تم اختياره لـ AAAI 2025! يتنبأ فريق جامعة هونغ كونغ للفنون التطبيقية بدقة بالخصائص البصرية الإلكترونية لجزيئات المواد العضوية استنادًا إلى محول الرسم البياني

في عام 1966، أعادت مجموعة من البيانات غير الطبيعية من مختبر جامعة توهوكو في اليابان كتابة تاريخ الطاقة. وعندما وضع الباحثون طبقة رقيقة من بلورات صبغة الفيولوجين تحت أشعة الشمس، أصيبوا بالصدمة من القفزة المفاجئة في الإشارة الصادرة عن كاشف التيار.يمكن للمواد العضوية توليد تيار ضوئي دون الاعتماد على بلورات السيليكون!وكان هذا الاكتشاف التاريخي، الذي نُشر في مجلة اليابان للفيزياء التطبيقية، مثل حجر سقط في بركة عميقة، مما خلق تموجات علمية استمرت نصف قرن من الزمان.

ومع ذلك، فإن رحلة الخلايا الشمسية العضوية (OSCs) أصعب بكثير من المتوقع. وفي الأربعين عاماً التالية، وقع الباحثون في فخ "لعنة الكفاءة": إذ كانت مسافة انتشار الإكسيتونات في المواد العضوية أقل من 10 نانومتر، وكانت أزواج الإلكترونات والفجوات الناتجة تُفنى قبل الوصول إلى القطب الكهربي. وجاءت نقطة التحول في عام 2005، عندما استلهم فريق يانغ يانغ في جامعة كاليفورنيا في لوس أنجلوس فكرة النظام الضوئي للنباتات. قاموا بتقليد تقسيم العمل والتعاون بين النظامين الضوئيين II و I في البلاستيدات الخضراء وقاموا ببناء شبكة متداخلة على نطاق النانو باستخدام مادتين، P3HT و PCBM.تعمل بنية "الوصلة غير المتجانسة السائبة" هذه على زيادة كفاءة فصل الإكسيتون إلى 60%، مما يدفع كفاءة الجهاز إلى تحقيق اختراق تاريخي يبلغ 5%.وقد نشرت النتائج ذات الصلة على غلاف مجلة ساينس.

ومنذ ذلك الحين، استمرت محاولات تجاوز حدود كفاءة الخلايا الشمسية العضوية. ومع ذلك، مع اقتراب الخلايا الشمسية العضوية من حد كفاءتها 20%، واجه نموذج البحث والتطوير التقليدي "المحاولة والخطأ" عنق زجاجة. خلف كل جزيء جديد تكمن تريليونات من التركيبات البنيوية، مما أدى إلى الصعود القوي لعلم المواد الحسابية.

إن إطار عمل RingFormer الذي نشره مؤخرًا فريق من جامعة هونج كونج للفنون التطبيقية يشعل ثورة معرفية في التصميم الجزيئي. تقوم هذه الطريقة ببناء مخطط محول هرمي للحلقات الكيميائية الذرية وتجمع بين تمرير الرسائل المحلية وآلية الاهتمام العالمية للتنبؤ بدقة بالخصائص البصرية الإلكترونية للجزيئات. وفي مجموعة اختبار قاعدة بيانات مشروع الطاقة النظيفة (CEPDB) من جامعة هارفارد، تم تحسين الأداء بمقدار 22.77% مقارنة بالطرق التقليدية، وهو ما يعادل تقصير دورة البحث والتطوير للمواد الجديدة من عدة سنوات إلى أسابيع، مما يشير إلى أن أبحاث الخلايا الشمسية العضوية دخلت رسميًا عصرًا جديدًا من "التجارب الموجهة بالحوسبة".

وقد تم اختيار النتائج ذات الصلة، والتي تحمل عنوان "RingFormer: محول رسومي معزز بالحلقات للتنبؤ بخصائص الخلايا الشمسية العضوية"، لمؤتمر AAAI 2025، وهو المؤتمر الأكاديمي الأهم في مجال الذكاء الاصطناعي.

