية.

كيف يعمل الذكاء الاصطناعي في اكتشاف المواد؟

يعتمد هذا المجال على ما يُعرف باسم المعلوماتية المادية، وهي دمج علوم المواد والكيمياء والفيزياء مع تحليل البيانات والتعلم الآلي. ويجري تدريب النماذج على بيانات تشمل التراكيب الكيميائية والبنى البلورية وطاقات التكوين والخواص الكهربائية والميكانيكية والحرارية.

الشبكات العصبية البيانية وتمثيل الذرات

من أهم الأدوات المستخدمة الشبكات العصبية البيانية أو Graph Neural Networks. تُمثّل المادة داخل النموذج على صورة رسم بياني، حيث تُعامل الذرات بوصفها عُقدًا، بينما تمثل الروابط أو العلاقات المكانية بين الذرات الحواف التي تصل بينها.

يسمح هذا التمثيل للنموذج بتعلم كيفية تأثير البيئة المحيطة بكل ذرة في خصائص المادة. ومن خلال التدريب على عدد كبير من الأمثلة، يستطيع تقدير خصائص مثل طاقة التكوين والاستقرار وفجوة الطاقة والموصلية دون إجراء تجربة مادية لكل اقتراح.

نظرية دالة الكثافة ودور النماذج البديلة

تعتمد علوم المواد الحسابية منذ سنوات على نظرية دالة الكثافة أو Density Functional Theory، المعروفة اختصارًا باسم DFT. تتيح هذه الطريقة دراسة التوزيع الإلكتروني داخل المادة وتقدير طاقتها وخصائصها، لكنها قد تكون مكلفة حسابيًا عند تطبيقها على أعداد ضخمة من البنى.

لا تستبدل نماذج الذكاء الاصطناعي حسابات DFT دائمًا، بل تعمل غالبًا كمرشح سريع أو نموذج بديل تقريبي. تفحص الخوارزمية عددًا هائلًا من المرشحات، ثم تُستخدم الحسابات الفيزيائية الأكثر دقة مع أفضل النتائج فقط.

حلقة التعلم النشط

في التعلم النشط لا يكتفي النظام بتحليل بيانات ثابتة، بل يختار التجربة أو الحساب الذي يمكن أن يضيف أكبر قدر من المعرفة. بعد ظهور النتيجة، تُعاد إلى النموذج لتحديث توقعاته، ثم يختار الخطوة التالية.

بهذه الطريقة لا تُنفذ التجارب بترتيب عشوائي، بل وفق استراتيجية تقلل عدم اليقين وتساعد النظام على فهم المناطق غير المعروفة من فضاء المواد.

التصميم العكسي للمواد

في البحث التقليدي يبدأ العلماء بمادة ثم يسألون: ما خصائصها؟ أما في التصميم العكسي فيبدأ الباحث بالخاصية المطلوبة، مثل موصلية كهربائية مرتفعة أو مقاومة للحرارة أو انخفاض الاعتماد على عنصر نادر، ثم يطلب من النموذج اقتراح تراكيب قد تحقق هذه الشروط.

هذا التحول مهم للصناعة، لأن الشركات لا تحتاج إلى مواد جديدة لمجرد الجِدة، بل إلى مواد تحقق هدفًا واضحًا ضمن قيود التكلفة والسلامة وسهولة الإنتاج.

مشروع GNoME: ماذا يعني اكتشاف 2.2 مليون بنية بلورية؟

يُعد مشروع GNoME التابع لـGoogle DeepMind أحد أبرز الإنجازات في هذا المجال. ويشير الاسم إلى Graph Networks for Materials Exploration، أي استخدام الشبكات البيانية لاستكشاف المواد.

وفق الدراسة المنشورة في مجلة Nature، أنتج النظام نحو 2.2 مليون بنية بلورية مرشحة، وقدّر الباحثون أن قرابة 381 ألف بنية منها تتمتع باستقرار حسابي مرتفع. ويمثل ذلك توسعًا كبيرًا في عدد المواد التي يمكن للعلماء دراستها مقارنة بما كان متاحًا سابقًا.

