DiffSyn من MIT: الذكاء الاصطناعي التوليدي يكتب «كتاب وصفات» للمواد الجديدة
يعيش علم المواد وضعًا متناقضًا: بفضل نماذج مثل GNoME من Google نعرف بوجود ملايين المواد المحتملة، لكننا لا نملك أدنى فكرة عن كيفية تصنيعها. وقد قرر باحثو MIT سدّ هذه الفجوة بنموذج DiffSyn. هذا نموذج توليدي لا يكتفي بتقديم بنية نظرية، بل يعطي «وصفة» محددة: أي المكوّنات تُخلط، وعند أي درجة حرارة، وبأي تسلسل. يحلل DiffSyn الخصائص المطلوبة ويقترح أقصر مسار للتخليق، موفّرًا أشهرًا من التجارب المخبرية القائمة على المحاولة والخطأ. فبعد أن كان الذكاء الاصطناعي مهندسًا معماريًا، يتحول الآن إلى طاهٍ رئيسي.
معالج بواسطة الذكاء الاصطناعي من MIT News؛ بتحرير Hamidun News
لنكن صريحين: يعاني علم المواد الحديث من خلل غريب في التوازن. فخلال العامين الماضيين، أعلنت DeepMind وMicrosoft بضجة كبيرة عن اكتشاف ملايين البلورات والمركّبات الجديدة. وقواعد البيانات تفيض بمواد نظرية كان بإمكانها تغيير كل شيء، من البطاريات إلى الألواح الشمسية. لكن هناك تفصيلًا مهمًا: هذه المواد موجودة على الخوادم فقط. أما في الواقع، فنحن ببساطة لا نعرف كيف «نحضّرها».
في هذه الفجوة المؤلمة بين النظرية والتطبيق قرر باحثو MIT أن يوجّهوا جهدهم. فنموذج DiffSyn، وهو أحدث ما طوّروه، لا يحاول اكتشاف مليون بنية افتراضية أخرى. إنه يتولى العمل الشاق: كتابة تعليمات تخليق هذه المواد.
المشكلة التي يعالجها DiffSyn قديمة قدم العلم نفسه. تخيّل أنك رأيت صورة لكعكة مثالية وقيل لك: «اخبز مثلها». من دون وصفة، ستقضي سنوات تخلط الطحين بالبيض بنسب مختلفة وتغيّر حرارة الفرن. وهذا ما يحدث في المختبرات تمامًا: يقضي العلماء أشهرًا في اختيار السلائف (prekursors) وشروط التفاعل. أما DiffSyn فيعمل كطاهٍ متمرس يكفيه أن ينظر إلى «الصورة» (بنية المادة) حتى يضع فورًا بطاقة فنية للعملية.
من الناحية التقنية، هذا تطبيق أنيق للذكاء الاصطناعي التوليدي. دُرّب النموذج على مجموعات ضخمة من البيانات حول التفاعلات الكيميائية وعمليات التخليق الناجحة في الماضي. وعندما يُزوَّد بالمادة المستهدفة، يولّد تسلسل الخطوات اللازمة للحصول عليها. وهذا ليس مجرد بحث في قاعدة بيانات، بل توليد فعلي لمسار تخليق جديد لمركّبات لم يمسكها أحد بيده من قبل.
لماذا يهم هذا الآن تحديدًا؟ لأن «عنق الزجاجة» في الابتكار قد انتقل. فقد أصبحنا نتنبأ بخصائص المواد بالذكاء الاصطناعي أسرع مما نستطيع التحقق من هذه التنبؤات فيزيائيًا. والمختبرات تغرق في الفرضيات. وإذا تمكّن DiffSyn من تقليص زمن إعداد الوصفة إلى النصف على الأقل، فسيُسرّع وصول التقنيات الجديدة إلى السوق، لا بنسب مئوية، بل بأضعاف.
وبالطبع، لا يعني هذا أن الكيميائيين سيفقدون وظائفهم غدًا. فما زال الذكاء الاصطناعي قادرًا على الخطأ، فقد يقترح تركيبات قابلة للانفجار أو شروطًا مستحيلة فيزيائيًا. لكنه، كأداة لاستبعاد مسارات التخليق المسدودة سلفًا، يمثّل نقلة نوعية (game changer). فبدل مئة تجربة، سيحتاج العالِم إلى خمس تجارب فقط، وستنجح إحداها.
الخلاصة: ينتقل الذكاء الاصطناعي في العلوم من مرحلة «انظروا ماذا وجدتُ» إلى مرحلة «انظروا كيف يمكن صنعه». ويشكّل DiffSyn إشارة إلى أن عصر الاكتشافات النظرية يفسح المجال لعصر التطبيق العملي.
- 28 أكتوبر 2026Wired تختبر 6 وكلاء ذكاء اصطناعي خلال يوم: Dots في الصدارة وGemini Spark يفشل في طلب الغداء
- 28 أكتوبر 2026Anthropic تقدّم طلب S-1 للاكتتاب العام بتقييم 2 تريليون دولار: هامش 85% وربح في الربع الثاني
- 28 أكتوبر 2026Meta تطلق Muse Spark Open: 816B معامل وصدارة النماذج الأمريكية مفتوحة الأوزان
- 28 أكتوبر 2026Apertus 1.5 السويسري يكتسب الرؤية والسمع وسياقًا بطول 262 ألف رمز
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.