رابط الورقة:
https://doi.org/10.48550/arXiv.2412.09030

تنزيل عنوان مجموعات البيانات ذات الصلة المستخدمة في البحث:

https://hyper.ai/cn/datasets/37721

تغير GNN نموذج البحث والتطوير التقليدي الطويل

مع تزايد الطلب على الطاقة المتجددة في التحول العالمي للطاقة، أصبحت الخلايا الشمسية العضوية (OSCs) بمثابة مركز بحثي بسبب خصائص التحويل الضوئي الكهربائي الممتازة. تعتمد هذه الأجهزة على مواد شبه موصلة عضوية ذات جزيئات صغيرة وتحقق تحويل الطاقة الضوئية إلى طاقة كهربائية من خلال التفاعل بين المتبرعين والمستقبلين للإلكترونات في الهياكل المترافقة. ترتبط كفاءتها ارتباطًا وثيقًا بمدى تعقيد البنية الجزيئية. ومع ذلك، يعتمد نموذج البحث والتطوير التقليدي على الكثير من تجارب المحاولة والخطأ وعملية تركيب طويلة.تستغرق دورة البحث والتطوير عادةً من 3 إلى 5 سنوات.وهذا يحد بشدة من سرعة الابتكار المادي.

من أجل فحص جزيئات الخلايا الجذعية المكونة للدم المحتملة بكفاءة أكبر، بدأ الباحثون في استخدام أساليب التعلم الآلي للتنبؤ بأداء الخلايا الجذعية المكونة للدم. في الوقت الحالي، تُستخدم الطرق القائمة على بصمات الأصابع على نطاق واسع، والتي تستخدم عادةً بصمات جزيئية مصممة يدويًا (مثل MACCS وECFP) كخصائص جزيئية وتدخلها في نماذج التعلم الآلي الموجودة مثل الغابات العشوائية وآلات الدعم المتجه. ومع ذلك، فإن هذه البصمات هي عبارة عن تمثيلات مبسطة للهياكل الجزيئية.وتجاهل المعلومات والتفاعلات الجزيئية المعقدة،وهذا واضح بشكل خاص في جزيئات الخلايا الجذعية المكونة للدم ذات البنية المعقدة.

لقد جلبت الشبكات العصبية الرسومية (GNNs) الأمل في حل هذه المعضلة - حيث قامت بتجريد الجزيئات في رسوم بيانية طوبولوجية للعقد الذرية وحواف الروابط الكيميائية، والتقاط السمات الهيكلية من خلال التعلم العميق. ومع ذلك، تواجه النماذج الحالية تحديات مزدوجة في تحليل جزيئات الخلايا الجذعية السرطانية:من ناحية،إن "قصر النظر الذري" لشبكات GNNs يجعل من الصعب التقاط تأثيرات الاقتران الإلكتروني طويلة المدى عبر حلقات البنزين المتعددة؛على الجانب الآخر،إن الافتقار إلى تحديد خصائص أنماط الاتصال بين أنظمة الحلقات يجعل من المستحيل التمييز بين الاختلافات الهيكلية الرئيسية (على سبيل المثال، تأثيرات الاتصال الخطي مقابل طوبولوجيا النجمة على فصل الإكسيتون).

وردا على هذه التحديات،اقترح فريق البحث بجامعة هونغ كونغ للفنون التطبيقية إطار عمل مبتكرًا يسمى RingFormer.هذا هو أول إطار عمل لمحول الرسم البياني يلتقط أنظمة الحلقات في جزيئات OSCs. يكسر هذا الإطار المنظور الفردي للنمذجة التقليدية على المستوى الذري ويبني نظام اندماج ميزات ثنائي المستوى لحلقة الذرة.

إن جوهر هذه الطريقة هو إنشاء آلية تفاعل ديناميكية: الحفاظ على الحساسية للميزات المجهرية مثل الروابط الكيميائية وتوزيع الشحنة على المستوى الذري، مع إنشاء شبكة انتباه عبر الحلقات على مستوى الحلقة لتحليل الميزات الهيكلية العيانية بدقة مثل الحواف المشتركة للحلقات المكثفة والترتيبات المكانية للحلقات غير المكثفة.

من خلال تقديم مصفوفة الاتصال بين الحلقات وخوارزمية تعيين وزن الذرات داخل الحلقة، يمكن للنموذج التعرف بشكل مستقل على أنظمة الحلقات الرئيسية وأنماط تفاعلها. وتظهر النتائج التجريبية أنتعمل استراتيجية النمذجة ذات المستويين هذه على تحسين دقة التنبؤ بكفاءة تحويل الطاقة (PCE) إلى 92%.ويظهر قدرات توصيف أقوى في الجزيئات ذات الأنظمة المعقدة التي تحتوي على أكثر من خمس حلقات. لا يوفر هذا الاختراق نموذجًا جديدًا لتصميم مواد الخلايا الجذعية المكونة للدم فحسب، بل يفتح أيضًا مسارًا جديدًا لنمذجة التعلم الآلي للأنظمة الجزيئية المعقدة.