استخدمت بعض التغطيات الإعلامية تعبير أن نتائج GNoME تعادل نحو 800 عام من الاكتشافات البشرية. هذه مقارنة تقديرية لتوضيح ضخامة عدد المرشحات، وليست دليلًا على أن النظام أنجز فعليًا 800 عام من التجارب المخبرية.

تكمن أهمية المشروع في توسيع خريطة المواد المحتملة وتقليل المساحة التي يحتاج الباحثون إلى استكشافها بصورة يدوية. وبعد ذلك تبدأ مراحل أخرى تشمل المحاكاة الدقيقة، ودراسة مسارات التخليق، وتحضير العينات والتحقق من خصائصها.

المصدر العلمي: دراسة Scaling deep learning for materials discovery المنشورة في Nature.

مختبر A-Lab: من التنبؤ على الشاشة إلى التصنيع داخل المختبر

يبقى اقتراح مادة جديدة بواسطة الحاسوب غير كافٍ ما لم يتمكن العلماء من تصنيعها. وهنا تظهر أهمية مختبر A-Lab في مختبر لورانس بيركلي الوطني، الذي يجمع بين التخطيط الحاسوبي والأجهزة الروبوتية وتقنيات تحليل المواد.

يستقبل النظام قائمة بالمواد المستهدفة، ثم يخطط لوصفات التخليق، ويحدد المواد الأولية ونسب المزج ودرجات الحرارة. تتولى الأجهزة خلط المساحيق وتسخينها، ثم يجري تحليل الناتج باستخدام حيود الأشعة السينية للتأكد من المادة التي تم إنتاجها.

في التجربة المنشورة في Nature، عمل A-Lab بصورة شبه ذاتية لمدة 17 يومًا، واختبر 58 هدفًا ماديًا، ونجح في تخليق 41 مركبًا منها. ويُعد هذا إنجازًا مهمًا لأنه يوضح إمكانية ربط التنبؤ الحسابي بالتجربة الفعلية داخل حلقة سريعة نسبيًا.

وفي الوقت نفسه، تكشف الأهداف التي لم ينجح النظام في تصنيعها عن حدود التقنية. فمسارات التخليق قد تكون غير مكتملة، وقد تظهر تفاعلات جانبية أو أطوار غير متوقعة، كما قد تحتاج الأجهزة إلى معايرة أو تدخل من العلماء.

المصدر العلمي: دراسة An autonomous laboratory for the accelerated synthesis of novel materials.

MatterGen والانتقال من البحث إلى توليد مواد حسب الطلب

يمثل مشروع MatterGen من Microsoft Research اتجاهًا مختلفًا في اكتشاف المواد. فبدل تحليل قائمة موجودة من التراكيب فقط، يستخدم نموذجًا توليديًا لإنشاء بُنى بلورية غير عضوية جديدة يمكن توجيهها نحو خصائص محددة.

تعتمد الفكرة على نماذج الانتشار، وهي العائلة التقنية نفسها التي تُستخدم في بعض مولدات الصور، لكن مع تكييفها للتعامل مع أنواع الذرات ومواقعها وأبعاد الشبكة البلورية. ويمكن توجيه النموذج وفق شروط مثل التركيب الكيميائي أو التناظر البلوري أو بعض الخصائص الإلكترونية والميكانيكية والمغناطيسية.

لا يعني ذلك أن النظام يصنع مادة جاهزة بمجرد وصفها. الاقتراح الناتج يحتاج إلى تقييم الاستقرار، وحسابات أكثر دقة، وتحديد وصفة التخليق، ثم التحقق التجريبي. وقد تضمنت دراسة MatterGen تحققًا تجريبيًا من أحد الاقتراحات، وهو ما يدعم المنهج دون أن يثبت قابلية تصنيع كل ما يولده النموذج.

المصدر العلمي: دراسة A generative model for inorganic materials design المنشورة في Nature.

Microsoft Discovery وصعود الذكاء الاصطناعي الوكيلي في البحث العلمي

يتجه المجال الآن من الاعتماد على نموذج منفرد إلى منصات تضم مجموعة من الوكلاء الأذكياء. يمثل Microsoft Discovery مثالًا على هذا الاتجاه، إذ تهدف هذه البيئة إلى مساعدة فرق البحث والتطوير على ربط النماذج والبيانات والمحاكاة والأدوات العلمية داخل مسار عمل متكامل.

