من بطاريات السيارات الكهربائية إلى الخلايا الشمسية إلى الرقائق الدقيقة، يمكن للمواد الجديدة أن تعزز التقدم التكنولوجي. لكن اكتشافها عادةً ما يستغرق شهورًا أو حتى سنوات من البحث عن طريق التجربة والخطأ.
ويأمل Google DeepMind في تغيير ذلك باستخدام أداة جديدة تستخدم التعلم العميق لتسريع عملية اكتشاف المواد الجديدة بشكل كبير. تُسمى هذه التقنية بالشبكات الرسومية لاستكشاف المواد (GNoME)، وقد تم استخدامها بالفعل للتنبؤ بهياكل 2.2 مليون مادة جديدة، تم إنشاء أكثر من 700 منها في المختبر ويجري الآن اختبارها. تم وصفه في ورقة نشرت في طبيعة اليوم.
إلى جانب جنوم، مختبر لورانس بيركلي الوطني أيضًا أعلن مختبر مستقل جديد. يأخذ المختبر البيانات من قاعدة بيانات المواد التي تتضمن بعض اكتشافات جنوم ويستخدم التعلم الآلي والأذرع الآلية لهندسة مواد جديدة دون مساعدة البشر. يقول Google DeepMind إن هذه التطورات معًا تُظهر إمكانية استخدام الذكاء الاصطناعي لتوسيع نطاق اكتشاف وتطوير مواد جديدة.
يمكن وصف GNoME بأنه AlphaFold لاكتشاف المواد، وفقًا لجو لي، أستاذ علوم وهندسة المواد في معهد ماساتشوستس للتكنولوجيا. AlphaFold، وهو نظام DeepMind AI تم الإعلان عنه في عام 2020، يتنبأ بهياكل البروتينات بدقة عالية ومنذ ذلك الحين قام بتطوير الأبحاث البيولوجية واكتشاف الأدوية. بفضل جنوم، زاد عدد المواد المستقرة المعروفة عشرة أضعاف تقريبًا، ليصل إلى 421000.
وقال دوجوس كوبوك، رئيس اكتشاف المواد في Google DeepMind، في مؤتمر صحفي: “في حين أن المواد تلعب دورًا بالغ الأهمية في أي تقنية تقريبًا، فإننا كبشرية لا نعرف سوى بضع عشرات الآلاف من المواد المستقرة”.
لاكتشاف مواد جديدة، يجمع العلماء العناصر عبر الجدول الدوري. ولكن نظرًا لوجود العديد من المجموعات، فمن غير الفعال القيام بهذه العملية بشكل أعمى. وبدلاً من ذلك، يبني الباحثون على الهياكل الموجودة، ويجرون تعديلات صغيرة على أمل اكتشاف مجموعات جديدة تحمل إمكانات. ومع ذلك، فإن هذه العملية المضنية لا تزال تستغرق وقتا طويلا. وأيضًا، لأنه يعتمد على الهياكل الموجودة، فإنه يحد من احتمالية الاكتشافات غير المتوقعة.
للتغلب على هذه القيود، يجمع DeepMind بين نموذجين مختلفين للتعلم العميق. الأول يولد أكثر من مليار هيكل عن طريق إجراء تعديلات على العناصر الموجودة في المواد الموجودة. أما الثاني فيتجاهل الهياكل الموجودة ويتنبأ باستقرار المواد الجديدة على أساس الصيغ الكيميائية فقط. يتيح الجمع بين هذين النموذجين نطاقًا أوسع بكثير من الاحتمالات.
بمجرد إنشاء الهياكل المرشحة، يتم تصفيتها من خلال نماذج GNoME الخاصة بـ DeepMind. تتنبأ النماذج بطاقة التحلل لبنية معينة، وهو مؤشر مهم لمدى استقرار المادة. المواد “الثابتة” لا تتحلل بسهولة، وهو أمر مهم للأغراض الهندسية. يختار GNoME المرشحين الواعدين، الذين يخضعون لمزيد من التقييم بناءً على الأطر النظرية المعروفة.
ثم يتم تكرار هذه العملية عدة مرات، مع دمج كل اكتشاف في الجولة التالية من التدريب.
في جولته الأولى، توقع جنوم استقرار المواد المختلفة بدقة تبلغ حوالي 5%، لكنها زادت بسرعة خلال عملية التعلم التكرارية. أظهرت النتائج النهائية أن GNoME تمكن من التنبؤ بثبات الهياكل بنسبة تزيد عن 80% من الوقت للنموذج الأول و33% للنموذج الثاني.