RingFormer: يمثل التركيب الجزيئي لخلايا OSCs على المستويين الذري والحلقي

من أجل تقييم هذه الطريقة بشكل أفضل،قام الباحثون بتجميع خمس مجموعات بيانات جزيئية للخلايا الجذعية السرطانية.وهي تشمل مجموعة بيانات CEPDB التي تم إنشاؤها بناءً على نظرية الكثافة الوظيفية (DFT)، بالإضافة إلى مجموعات البيانات HOPV وPFD وNFA وPD المكونة من أنواع مختلفة من جزيئات OSCs. يتم تقسيم مجموعات البيانات هذه إلى مجموعات التدريب والتحقق والاختبار بنسبة 6:2:2.

تنزيل عنوان مجموعات البيانات ذات الصلة المستخدمة في البحث:

https://hyper.ai/cn/datasets/37721

من أجل التقاط السمات البنيوية الذرية والحلقية بدقة في جزيئات الخلايا الجذعية السرطانية، اقترحت هذه الدراسة إطار عمل RingFormer.أولاً، يتم إنشاء رسم بياني OSC متعدد المستويات، ثم يتم ترميز هذا الرسم البياني متعدد المستويات ككل من خلال طبقة RingFormer للتنبؤ بأدائه.كما هو موضح في الشكل أدناه، يتضمن مخطط OSC متعدد المستويات هذا مخططات على مستوى الذرة ومستوى الحلقة وبين المستويات.

تصف المخططات على المستوى الذري بنية الرابطة الذرية لجزيئات OSCs بالتفصيل، بينما تركز المخططات على مستوى الحلقة على الحلقات واتصالاتها لالتقاط أنظمة الحلقات المعقدة. يعد الرسم البياني متعدد المستويات مسؤولاً عن نمذجة العلاقة بين الحلقات والذرات، وبالتالي تمثيل البنية الهرمية للجزيء بشكل كامل. يوفر دمج هذه المستويات الثلاثة وصفًا شاملاً للبنية الجزيئية لخلايا OSCs، مما يتيح التنبؤ بالخصائص بشكل أكثر دقة.

التالي،يجمع إطار عمل RingFormer بين تمرير الرسائل المحلية وآليات الاهتمام العالمية.للتعرف على الأنماط الهيكلية الفريدة في كل مستوى وتعلم التمثيلات البيانية التعبيرية. على الرسم البياني على المستوى الذري، تستخدم طبقة RingFormer شبكات GNN التي تمرر الرسائل لتشفير الميزات الهيكلية المحلية في تمثيلات العقد الذرية.

بالنسبة للرسم البياني على مستوى الحلقة، تقدم طبقة RingFormer آلية مبتكرة للانتباه المتبادل مصممة خصيصًا لالتقاط الأنماط العالمية في نظام الحلقة، وخاصة الاتصالات بين الحلقات. بالإضافة إلى ذلك، تعمل طبقة RingFormer على تسهيل التفاعل بين عقد الحلقة والعقد الذرية من خلال تمرير الرسائل على الرسم البياني عبر المستويات. في نهاية كل طبقة RingFormer، يتم تنفيذ استراتيجية اندماج هرمية لضمان أن المعلومات على مستويات مختلفة يمكن أن تكمل بعضها البعض.

أخيرًا، بعد طبقات متعددة من التكديس، يجمع RingFormer تمثيلات العقد للذرات والحلقات لتشكيل تمثيل بياني يشفر بشكل شامل البنية الجزيئية لـ OSCs، مما يوفر أساسًا متينًا للتنبؤ بالأداء.

وبعد ذلك، لتقييم فعالية RingFormer في التنبؤ بأداء الخلايا الجذعية المكونة للدم، قارنه الباحثون بـ 11 نموذجًا أساسيًا على خمس مجموعات بيانات جزيئية للخلايا الجذعية المكونة للدم. وتظهر النتائج التجريبية أنيتفوق RingFormer باستمرار على النموذج الأساسي.ومن الجدير بالذكر أنه في مجموعة بيانات CEPDB واسعة النطاق، حقق RingFormer تحسنًا نسبيًا كبيرًا بلغ 22.77% مقارنة بأقرب منافس.