يمكن لوكيل أن يبحث في الأوراق العلمية، بينما يقارن وكيل آخر المواد المعروفة، ويشغّل ثالث نموذجًا للتنبؤ بالخصائص، ثم يجمع وكيل تنسيقي النتائج ويقترح فرضية أو تجربة جديدة. ويستطيع الباحث مراجعة الخطوات والنتائج قبل إرسال المقترح إلى المختبر.

تكمن قيمة هذا الاتجاه في أن المشكلة العلمية لا تحتاج عادة إلى نموذج واحد، بل إلى سلسلة من المهام: قراءة الأدلة، واختيار البيانات، وتشغيل الحسابات، وتقييم عدم اليقين، ثم إعداد خطة التحقق.

كيف تتحول سنوات البحث إلى أشهر؟

عبارة اختصار سنوات البحث إلى أشهر ليست قانونًا ينطبق على كل مشروع، لكنها قد تتحقق في مراحل معينة، خصوصًا مرحلة البحث الأولي عن المرشحات. يحدث التسريع عبر مجموعة من الخطوات المترابطة:

1. استبعاد الخيارات الضعيفة مبكرًا: يرشح النموذج عددًا صغيرًا نسبيًا بدل تصنيع آلاف العينات.
2. تقليل الحسابات المكلفة: تُستخدم نماذج سريعة قبل تخصيص موارد DFT والمحاكاة الدقيقة.
3. اختيار التجربة الأعلى قيمة: يحدد التعلم النشط التجربة التي تقلل عدم اليقين بدل تكرار تجارب متشابهة.
4. تشغيل المختبر بصورة متواصلة: تستطيع الأجهزة الآلية تنفيذ خطوات متكررة وتقليل الوقت بين التجارب.
5. إعادة استخدام النتائج الفاشلة: تُضاف التجارب غير الناجحة إلى البيانات حتى يتجنب النظام تكرار المسارات نفسها.
6. ربط مصادر المعرفة: تساعد المنصات الوكيلية في جمع الدراسات وقواعد البيانات والمحاكاة داخل عملية واحدة.

لكن الوصول إلى مرشح واعد خلال أسابيع أو أشهر لا يعني وصول المنتج إلى الأسواق في الفترة نفسها. فقد تستغرق اختبارات العمر والسلامة والاستقرار والتوسع الصناعي والموافقات التنظيمية سنوات إضافية.

التطبيقات العملية في الطاقة والاستدامة

تطوير مواد البطاريات

تبحث شركات البطاريات والسيارات الكهربائية عن مواد تزيد كثافة الطاقة، وتتحمل دورات شحن أكثر، وتخفض مخاطر الاشتعال، وتقلل الاعتماد على عناصر مرتفعة التكلفة أو محدودة الإمداد.

يمكن للذكاء الاصطناعي دراسة مواد الأقطاب والإلكتروليتات الصلبة والسائلة والواجهات التي تتكون أثناء التشغيل. لكنه لا يضمن تلقائيًا مضاعفة كفاءة البطارية، لأن تحسين السعة مثلًا قد يصاحبه انخفاض في الأمان أو زيادة في التكلفة أو صعوبة في التصنيع.

المحفزات الكيميائية والهيدروجين

تعتمد عمليات إنتاج الهيدروجين والوقود الاصطناعي والأمونيا والمواد الكيميائية على محفزات تساعد في تسريع التفاعلات وتقليل استهلاك الطاقة. يستطيع الذكاء الاصطناعي اقتراح تركيبات وأس surfaces جديدة ودراسة طريقة تفاعل الجزيئات معها.

ومع ذلك، قد يختلف أداء المحفز الحقيقي عن النموذج المثالي بسبب التلوث أو تغير سطح المادة أثناء التشغيل أو اختلاف ظروف الضغط والحرارة.

