لقد ارتفعت كفاءة عملية التخليق الرجعي للمواد غير العضوية. أطلق فريق كوري مشروع Retrieval-Retro، وتم اختيار النتائج لـ NeurIPS 2024
في نوفمبر/تشرين الثاني 2023، حبس العلماء في مختبر لورانس بيركلي الوطني في الولايات المتحدة أنفاسهم حول ذراع آلية - كانت منصة تخليق المواد التي تعمل بالذكاء الاصطناعي والتي تسمى A-Lab قد شهدت للتو أول فشل في تخليقها بعد تحضير 41 مادة غير عضوية جديدة بنجاح على التوالي. عندما ظهر ضوء التحذير الأحمر، انفجر المختبر بالهتافات. وأوضح البروفيسور جيربراند سيدر، قائد المشروع: "هذا الخطأ أكثر قيمة من النجاح.إنه يكشف عن النقطة العمياء للذكاء الاصطناعي في فهم ديناميكيات المذيبات."إنها لحظة حاسمة في التطور المشترك بين البشر والآلات."
يعكس هذا الاحتفال الذي يبدو غير طبيعي تحولاً نموذجياً في مجال تركيب المواد غير العضوية لم يحدث منذ قرن من الزمان. منذ أن اقترح الكيميائي العضوي إي جيه كوري طريقة التحليل الرجعي في ستينيات القرن العشرين، كان الكيميائيون غير العضويين يبحثون عن "الكأس المقدسة" الخاصة بهم -كيف يمكننا إجراء هندسة عكسية للمواد غير العضوية المعقدة وتحويلها إلى خطوات تركيبية قابلة للتنفيذ، تمامًا مثل تفكيك مكعبات ليغو؟
وقد تحول هذا الحلم إلى الأفضل في عام 2020: فقد كشف فريق الأكاديمي يو شوهونغ من جامعة العلوم والتكنولوجيا في الصين في مجلة Nature Nanotechnology أنهم استخدموا التعلم الآلي للتنبؤ باختلافات طاقة الواجهة و"نحت" المواد المغناطيسية بنجاح في مواقع محددة على الأسلاك النانوية شبه الموصلة.هذه التقنية، التي كان يعتقد المجتمع الأكاديمي في السابق أنها تتطلب 20 عامًا من التراكم التجريبي، تم اختراقها بنجاح بواسطة الذكاء الاصطناعي في 3 أشهر فقط.
إن موجة التغيير تأتي أسرع من المتوقع. في عام 2023،أطلقت شركة Google DeepMind منصة GNoME.في غضون 17 يومًا فقط، تم فحص 380 بلورة غير عضوية مستقرة، وتم التحقق من 52 منها تجريبياً. والأمر الأكثر إثارة للدهشة هو أنه عندما كان فريق جامعة نورث وسترن بوليتكنيك يعمل على تطوير الطلاءات الخزفية للمركبات الفضائية،يستنتج الذكاء الاصطناعي بشكل عكسي المسار غير البديهي المتمثل في "بناء شبكة شقوق صغيرة أولاً ثم ملئها بعامل الشفاء"——تعمل استراتيجية "منع الخسائر" هذه على زيادة مقاومة المواد لدرجة الحرارة بمقدار 300 درجة مئوية، تمامًا مثل صياغة "مقياس درع" قادر على إصلاح نفسه للطائرة.
اليوم، خلف أغطية الأبخرة في المختبرات في جميع أنحاء العالم، تتكشف ثورة مزدوجة هادئة: فالذكاء الاصطناعي لا يتعلم فقط من الخبرة الاصطناعية البشرية، بل يستكشف أيضًا ويخلق مسارات تحضيرية جديدة تتجاوز الحدس البشري. حديثاً،اقترح معهد كوريا لأبحاث التكنولوجيا الكيميائية (KRICT) والمعهد الكوري المتقدم للعلوم والتكنولوجيا (KAIST) بشكل مشترك طريقة تخطيط للتخليق الرجعي غير العضوي تسمى Retrieval-Retro.تعمل هذه الطريقة بنجاح على تعزيز كفاءة ودقة تركيب المواد غير العضوية من خلال الجمع بين العلاقات الديناميكية الحرارية وآلية الاهتمام. وقد أدى أداؤه المتميز في تحديد الصيغ الاصطناعية الجديدة إلى جلب أمل جديد إلى مجال اكتشاف المواد، ومن المتوقع أن يلعب دوراً أكبر في الأبحاث المستقبلية.
وقد تم اختيار النتائج ذات الصلة، والتي تحمل عنوان "الاسترجاع الرجعي: الاسترجاع الرجعي غير العضوي القائم على المعرفة المتخصصة"، لمؤتمر NeurIPS 2024، وهو المؤتمر الأكاديمي الأهم في مجال الذكاء الاصطناعي.