كما هو موضح في الجدول أدناه، من حيث كفاءة تحويل الطاقة المتوقعة (PCE)،يحقق RingFormer أفضل أداء على جميع مجموعات البيانات تقريبًا، ويحتل المرتبة الثانية فقط على مجموعة بيانات PFD.وخاصةً في مجموعة بيانات NFA التي تحتوي على أكبر متوسط عدد من الحلقات، يتفوق RingFormer على طريقة ECFP القائمة على بصمات الأصابع بمقدار 4.96%. علاوة على ذلك، عند التعامل مع جزيئات OSCs الأكبر حجمًا والأكثر تعقيدًا، لا يزال RingFormer يعمل بشكل جيد على هذه المجموعات من البيانات، محققًا أفضل أداء في 3 من أصل 4 مجموعات بيانات.

كما استخدم الباحثون مجموعة بيانات CEPDB لتقييم أداء RingFormer في التعلم متعدد المهام. وتظهر النتائج أنيتفوق RingFormer باستمرار على النماذج المنافسة الأخرى في جميع مقاييس الأداء الستة المستهدفة.وغالباً ما تكون لها مزايا كبيرة. بالإضافة إلى ذلك، وبسبب اندماج آليات تمرير الرسائل والانتباه العالمي، فإن نظام تحديد المواقع العالمي (GPS) يعمل أيضًا بشكل جيد في جميع أداءات الأهداف، ويأتي في المرتبة الثانية بعد RingFormer.ويؤكد هذا أيضًا أهمية التقاط السمات البنيوية المحلية والعالمية في جزيئات الخلايا الجذعية السرطانية.

وأخيرًا، قام الباحثون أيضًا بتقييم أداء RingFormer عند معالجة جزيئات OSCs بأعداد مختلفة من الحلقات. مع زيادة عدد الحلقات في الجزيء، يزداد أيضًا تحسن أداء RingFormer وفقًا لذلك.ويشير هذا إلى وجود علاقة إيجابية واضحة بين الأداء المتفوق لـ RingFormer وتعقيد نظام الحلقة.

بالإضافة إلى ذلك، أجرت هذه الدراسة أيضًا تحليلًا مرئيًا للتمثيل البياني لجزيئات OSCs في مجموعة اختبار CEPDB باستخدام تقنية UMAP. بالمقارنة مع التضمين الناتج عن نظام تحديد المواقع العالمي (GPS)،يمكن التمييز بوضوح بين التضمينات الناتجة عن RingFormer وفقًا لعدد الحلقات في جزيء OSCs.وتؤكد هذه الملاحظات أيضًا القدرة المذهلة لـ RingFormer في التقاط البنية المعقدة لأنظمة الحلقات.

تعمل تقنية الذكاء الاصطناعي على إعادة تشكيل مستقبل الصناعة، ولا يمكن تجاهل القوة الصينية وراء شركات الخدمات اللوجستية

في موجة التحول العالمي للطاقة، تنتقل الخلايا الشمسية العضوية (OSCs) تدريجياً من المختبر إلى طليعة التصنيع بسبب وزنها الخفيف ومرونتها وتكلفتها المنخفضة، كما أن التقدم البحثي للعلماء الصينيين في مجال الخلايا الشمسية العضوية مثير للإعجاب.

في عام 2015، اقترح فريق هو جيان هوي في الأكاديمية الصينية للعلوم نظرية "التأثير التآزري للبوليمر والجزيئات الصغيرة" وقاموا بتطوير مستقبل غير الفوليرين ITIC، والذي يسمح تكوينه ثلاثي الأبعاد على شكل فراشة بالتفاعل الدقيق للجزيئات.لا يزال منتج الفريق قادرًا على الحفاظ على كفاءة 82% في ظل الظروف المناخية القاسية لهضبة تشينغهاي على ارتفاع 4200 متر، ليصبح أول حالة مثبتة في العالم في المناطق المرتفعة.

بحلول عام 2025، حقق فريق لي ياو وين في جامعة سوتشو كفاءة معتمدة تبلغ 20.82% من خلال تنظيم تدرج الترتيب الجزيئي للطبقة النشطة من خلال "استراتيجية التبلور المتسلسل"، وكسر عنق الزجاجة في تصنيع الأجهزة ذات الأغشية السميكة.وصلت كفاءة الفيلم ذو السمك 400 نانومتر إلى 17.93%.وقد أرسى الأساس لتطوير تكنولوجيا الطباعة من لفة إلى لفة.