أشباه الموصلات ومراكز البيانات

يمكن استخدام النماذج في البحث عن مواد ذات خصائص إلكترونية وحرارية مناسبة للرقائق وأجهزة الطاقة. وقد تساعد مواد أفضل في تقليل الفاقد الحراري واستهلاك الطاقة، لكن تحويلها إلى مكونات إلكترونية يحتاج إلى توافقها مع تقنيات التصنيع الدقيقة وسلاسل الإنتاج الحالية.

التقاط الكربون وفصل الغازات

تحتاج تقنيات التقاط ثاني أكسيد الكربون إلى مواد تمتص الغاز بصورة انتقائية ثم تطلقه باستهلاك منخفض للطاقة. وتُستخدم الخوارزميات لدراسة الأطر الفلزية العضوية والأغشية والمواد المسامية، مع ضرورة مراعاة الثبات والرطوبة والتكلفة وإمكانية إعادة الاستخدام.

تقليل الاعتماد على المعادن الحرجة

من أهم أهداف اكتشاف المواد إيجاد بدائل تقلل الاعتماد على الليثيوم والكوبالت والنيكل والعناصر الأرضية النادرة. لا يعود ذلك إلى التكلفة فقط، بل إلى تركّز بعض سلاسل الإمداد في مناطق محددة وتأثرها بالتوترات الاقتصادية والسياسية.

مرجع خارجي: تقرير المعادن الحرجة العالمي الصادر عن الوكالة الدولية للطاقة.

هل توفر هذه التقنية مليارات الدولارات للشركات؟

تنفق شركات التقنية والطاقة والسيارات والصناعات الكيميائية مبالغ ضخمة على البحث والتطوير والحوسبة والمختبرات والبطاريات. لكن من الصعب تحديد رقم موحد يمثل الإنفاق أو الوفورات الناتجة عن اكتشاف المواد بالذكاء الاصطناعي وحده.

قد تدمج التقارير بين ميزانيات الحوسبة السحابية، وتمويل الشركات الناشئة، وإنفاق مصانع البطاريات، والمختبرات الحكومية، وتطوير أشباه الموصلات. لذلك قد تكون عبارة “استثمارات بمليارات الدولارات” صحيحة عند الحديث عن المنظومة الواسعة، لكنها لا تثبت أن كل هذه الأموال مخصصة مباشرة لخوارزميات اكتشاف المواد.

الفائدة الاقتصادية الأكثر واقعية تتمثل في تقليل عدد التجارب غير الواعدة، وتوجيه موارد المحاكاة والمختبرات بصورة أفضل، وتسريع الوصول إلى مرشح يمكن تسجيله كبراءة اختراع أو تطويره إلى منتج.

البيانات: الوقود الحقيقي لثورة اكتشاف المواد

تعتمد جودة النموذج على جودة البيانات التي يتعلم منها. وتوفر منصات مثل Materials Project بيانات حسابية منظمة حول أعداد كبيرة من المواد والبنى البلورية، ما يساعد الباحثين على المقارنة وبناء النماذج.

قاعدة بيانات علمية: منصة Materials Project لبيانات المواد المحسوبة.

لكن البيانات العلمية ليست متجانسة دائمًا. قد تُجرى القياسات بأجهزة مختلفة أو درجات حرارة وضغوط غير متطابقة، وقد لا توثق بعض الأوراق جميع خطوات التحضير. كما تميل المجلات إلى نشر التجارب الناجحة أكثر من الفاشلة، رغم أن النتائج السلبية مهمة لتدريب النماذج.

تحتاج المنظومة إلى تسجيل نوع الأجهزة ونقاوة المواد ومعدل التسخين والضغط والرطوبة وعدم اليقين في القياس. فالبيانات الكثيرة وغير المنضبطة قد تكون أقل فائدة من مجموعة أصغر موثقة بعناية.

ما الحدود التي لا تظهر في العناوين المتفائلة؟

الاستقرار الحسابي لا يساوي سهولة التصنيع

قد تكون البنية مستقرة وفق الحسابات، لكنها تحتاج إلى ضغط أو حرارة مرتفعة، أو قد تتحول إلى مادة أخرى أثناء التبريد، أو يصعب إنتاجها بدرجة النقاوة المطلوبة.