رابط الورقة:
https://doi.org/10.48550/arXiv.2410.21341
رابط تحميل مجموعة البيانات:
عنوان المصدر المفتوح:
https://github.com/HeewoongNoh/Retrieval-Retro
التخليق الرجعي غير العضوي: يعتمد بشكل كبير على التجربة والخطأ، ولا تزال خوارزميات الذكاء الاصطناعي بحاجة إلى التحسين
طوال التاريخ الطويل لعلم المواد، كانت التجربة والخطأ هي الطريقة الوحيدة لاستكشاف المجهول - فقد قام العلماء مرارًا وتكرارًا بتعديل الصيغ وإطلاق العينات مثل الرجال الأعمى الذين يلمسون فيلًا حتى وصلوا عن طريق الخطأ إلى "النقطة المثالية" للأداء. تم كسر هذا النمط لأول مرة في مجال التخليق العضوي بسبب ظهور التحليل الرجعي: في عام 1964، اقترح إي جيه كوري تفكيك الجزيء المستهدف بشكل عكسي إلى سينثونات مثل اللغز، والعثور على مسار التخليق من خلال التفكير المنطقي بدلاً من المحاولات العمياء. كما هو الحال عند حل مشكلة تركيب البنزوفوران، لم يعد الكيميائيون بحاجة إلى اختبار جميع التركيبات الممكنة لمشتقات الفينول. وبدلاً من ذلك، يمكنهم تحديد مسار الاقتران المحفز بالحديد لمركبات الفينول و1،3- ثنائي الكربونيل بدقة من خلال تحديد موقع انقسام الرابطة الرئيسية لـ CO. لقد مكنت هذه الثورة في التفكير المبني على القطع الذكي للروابط الكيميائية التركيب العضوي من الانتقال من التجريبية إلى عصر التصميم العقلاني.
ومع ذلك، عندما يتحول ساحة المعركة إلى العالم غير العضوي، تصبح الأمور أكثر تعقيدا بكثير.أولاً،تتضمن المركبات غير العضوية آليات ربط أكثر تعقيدًا، كما يصعب تحليل علاقات بنيتها وخصائصها بشكل معياري من خلال المجموعات الوظيفية مثل الجزيئات العضوية؛ثانيًا،غالبًا ما تكون تفاعلات التخليق غير العضوية مصحوبة بتطور واجهة متعددة المراحل والتنافس مع الحالات غير المستقرة، كما أن حركيتها أكثر صعوبة في التنبؤ بها من تفاعلات المحلول في الأنظمة العضوية.بالإضافة إلى،إن دقة حساب طرق الكيمياء الحسابية الحالية للمعلمات الرئيسية مثل طاقة تثبيت مجال البلورة غير العضوية وطاقة تكوين العيب ليست كافية لدعم استنتاج المسار العكسي الموثوق. وقد أدى هذا إلى أن الأبحاث المتعلقة بالتخليق الرجعي غير العضوي لا تزال تعتمد بشكل كبير على التجربة والخطأ التجريبي، كما أن بناء إطارها النظري أكثر تعقيدًا بكثير من بناء الإطار الخاص بالأنظمة العضوية.
واليوم، فتحت إضافة تقنية الذكاء الاصطناعي آفاقًا جديدة في هذا المجال. على سبيل المثال، تخترق الشبكات التنافسية التوليدية حدود التجربة البشرية وتستطيع تصميم هياكل مبتكرة مثل شبكات البيروفسكايت ذات الخصائص الكهرومغناطيسية الخاصة. تتعمق طريقة مونت كارلو الكمومية في العالم المجهري وتحلل آلية التشابك الكمي لأزواج كوبر في الموصلات الفائقة ذات درجات الحرارة العالية. ولكي لا تتخلف عن الركب، قامت الشبكات العصبية البيانية تدريجياً ببناء نظام قواعد تفاعل كمي فريد من نوعه للمواد غير العضوية من خلال فك قواعد إعادة تنظيم المدارات الذرية.
ومع التطور المستمر لتكنولوجيا الذكاء الاصطناعي في هذه المجالات، يتم التغلب تدريجيا على صعوبات التخليق الرجعي للمواد غير العضوية. في موجة التكرار التكنولوجي،تعتبر أجهزة التشفير التلقائي المتغيرة التلافيفية هي الأولى في تحقيق التصميم العكسي للمواد.إنه يضفي الضوء على هذا المجال. وبعد ذلك، قدم نموذج ElemwiseRetro مكتبة قوالب سابقة لتحسين دقة التنبؤ. ومع ذلك، على الرغم من أن الخوارزميات الحالية حققت تقدمًا كبيرًا،ومع ذلك، فإن حكمة اتخاذ القرار لدى الكيميائيين الذين "يشيرون إلى مواد مماثلة" لم يتم تكرارها بالكامل بعد.وبعبارة أخرى، لا يزال الذكاء الاصطناعي بحاجة إلى تعلم المزيد عن كيفية تفكير الكيميائيين البشريين من أجل تصميم المواد بدقة أكبر.
