حقق الباحثون في Google DeepMind ومختبر لورنس بيركلي الوطني تقدماً رائداً من خلال تطوير نظام GNoME للذكاء الاصطناعي، الذي اكتشف أكثر من 2 مليون مادة جديدة مناسبة لتقنيات مثل البطاريات والألواح الشمسية ورقائق الكمبيوتر. تم نشر هذا البحث في ورقتين علميتين في مجلة Nature. توضح إحدى الدراسات كيف استخدمت DeepMind تقنيات التعلم العميق المتقدمة، مما سمح لـ GNoME باستكشاف هياكل المواد المحتملة بكفاءة غير مسبوقة.
في غضون 17 يوماً، حدد GNoME 2.2 مليون هيكل بلوري غير عضوي جديد يحتمل أن يكون مستقراً، وتم التحقق من صحة أكثر من 700 من هذه الهياكل تجريبياً. يمثل هذا الإنجاز زيادة تقريباً بمقدار عشرة أضعاف عن البلورات غير العضوية المستقرة المعروفة سابقاً.
يستخدم GNoME طريقتين للاكتشاف: واحدة تنتج هياكل بلورية مشابهة، بينما أخرى تتبنى نهجاً عشوائياً أكثر. يتم اختبار نتائج كلا الطريقتين لتعزيز قاعدة بيانات GNoME للتعلم المستقبلي.
تصف الورقة الثانية كيف تم التحقق من توقعات GNoME من خلال أنظمة روبوتية مستقلة في مختبر بيركلي. على مدار 17 يوماً من التجارب الآلية المستمرة، قام النظام بتوليف 41 من أصل 58 مركباً متوقعاً بدقة، محققاً معدل نجاح مذهل بنسبة 71%.
قاعدة بيانات عامة لتسريع الابتكار
تتوافر مجموعة البيانات الخاصة بهذه المواد الجديدة بشكل علني عبر قاعدة بيانات مشروع المواد، مما يمكّن الباحثين من استعراض الهياكل لتحديد المواد ذات الخصائص المرغوبة لتطبيقات العالم الحقيقي. على سبيل المثال، حددت الدراسة 52,000 مادة جديدة محتملة ثنائية الأبعاد مشابهة للجرافين، و25 ضعفاً من الموصلات القابلة للشحن من أيونات الليثيوم مقارنة بالأبحاث السابقة، و15 مركباً إضافياً من أكسيد الليثيوم المنغنيز الذي يمكن أن يحل محل أكسيد الليثيوم والكوبالت في البطاريات.
من اللافت للنظر أن 736 من المواد المتوقعة بواسطة GNoME قد تم التأكيد عليها بشكل مستقل من قبل العلماء حول العالم.
مختبر مستقل يحقق معدل نجاح مرتفع
تنشأ قدرات GNoME من الشبكات العصبية الرسومية المتطورة، التي تتوقع استقرار الهياكل البلورية المقترحة في ثوانٍ. تتيح هذه الكفاءة تصفية آلاف المرشحين الناتجين عن الكمبيوتر وصولاً إلى الأكثر واعدًا.
بينما كانت تقنيات التعلم الآلي السابقة تواجه صعوبة في تقدير طاقات واستقرار المواد الجديدة، توضح طرق الباحثين أنه بتوافر بيانات كافية وقوة حسابية، يمكن للتعلم العميق أن يوفر رؤى رائعة. قال الباحثون: "إن معدل النجاح المرتفع يبرز فعالية منصات الذكاء الاصطناعي للاكتشاف المستقل للمواد، ويشجع على المزيد من دمج الطرق الحاسوبية والمعرفة التاريخية والروبوتات".
عصر جديد في علم المواد
تحمل هذه الدراسات تبعات هائلة لمستقبل الاكتشاف العلمي ودور الذكاء الاصطناعي في أبحاث علم المواد. قد يسهم هذا النهج المدعوم بالذكاء الاصطناعي في تسريع خلق مواد جديدة مصممة لتطبيقات محددة، مما يؤدي إلى ابتكار أسرع وتقليل تكاليف تطوير المنتجات.
تشير دمج الذكاء الاصطناعي والتعلم العميق إلى مستقبل قد يتم فيه تقليل أو القضاء على التجارب المعملية الشاقة، مما يسمح للعلماء بالتركيز على تصميم وتحليل المركبات الجديدة.
تؤكد تأثيرات هذه التطورات على نطاق واسع، من خلال تبشير فصل جديد في علم المواد يمكن أن يحفز الابتكار في مجالات متعددة، من تحسين أنظمة تخزين الطاقة إلى تعزيز التكنولوجيا الطبية. مع تطور اكتشاف المواد، يواصل التآزر بين الذكاء الاصطناعي والتعلم العميق والبحث العلمي توسيع حدود الإمكانيات.
قائمة الترتيب