إن استخدام نماذج الذكاء الاصطناعي للتوصل إلى مواد جديدة ليس فكرة جديدة. استخدم مشروع المواد، وهو برنامج بقيادة كريستين بيرسون في مختبر بيركلي، تقنيات مماثلة لاكتشاف وتحسين استقرار 48000 مادة.
ومع ذلك، فإن حجم جنوم ودقته يميزه عن الجهود السابقة. يقول كريس بارتيل، الأستاذ المساعد في الهندسة الكيميائية وعلوم المواد في جامعة مينيسوتا، إنه تم تدريبه على بيانات أكبر بمراحل من أي نموذج سابق.
يقول ييفي مو، الأستاذ المشارك في علوم وهندسة المواد بجامعة ميريلاند، إن إجراء حسابات مماثلة كان في السابق مكلفًا ومحدودًا. يسمح GNoME لهذه الحسابات بالتوسع بدقة أعلى وبتكلفة حسابية أقل بكثير، ويقول مو: “يمكن أن يكون التأثير هائلاً”.
وبمجرد تحديد المواد الجديدة، من المهم بنفس القدر تركيبها وإثبات فائدتها. يستخدم مختبر Berkeley Lab الجديد المستقل، المسمى A-Lab، بعض اكتشافات GNoME مع معلومات مشروع المواد، ويدمج الروبوتات مع التعلم الآلي لتحسين تطوير مثل هذه المواد.
المختبر قادر على اتخاذ قراراته الخاصة حول كيفية صنع المادة المقترحة وإنشاء ما يصل إلى خمس صيغ أولية. يتم إنشاء هذه الصيغ من خلال نموذج للتعلم الآلي تم تدريبه على الأدبيات العلمية الموجودة. وبعد كل تجربة، يستخدم المختبر النتائج لتعديل الوصفات.
يقول الباحثون في مختبر بيركلي إن A-Lab كان قادرًا على إجراء 355 تجربة على مدار 17 يومًا ونجح في تصنيع 41 من أصل 58 مركبًا مقترحًا. يؤدي هذا إلى توليفتين ناجحتين يوميًا.
في المختبر النموذجي الذي يقوده الإنسان، يستغرق تصنيع المواد وقتًا أطول بكثير. وقال بيرسون في مؤتمر صحفي: “إذا لم تكن محظوظاً، فقد يستغرق الأمر شهوراً أو حتى سنوات”. وقالت إن معظم الطلاب يستسلمون بعد بضعة أسابيع. “لكن A-Lab لا يمانع في الفشل. ويستمر في المحاولة والمحاولة.”
يقول الباحثون في DeepMind وBerkeley Lab إن أدوات الذكاء الاصطناعي الجديدة هذه يمكن أن تساعد في تسريع ابتكار الأجهزة في مجالات الطاقة والحوسبة والعديد من القطاعات الأخرى.
يقول بيرسون: “تحتاج الأجهزة، خاصة عندما يتعلق الأمر بالطاقة النظيفة، إلى الابتكار إذا أردنا حل أزمة المناخ”. “وهذا هو أحد جوانب تسريع هذا الابتكار.”
يقول بارتيل، الذي لم يشارك في البحث، إن هذه المواد ستكون بمثابة مرشحات واعدة لتقنيات تشمل البطاريات، ورقائق الكمبيوتر، والسيراميك، والإلكترونيات.
تعد موصلات بطاريات الليثيوم أيون واحدة من أكثر حالات الاستخدام الواعدة. تلعب الموصلات دورًا مهمًا في البطاريات من خلال تسهيل تدفق التيار الكهربائي بين المكونات المختلفة. يقول DeepMind إن GNoME حدد 528 موصلًا واعدًا لأيون الليثيوم من بين اكتشافات أخرى، قد يساعد بعضها في جعل البطاريات أكثر كفاءة.
ومع ذلك، حتى بعد اكتشاف مواد جديدة، عادةً ما يستغرق الأمر عقودًا حتى تتمكن الصناعات من نقلها إلى المرحلة التجارية. يقول كوبوك: “إذا تمكنا من تقليل هذا إلى خمس سنوات، فسيكون ذلك بمثابة تحسن كبير”.
تصحيح: تم تحديث هذه القصة لتوضيح مصدر بيانات المختبر.