يمكن أن يساعد الذكاء الاصطناعي DeepMind الذي يبحث عن البلورات في اكتشاف مواد رائعة جديدة

قد يساعد الذكاء الاصطناعي الذي أنشأته Google DeepMind في إحداث ثورة في علم المواد، مما يوفر طرقًا جديدة لصنع بطاريات وألواح شمسية ورقائق كمبيوتر أفضل والعديد من التقنيات الحيوية الأخرى.

يقول: “في أي وقت يريد شخص ما تحسين التكنولوجيا الخاصة به، فإن ذلك يتضمن حتما تحسين المواد”. إيكين دوجوس كوبوك في ديب مايند. “أردنا فقط أن يكون لديهم المزيد من الخيارات.”

تم تصميم نموذج الذكاء الاصطناعي، المسمى Graph Networks for Materials Exploration، أو GNoME، للتنبؤ بالهياكل البلورية غير العضوية، والتي تمثل ترتيبات متكررة للذرات التي تزود المواد بخصائص معينة – على سبيل المثال، التماثل السداسي لندفة الثلج هو نتيجة للبنية البلورية للجليد.

البلورات العضوية، والتي تشمل روابط الكربون والهيدروجين، مفهومة جيدًا بسبب وجود أمثلة عديدة في النظم البيولوجية، ولكن حتى الآن لم نعرف سوى حوالي 48000 بلورة غير عضوية محتملة. لقد قام GNoME بتوسيع هذا الرقم بشكل كبير إلى أكثر من 2 مليون، وفي حين أن بعض هذه الهياكل الجديدة قد تتحلل إلى أشكال أكثر استقرارًا أو يكون من المستحيل إنشاؤها تمامًا، فقد تم بالفعل إجراء أكثر من 700 من التنبؤات في المختبر.

جنوم عبارة عن شبكة عصبية بيانية، وهي نوع من الذكاء الاصطناعي الذي يمكنه تعلم العلاقات بين الأشياء، مثل الذرات وروابطها الكيميائية. قام كوبوك وفريقه بتدريب جنوم على قاعدة بيانات موجودة من البلورات غير العضوية المعروفة واستخدموها لتوليد بلورات جديدة محتملة عن طريق تغيير العناصر أو اللعب مع تماثلات البلورات المعروفة. كما تنبأت أيضًا بطاقة البلورات الجديدة، وهو مقياس لاستقرارها.

استخدم الباحثون محاكاة ميكانيكا الكم لتقييم دقة تنبؤات الطاقة هذه، ثم أدخلوا هذه النتائج مرة أخرى في تنبؤات بنية GNoME، لما مجموعه ست جولات. يقول كوبوك: “ما رأيناه هو أنه في كل جولة، أصبحت تنبؤات النموذج أفضل وأفضل لتعميمها على بلورات مستقرة جديدة”.

من بين 2.2 مليون تنبؤ، كان هناك 400000 بلورة كانت في أكثر أشكالها استقرارًا، مع عدم وجود شكل طاقة أقل ممكنًا. ومع ذلك، قد تظل بعض البلورات الأقل استقرارًا مفيدة، وتُعرف باسم البلورات شبه المستقرة. الماس، وهو شكل شبه مستقر من الكربون، هو أحد الأمثلة.

من خلال مسح الأدبيات العلمية المنشورة بعد تطوير جنوم، والتأكد من عدم وجود أي نتائج تم العثور عليها في بيانات التدريب، اكتشف الفريق أن جنوم تنبأ بأكثر من 700 بلورة منذ أن أنتجها باحثون آخرون. وتشمل هذه أ بلورات الليثيوم والمغنيسيوم الشبيهة بالألماس التي يمكن استخدامها في أشعة الليزر عالية الطاقة و موصل فائق للموليبدينوم عند درجة حرارة منخفضة.

شاركت DeepMind توقعاتها مع يان تسنغ في جامعة كاليفورنيا، بيركلي، وزملاؤها، الذين يعملون على تطوير مختبر آلي قادر على تصنيع البلورات بشكل مستقل. فريق بيركلي توقع بشكل مستقل 60 بنية بلورية، والتي تمكن المختبر الآلي من إنشاء 41 منها. وبما أن GNoME تنبأ أيضًا بهذه الهياكل، فإن هذا التحقق الخارجي يشير إلى أن تنبؤاته دقيقة بنسبة 70 بالمائة على الأقل، كما يقول كوبوك.

لقد جعل الباحثون الآن مجموعة البيانات الكاملة للهياكل البلورية المتوقعة متاحة للآخرين. يقول: “سيؤدي ذلك إلى تسريع اكتشاف مواد جديدة”. يوم غرايم في جامعة ساوثامبتون بالمملكة المتحدة. “هذا هو الجزء الأكبر من الأمر – مقارنة بما كان موجودًا في قواعد البيانات هذه من قبل، فأنت قادر على التوسع بمقدار أمر كبير.”

يقول كوبوك إن هذه المواد يمكن أن تشمل أشياء مثل سبائك أفضل للسيارات، وتحسين كثافة الطاقة لبطاريات الحالة الصلبة، وجمع الطاقة بشكل أكثر فعالية للألواح الشمسية.

آندي كوبر وتقول أيضًا من جامعة ليفربول بالمملكة المتحدة إنها ستسرّع عملية اكتشاف مواد جديدة، لكن معرفة خصائص المادة، مثل موصليتها أو قدرتها على تخزين الطاقة، أمر مهم أيضًا. يقول كوبر: “تميل حسابات العقارات إلى أن تكون باهظة الثمن في كثير من الأحيان”. “أنت تعلم أن الهيكل قد يكون موجودًا، ولكن إذا كنت لا تعرف ما يفعله، فليس من الواضح ما إذا كان يجب صنعه أم لا.”

في الوقت الحالي، أفضل طريقة لفهم خصائص المادة هي تركيبها، وهو ما يمثل عنق الزجاجة الرئيسي للكيمياء، حتى بمساعدة المختبرات الآلية مثل تلك التي تستخدمها زينج وفريقها. يقول كوبر: “إن قدرة العالم على التنبؤ بالأشياء وحسابها، واستخدام التعلم الآلي لمزيد من الاستقراء، تتطور بشكل أسرع من القدرة الروبوتية للبحث عن المواد”.