ملخص المحتوى الرئيسي
يركز هذا المقال على كيفية تغيير الذكاء الاصطناعي (AI) طريقة تطوير المواد الجديدة: من خلال ثلاث نماذج رئيسية وهي MatterSim (للتنبؤ الإيجابي)، وMatterGen (للتوليد العكسي)، وMatEvolve (التي تجمع بين الخبرة البشرية)، تم حل المشكلة التي استمرت لقرون وهي “اتساع مساحة البحث وبطء سرعة الحوساب”. قام الفريق باستخدام الذكاء الاصطناعي لاستكشاف أكثر من 200,000 نوع من المواد، وتوصل إلى استنتاج مفاده أن “معدل التوصيل الحراري للألماس هو الحد الأقصى بين المواد في درجات الحرارة والضغط العادية”， كما تمكنوا من إنشاء دورة مغلقة تتراوح بين “تصميم البلورات المثالية” و“تخليق المواد الصناعية”， مما غير عملية تطوير المواد من “التجربة العشوائية” إلى “الاختيار الدقيق”， وله قيمة اقتصادية كبيرة محتملة.
التفسير التفصيلي
#### 1. معاناة تطوير المواد من صعوبات “البحث عن إبرة في كومة قش”: الذكاء الاصطناعي يحل المشكلة
ما هي الصعوبات التي واجهتها عملية البحث عن مواد جديدة في الماضي؟
- الانفجار التركيبي: يحتوي الجدول الدوري على أكثر من 100 عنصر، وتركيبات المواد مثل “كتابة كلمة باستخدام 100 حرف”， مما يؤدي إلى زيادة عدد التركيبات بشكل أسي (على سبيل المثال، هناك العديد من الأشكال المستقرة لتركيبة الكربون المكونة من 10 ذرات، وهو أكثر من عدد الذرات في الكون).
- الحسابات البطيئة: لمعرفة خصائص المواد، يجب حل معادلة شرودينغر (نسخة مبسطة)، ولكن يتطلب ذلك إجراء عدد كبير من الاستقصاءات لمعرفة خاصية واحدة فقط، وقد يستغرق الأمر أسابيع للحصول على نتائج، مما يجعل من المستحيل استكشاف كل الاحتمالات.
مزايا الذكاء الاصطناعي: مثلما حل الذكاء الاصطناعي مشكلة تركيب البروتينات باستخدام أداة AlphaFold، يمكنه التعامل مع هذه المشكلة “الانفجارية” من خلال استخدام الشبكات العصبية بدلاً من المعادلات التقليدية، مما يزيد السرعة عشرات الآلاف من المرات، وأخيرًا يحول عملية البحث من “البحث العشوائي” إلى “البحث المستهدف”.
#### 2. MatterSim: تحويل عملية تطوير المواد من التجربة العشوائية إلى الاختيار الدقيق
MatterSim هو أداة لـ “التنبؤ بخصائص المواد”， وقدرته الأساسية هي التنبؤ السريع والدقيق بالخصائص المجهرية لأي مادة (مثل الطاقة، القوة، معدل التوصيل الحراري، إلخ).
- ثورة في السرعة: تستغرق الطرق التقليدية أسابيع لحساب معدل توصيل حراري لبلورة واحدة، بينما يحتاج MatterSim إلى 30 ثانية فقط إلى دقائق، مع دقة مماثلة.
- الاستكشاف الشامل: استخدم الفريق هذه الأداة لاستكشاف أكثر من 200,000 نوع من المواد (تركيبات أحادية، ثنائية، وبعض التركيبات الثلاثية)، وتوصل إلى ثلاث استنتاجات رئيسية:
- المواد ذات معدلات التوصيل الحراري العالية نادرة جدًا (مثل البحث عن واحة في الصحراء)؛
- تم العثور على مواد مرشحة مثل TaP وTaN (تم تخليقها واختبارها، ومعدلات التوصيل الحراري لها قريبة من معدل الألماس)؛
- الألماس هو الحد الأقصى لمعدلات التوصيل الحراري بين المواد في درجات الحرارة والضغط العادية (لا حاجة لإهدار المزيد من الأموال على البحث).
لماذا يُقدّر هذا الاستنتاج بمليار دولار؟ لأن مجالات مثل تبريد الشرائح والطيران والفضاء كانت تبحث دائمًا عن مواد أفضل من الألماس، والآن بعد التأكد من ذلك، يمكن توفير مليارات الدولارات في التطوير.
#### 3. MatterGen: التوليد العكسي للمواد “ابن ما تريده”
إذا كان MatterSim يقوم بـ “التنبؤ بخصائص المواد”， فإن MatterGen يقوم بـ “تصنيع المواد” – يولد التركيبات المطلوبة استنادًا إلى الخصائص المحددة.
- القدرات القوية: يمكن تضمين مجموعة متنوعة من القيود:
- قيود العناصر: على سبيل المثال، إذا كانت المختبرات تحتوي فقط على الكربون والكوبالت والأكسجين والليثيوم، يمكن للنموذج أن يولد تركيبات محددة (مثل مادة بطارية الكوبالت الليثيوم)؛
- قيود الخصائص: مثل صنع مغناطيسات قوية “لا تحتوي على المعادن النادرة وذات كثافة مغناطيسية عالية”؛
- قيود التركيب: مثل طلب تركيبات بنظام بلوري رباعي (شائع في الأبحاث العلمية).
- القيود: حتى الآن، يمكن فقط “الاستدلال” من المواد المعروفة (مثل إنشاء تركيبات جديدة من مزيج من المواد الموجودة)، ولا يمكن بعد ذلك “الاستنتاج الكامل” لتركيبات جديدة وغير مسبوقة.
#### 4. MatEvolve: من “البلورات المثالية” إلى “المواد الصناعية القابلة للبيع”
النماذج السابقة تتعامل مع “البلورات المثالية” (ذات التركيب المثالي والمكونات النقية)، لكن المواد الصناعية غالبًا ما تحتوي على عيوب أو تكون مخلوطة أو تتطلب عمليات خاصة. يحل MatEvolve هذه المشكلة:
- دمج الخبرة البشرية: إنه نظام ذكي يمكنه الرجوع إلى المراجع ودمج معرفة خبراء الكيمياء (مثل تقنيات التخليق وتقنيات الإضافة).
- التحقق من الدورة المغلقة: استخدم الفريق هذا النموج لتصميم مادة جديدة ونجحوا في تخليقها – وهذا يعني أن الذكاء الاصطناعي أصبح قادرًا على التحول من “النظرية إلى التطبيق العملي”.
الفائدة هي: لا حاجة إلى استخدام تكاليف باهظة مثل تدريب النماذج الضخمة، حيث يمكن استخدام خبرات بشرية عمرها عقود بطريقة أقل تكلفة لتعويض الفجوة بين النظرية والتطبيق.
#### 5. الاستخدامات المحتملة للذكاء الاصطناعي في تطوير المواد
يمكن أن يساعد الذكاء الاصطناعي في تطوير مواد جديدة بشكل كبير، مما قد يؤدي إلى تحسينات في مجالات مثل الإلكترونيات والبطاريات والمواد البنائية. يمكن أن يؤدي ذلك إلى منتجات أفضل وأكثر كفاءة، مما يعزز التقدم التكنولوجي في هذه المجالات.