وفي الوقت نفسه، صمم فريق جي زيي في معهد نينغبو للمواد مستقبل كينوكسالين SMA، والذي من خلال الترتيب الجزيئي المنظم،تمت زيادة كفاءة الخلايا الجذعية الصلبة والمرنة إلى 20.22% و 18.42% على التوالي.تم الحفاظ على أداء 96% حتى بعد 2000 انحناءة، مما وضع معيارًا جديدًا لأجهزة الطاقة القابلة للارتداء.

وقد ظهر بالفعل الجمع بين الذكاء الاصطناعي وأبحاث الخلايا الشمسية العضوية في وقت مبكر من عام 2023. تعاون فريق البروفيسور لي يو يونغ من معهد المواد النانوية الوظيفية والمادة اللينة في جامعة سوتشو مع فريق البروفيسور يوان جيانيو لاستخدام التعلم الآلي لتحقيق فحص عالي الإنتاجية للخلايا الشمسية العضوية. لقد أجروا أبحاثًا معمقة في خصائص البنية الإلكترونية للجزيئات العضوية من خلال حسابات DFT واستخدموا تقنية البيانات الضخمة لبناء قاعدة بيانات للمواد الوظيفية، مما يوفر أساسًا متينًا لتدريب نماذج التعلم الآلي.لا يعمل هذا البحث على تحسين كفاءة فحص المواد البصرية الإلكترونية العضوية فحسب، بل يقلل أيضًا من التكاليف الحسابية،كما أنه يوفر دعمًا قويًا لتصميم وتحسين الأجهزة البصرية الإلكترونية.

*عنوان الرسالة:

إطار عمل فعال لفحص الخلايا الشمسية العضوية باستخدام التعلم العميق والتعلم الجماعي
*رابط الورقة:

https://www.nature.com/articles/s41524-023-01155-9

في عام 2024، اقترح فريق بحثي من جامعة إلينوي وجامعة تورنتو طريقة رائدة "للنقل المغلق (CLT)" لتحويل الذكاء الاصطناعي إلى محرك معرفي كيميائي قابل للتفسير. تجمع هذه الطريقة بين اختيار السمات الجسدية والتعلم الخاضع للإشراف.تم فحص ثلاثين جزيئًا جديدًا في خمس جولات من التجارب ذات الحلقة المغلقة، بما في ذلك جزيء حصاد الضوء مع زيادة بمقدار 5 أضعاف في الاستقرار الضوئي.تم الكشف عن الارتباط القوي بين كثافة الحالات الثلاثية عالية الطاقة (TDOS) والاستقرار، مما يوفر مبدأ تصميم عالمي لمشكلة التحلل الضوئي.

* عنوان الورقة:

يتيح النقل ذو الحلقة المغلقة للذكاء الاصطناعي إنتاج المعرفة الكيميائية
* رابط الورقة:

https://doi.org/10.1038/s41586-024-07892-1

وفي عام 2024 أيضًا، قام كريستوف جيه برابيك ووو جيان تشانغ من معهد هلمهولتز في ألمانيا، ووانغ لوياو من جامعة شيامن، وباسكال فريدريش من معهد كارلسروه للتكنولوجيا في ألمانيا، وسانغ إيل سوك من المعهد الوطني للعلوم والتكنولوجيا في أولسان في كوريا الجنوبية، بتطوير سير عمل آلي مغلق الحلقة. تجمع هذه العملية بين التعلم الآلي والتجريب.القدرة على توليد قواعد التصميم الجزيئي بسرعة لتلبية احتياجات الأجهزة المحددة،ويضع الأساس لتطوير الجيل القادم من الأجهزة البصرية الإلكترونية عالية الأداء مثل الخلايا الشمسية العضوية.

* عنوان الورقة:

يكتشف سير عمل التصميم العكسي مواد نقل الثقوب المصممة خصيصًا للخلايا الشمسية البيروفسكايتية
* رابط الورقة:

https://doi.org/10.1126/science.ads0901

ومن الواضح أن تقنية الذكاء الاصطناعي تلعب دورًا متزايد الأهمية في أبحاث الخلايا الشمسية العضوية في جميع أنحاء العالم. فهو لا يعمل فقط على تسريع اكتشاف المواد الجديدة وتحسين الأداء، بل يوفر أيضًا وجهات نظر وحلولًا جديدة للمشاكل العلمية طويلة الأمد. مع النضج المستمر للتكنولوجيا وتسارع التصنيع، أصبحت الصين محركًا رئيسيًا لدفع تطوير تكنولوجيا الخلايا الشمسية العضوية العالمية، ومن المتوقع أن تساهم بمزيد من الحكمة والحلول الصينية لثورة الطاقة المستقبلية.