الذكاء الاصطناعي لاكتشاف المواد: التعلّم المعزَّز لدى Park وWalsh

نشرت مجلة Nature Machine Intelligence دراسة لـ Park وWalsh حول استخدام الذكاء الاصطناعي والتعلّم المعزَّز (reinforcement learning) في اكتشاف مواد بلورية جديدة. وطبّق الباحثان هذا النهج عبر إطار عمل للبحث الموجَّه عن بنى مستقرة ديناميكيًا حراريًا تتمتع بالخصائص المطلوبة. ويُعدّ ذلك إحدى الطرق الحديثة لتسريع الاكتشاف العلمي بالاعتماد على التعلّم الآلي.

كيف يبحث التعلّم المعزَّز عن البلورات

تقوم المواد البلورية على بنى ثلاثية الأبعاد منتظمة من الذرات، تشغل فيها كل ذرة موضعًا محددًا داخل الشبكة. ومجال البنى الممكنة هائل: فمن الناحية النظرية توجد مليارات التركيبات لترتيب ذرات عناصر مختلفة.

إن فحص كل احتمال حسابيًا مكلف، إذ يتعين لكل بلورة محتملة حساب طاقة بنيتها عبر محاكاة كمّية، والتحقق من استقرارها الديناميكي الحراري، وتقييم خصائصها الوظيفية. ويغيّر التعلّم المعزَّز الاستراتيجية جذريًا: فبدلًا من الاستعراض العشوائي، تتعلم الخوارزمية من النتائج وتحصل على «مكافأة» عن المواد التي تعثر عليها إذا جمعت بين انخفاض الطاقة والخصائص المطلوبة، على غرار الذكاء الاصطناعي في الألعاب الذي يتحسن عبر آلاف المباريات.

لماذا يهم ذلك للتقنيات

تحدد المواد البلورية الجديدة مسار تطور الصناعات عالية التقنية:

• البطاريات والمكثفات الفائقة للسيارات الكهربائية
• الألواح الشمسية عالية الكفاءة
• أشباه الموصلات للإلكترونيات الدقيقة والحواسيب الكمّية
• المحفزات لتصنيع الأسمدة وإنتاج الهيدروجين واحتجاز CO₂

يتطلب كل اختراق في علم المواد سنوات من التجارب. وتسريع البحث عن المواد يعني تسريع التقدم التقني. ويُظهر Park وWalsh أن التعلّم المعزَّز يمكنه تضييق نطاق البحث، فيوجّهه من احتمالات عشوائية نحو تركيبات واعدة لم ينظر فيها أحد من قبل.

الذكاء الاصطناعي للاكتشاف العلمي

يُعدّ النشر في Nature Machine Intelligence من أبرز المنابر عند تقاطع التعلّم الآلي والعلوم. وهو جزء من اتجاه راسخ: الانتقال من «الذكاء الاصطناعي لتحليل البيانات» إلى «الذكاء الاصطناعي للاكتشاف». وقبل Park وWalsh، طُبّق التعلّم العميق بالفعل في تصميم الجزيئات (AlphaFold من DeepMind لبنية البروتينات، والنماذج التوليدية للجزيئات العضوية). ويوسّع الباحثان هذه الممارسة إلى فضاء البنى البلورية، حيث يزداد التعقيد التوافقي أكثر.

ومن اللافت بوجه خاص أن Park وWalsh لا يوجّهان التعلّم المعزَّز إلى العثور على مادة مثلى واحدة فحسب، بل إلى اكتشاف مجموعة متنوعة من الخيارات، وهو أمر أكثر عملية للباحثين التجريبيين الذين يحصلون على طيف من البدائل.

ماذا يعني ذلك

يصبح اكتشاف المواد عبر التعلّم المعزَّز جزءًا من الأدوات القياسية للذكاء الاصطناعي في العلوم، إلى جانب النماذج اللغوية لتوليد الفرضيات والمحاكاة للتحقق منها. وأقرب تطبيق هو تسريع البحث والتطوير (R&D) في البطاريات وأشباه الموصلات والألواح الشمسية. أما الأفق البعيد فهو المختبرات الآلية، حيث يعمل البحث القائم على التعلّم المعزَّز ضمن حلقة مع التجارب الروبوتية: تقترح الخوارزمية، ثم يتحقق الروبوت، ثم تعود البيانات إلى النموذج.

كيف يعمل التعلّم المعزَّز في اكتشاف مواد جديدة؟

هو إطار عمل للبحث الموجَّه عن بنى مستقرة ديناميكيًا حراريًا، تشغل فيها كل ذرة من البلورة موضعًا محددًا داخل شبكة ثلاثية الأبعاد منتظمة.