ولتعويض هذا القصور، قام فريق بحثي من جامعة سيول الوطنية بتطوير طريقة جديدة لتخطيط عملية التخليق الرجعي غير العضوي تسمى "الاسترجاع الرجعي".ويهدف إلى تسريع اكتشاف المواد وتوليفها من خلال تحديد المعلومات الأولية واستخراجها بكفاءة من خلال تقنيات الاسترجاع المتقدمة وآليات الانتباه.تظهر التجارب المكثفة أن Retrieval-Retro يظهر أداءً ممتازًا في سيناريوهات مختلفة، وخاصة في سيناريو تقسيم العام الأكثر واقعية وتحديًا. إن قدرتها المتميزة في اكتشاف صيغ تركيبية جديدة للمواد غير العضوية توضح بشكل كامل إمكاناتها التطبيقية الضخمة في اكتشاف المواد العملية.
الاسترجاع الرجعي: نهج مبتكر لتخطيط التخليق الرجعي غير العضوي
إن جوهر Retrieval-Retro هو استخدام جهازي استرداد متكاملين——مسترد إكمال المادة الأولية المقنعة (MPC) ومسترد طاقة التفاعل العصبي (NRE)، والذي يستخرج معلومات المادة الأولية استنادًا إلى 33,343 صيغة لتخليق المواد غير العضوية المستخرجة من 24,304 ورقة بحثية في مجال علوم المواد كمواد مرجعية.
رابط تحميل مجموعة البيانات:
يقوم جهاز استرداد MPC بتحديد المواد المرجعية ذات المواد الأولية المماثلة للمادة المستهدفة من خلال تعلم التبعيات بين المواد الأولية. يقوم باسترجاع أفضل المواد الأكثر تشابهًا من حيث K عن طريق حساب تشابه جيب التمام بين المادة المستهدفة وجميع المواد الموجودة في قاعدة المعرفة.يمكن لهذه الطريقة التقاط الارتباط بين المواد الأولية والمواد المستهدفة بشكل فعال، مما يوفر أدلة مهمة لتخطيط التركيب اللاحق.
ومع ذلك، في حين أن جهاز استرداد MPC قادر على تحديد مجموعات مماثلة من المواد الأولية، فإنه يتجاهل العلاقات الديناميكية الحرارية بين المواد، والتي تعتبر حاسمة في التركيب غير العضوي. ولتحقيق هذه الغاية، يعتمد جهاز استرداد NRE على القوة الدافعة الديناميكية الحرارية،يتم اختيار المادة المرجعية من خلال النظر في طاقة جيبس الحرة (∆G) بين المادة المستهدفة والمجموعة السابقة.تحت ضغط ودرجة حرارة ثابتين، يشير ∆G السالب إلى أن تفاعل التوليف يمكن أن يحدث تلقائيًا، وكلما كانت قيمة ∆G أكبر، زادت احتمالية أن تتمكن مجموعة المواد السابقة من توليف المادة المستهدفة. يستخدم جهاز استرداد NRE بيانات طاقة التوليد المحسوبة بواسطة DFT وبيانات طاقة التوليد التجريبية من خلال آليات التدريب المسبق والضبط الدقيق للتنبؤ بطاقة توليد المواد المستهدفة والمواد المرجعية، وبالتالي اختيار مادة مرجعية أكثر ملاءمة من الناحية الديناميكية الحرارية.
في عملية استخراج المعلومات السابقة،يعتمد الاسترجاع الرجعي على آليات الاهتمام الذاتي والانتباه المتبادل.من خلال ترميز المادة المستهدفة والمادة المرجعية من خلال مشفر الرسم البياني للتكوين، يكون النموذج قادرًا على تعزيز تمثيل المادة المرجعية من خلال آلية الاهتمام الذاتي ودمج تمثيل المادة المستهدفة مع تمثيل المادة المرجعية المعزز من خلال آلية الاهتمام المتبادل، وبالتالي استخراج المعلومات السابقة ضمناً. لا تستطيع هذه الطريقة الاستفادة الكاملة من معلومات المواد المرجعية فحسب، بل تتجنب أيضًا قيود الاستخدام المباشر للمعلومات السابقة للمواد المرجعية، مما يحسن بشكل كبير قدرة التعلم النموذجي واستخلاص صيغ تركيب جديدة.