تحسين خاصية واحدة لا يكفي

قد تتمتع مادة بموصلية ممتازة لكنها هشة أو سامة أو مرتفعة التكلفة. ويجب أن تحقق المادة التجارية توازنًا بين الأداء والأمان والعمر والتكلفة وسهولة التصنيع.

الفجوة بين العينة الصغيرة والإنتاج الضخم

نجاح تصنيع بضعة مليغرامات لا يعني سهولة إنتاج أطنان من المادة. تظهر أثناء التوسع تحديات تتعلق بالخلط والحرارة والنقاوة واستهلاك الطاقة وثبات الجودة بين الدفعات.

عدم اليقين والنتائج الواثقة الخاطئة

قد يقدم النموذج توقعًا يبدو دقيقًا رغم أن المادة بعيدة عن بيانات تدريبه. ولهذا يجب قياس عدم اليقين وإجراء اختبارات خارج نطاق البيانات المعروفة، لا الاعتماد على النتيجة الأعلى تقييمًا فقط.

الأثر البيئي للحوسبة

تساعد هذه التقنيات في البحث عن مواد أكثر استدامة، لكنها تعتمد أيضًا على مراكز بيانات ومحاكاة تستهلك الطاقة. يجب تقييم الفائدة البيئية على امتداد دورة حياة المادة بدل افتراض أن استخدام الذكاء الاصطناعي مستدام تلقائيًا.

كيف تميّز الإنجاز العلمي الحقيقي من الدعاية؟

عند قراءة خبر يقول إن الذكاء الاصطناعي اكتشف مادة ثورية، يمكن تقييمه من خلال الأسئلة التالية:

1. هل المادة مجرد توقع حاسوبي أم تم تصنيعها فعلًا؟
2. هل نُشرت النتائج في دراسة علمية خضعت للمراجعة؟
3. هل تحقق مختبر مستقل من خصائص المادة؟
4. ما الخاصية التي تحسنت، وفي أي ظروف قياس؟
5. ما المادة أو التقنية المستخدمة بوصفها خط أساس للمقارنة؟
6. هل نوقشت التكلفة والسلامة والاستقرار وإمكانية التوسع؟
7. هل ذكرت الدراسة حالات الفشل وعدم اليقين؟

هل سيستبدل الذكاء الاصطناعي علماء المواد؟

الأرجح أن التقنية ستغيّر طبيعة عمل الباحث أكثر مما ستلغي دوره. ستتولى الأنظمة فرز البيانات وتشغيل الحسابات والتجارب المتكررة، بينما يركز العلماء على صياغة المشكلات وتحديد القيود وتقييم النتائج وتصميم اختبارات التحقق.

يظل التدخل البشري ضروريًا عندما يتعلم النموذج علاقة زائفة، أو تظهر قراءة غير طبيعية بسبب خلل في الجهاز، أو يقترح النظام تجربة غير آمنة. كما يحتاج المجال إلى فرق تجمع علوم المواد والكيمياء والفيزياء والهندسة والبرمجة والإحصاء والروبوتات.

الأسئلة الشائعة حول اكتشاف المواد بالذكاء الاصطناعي

الخلاصة

يمثل اكتشاف المواد بالذكاء الاصطناعي تحولًا حقيقيًا في طريقة إجراء الأبحاث. فقد أظهر GNoME قدرة النماذج على توسيع فضاء البنى البلورية المرشحة، وأثبت A-Lab إمكانية نقل بعض التوقعات إلى مختبر شبه ذاتي، بينما يوضح MatterGen كيف يمكن توليد مواد بناءً على خصائص مرغوبة.

ويضيف صعود منصات الذكاء الاصطناعي الوكيلي مرحلة جديدة، حيث لا يعمل النموذج منفردًا، بل ضمن منظومة تجمع البحث في الدراسات والمحاكاة وتحليل البيانات وتخطيط التجارب. ومع ذلك، لا تزال التجربة والتحقق المستقل والهندسة الصناعية عناصر لا يمكن تجاوزها.

الأدق أن نقول إن الذكاء الاصطناعي يستطيع اختصار رحلة الوصول إلى المرشح الواعد، لكنه لا يختصر تلقائيًا جميع الخطوات التي تفصل بين التوقع الحاسوبي والمادة المصنعة والمنتج التجاري.