ولتحقق من فعالية طريقة الاسترجاع الرجعي، قام الباحثون بمقارنتها بالعديد من طرق التخليق الرجعي غير العضوية الموجودة وطرق الأساس. تتضمن هذه الأساليب أساليب التعلم التمثيلي القائمة على تكوين المواد مثل Roost و CrabNet بالإضافة إلى الأساليب الأساسية المقترحة حديثًا مثل Composition MLP و Graph Network. وتظهر النتائج التجريبية أنيتفوق Retrieval-Retro على النموذج الأساسي في جميع سيناريوهات الاختبار.وخاصة في الإعداد السنوي، يكون تحسن الأداء أكثر أهمية. وهذا يوضح أن أسلوب الاسترجاع ليس مبتكرًا من الناحية النظرية فحسب، بل يتمتع أيضًا بقدرة قوية على التكيف وفعالية في التطبيقات العملية.
الشكل النهائي للكيمياء المادية: عندما يبدأ الذكاء الاصطناعي في التشكيك في الجدول الدوري
على خلفية نموذج الاسترجاع الرجعي لجامعة سيول الوطنية الذي يخترق حدود الاسترجاع التقليدي، يرحب مجال التخليق الرجعي غير العضوي بفرص تطوير جديدة.اعتبارًا من عام 2024، تمكن البشر من تصنيع العنصر 118، Og.ورغم أن هذه العناصر قد يكون لها أنصاف عمر قصيرة للغاية في العالم الحقيقي، فإن تطبيقات اكتشاف المواد بمساعدة الذكاء الاصطناعي بدأت تظهر بالفعل.
إن هذا الاستكشاف الذي يمزج بين الواقع والافتراضي يعمل على إعادة تشكيل البعد المعرفي لعلم المواد. في حين لا تزال الكيمياء غير العضوية التقليدية ملتزمة بقاعدة بولينج وقانون هيوم-روثري، فقد بدأت الذكاء الاصطناعي في استخدام شبكات التنسور لإعادة بناء تأثيرات ارتباط الإلكترون واستكشاف الآليات المحتملة للموصلات الفائقة عالية الحرارة من خلال خوارزميات التلدين الكمي. على سبيل المثال، نجح مختبر A-Lab في تصنيع مجموعة متنوعة من المواد غير العضوية الجديدة من خلال الجمع بين الروبوتات والتعلم الآلي، مما يدل على الإمكانات الكبيرة للذكاء الاصطناعي في تصنيع المواد.
إن هذه القفزة المعرفية تؤدي إلى ثورة مزدوجة:وعلى المستوى الفني،يقوم فريق الحوسبة الكمومية التابع لشركة مايكروسوفت بدمج البتات الكمومية الطوبولوجية مع الخوارزميات الرجعية لتحقيق حوسبة كمومية أكثر استقرارًا وكفاءة باستخدام مواد موصلة طوبولوجية من خلال أحدث شريحة كمومية "Majorana 1"؛من حيث فلسفة العلم،بدأ مختبر الذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا في استكشاف كيفية قدرة الذكاء الاصطناعي على محاكاة وتحسين عمليات التركيب الكيميائي من خلال مفاعلات افتراضية، وبالتالي إعادة تعريف الفهم البشري للعالم المادي. تمامًا كما استخرجت السيدة كوري الراديوم من البيتشبلن، قد يكون الذكاء الاصطناعي قادرًا على إنتاج أشكال مادية لم يسمها البشر بعد في المفاعلات الافتراضية.
عند التقاطع بين النموذجين القديم والجديد، تكتب عملية التخليق الرجعي غير العضوي الفصل الأكثر إثارة: فهي لا تستمر فقط في تقليد تفكيك المواد الموروثة من عصر لافوازييه، بل إنها تؤدي أيضًا إلى ظهور "علم المواد ما بعد البشري" للتعاون بين الإنسان والآلة. عندما قامت الأشعة السينية لمصدر ضوء الإشعاع السنكروتروني في شنغهاي والشبكة العصبية لـ GNoME بتحليل البلورة المستقرة رقم 380 بشكل مشترك، ما رأيناه لم يكن مجرد تكرار تكنولوجي، بل كان أيضًا ترقية للبعد المعرفي - تمامًا كما قلبت ميكانيكا الكم الفيزياء الكلاسيكية، فإن الذكاء الاصطناعي يفتح "صندوق أدوات شرودنجر" من الحقائق المتعددة لعلم المواد.
ومن الجدير بالذكر أن الثورة الحقيقية لا تتمثل في أن تحل الآلات محل البشر، بل في أنه عندما تبدأ الذكاء الاصطناعي في إعادة تعريف الروابط الكيميائية باستخدام وظائف الموجة غير المحلية، فإن البشر يكتسبون أخيرا زوجا ثانيا من العيون لمراقبة العالم المادي. تحت أعين هذه "الأعين الميكانيكية" الساهرة، يتحول تركيب المواد غير العضوية من مهارة تجريبية إلى جسر معرفي يربط بين الكيمياء الكلاسيكية والكون الكمي.