يُحدث تصميم المواد الفائقة نقلة نوعية! اقترحت شركة Meta AI وآخرون UNIMATE، التي كانت أول من حقق نمذجة موحدة لمهام مثل إنشاء الطوبولوجيا والتنبؤ بالأداء.
المواد الخارقة هي نوع من المواد المكونة من هياكل فرعية الطول الموجي مصممة بشكل مصطنع، يمكنها اختراق القيود المتأصلة في المواد الطبيعية وتحقيق التحكم الدقيق في الموجات الكهرومغناطيسية، مثل مؤشر الانكسار السلبي، والعدسات الفائقة، وتكنولوجيا التخفي، وما إلى ذلك. ومن بينها، أظهرت المواد الخارقة الميكانيكية، كنوع من المواد الاصطناعية ذات الخصائص الميكانيكية الخاصة، إمكانات تطبيقية كبيرة في مجال الفضاء والطب الحيوي وتخزين الطاقة وغيرها من المجالات.ما يجعلها فريدة من نوعها هو أن الخصائص لا يتم تحديدها من خلال التركيب الكيميائي للمادة، ولكن يتم تحقيقها من خلال بنية دقيقة مصممة بعناية.على سبيل المثال، تتمدد المواد الخارقة ذات نسبة بواسون السلبية جانبياً عند تمديدها، وهي الخاصية التي تجعلها ذات قيمة للاستخدام في الأجهزة المرنة، في حين أن المواد الخارقة ذات سلوك امتصاص الطاقة العالية مناسبة للاستخدام في أجهزة التبطين.
في تقاطع علم المواد والذكاء الاصطناعي، كان تصميم وتحسين المواد الخارقة دائمًا اتجاهًا بحثيًا جذب الكثير من الاهتمام.تتضمن هذه العملية عادة ثلاثة أساليب رئيسية: الطوبولوجيا ثلاثية الأبعاد، وظروف الكثافة، والخصائص الميكانيكية.هناك علاقة وثيقة بين هذه الأوضاع الثلاثة. إذا عُرف أي وضعين منها، يُمكن استنباط الوضع الثالث. مع ذلك، وجد فريق البحث، من خلال مراجعة شاملة للأدبيات المتوفرة، أن معظم الدراسات الحالية لا تأخذ في الاعتبار سوى وضعين منها. على سبيل المثال، التنبؤ بالخصائص الميكانيكية لبنية طوبولوجي ثلاثية الأبعاد، أو توليد بنية طوبولوجي ثلاثية الأبعاد بناءً على الأداء المطلوب.ويجعل هذا القيد من الصعب على نماذج التعلم الآلي الحالية التعامل مع سيناريوهات التطبيق العملي المعقدة، مما يجعل من الصعب التقاط العلاقة الكاملة بين الوسائط الثلاثة.
لسدّ هذه الفجوة البحثية، اقترح فريق بحثي من جامعة فرجينيا للتكنولوجيا وشركة ميتا للذكاء الاصطناعي نموذجًا موحدًا يُسمى UNIMATE، والذي بنى لأول مرة إطارًا موحدًا قادرًا على التعامل مع الأنماط الرئيسية الثلاثة لتصميم المواد الخارقة في آنٍ واحد. ومن خلال البنية المبتكرة لمحاذاة الأنماط وتوليد الانتشار التعاوني، حقق النموذج تحسينًا تعاونيًا للمهام الرئيسية الثلاث: توليد الطوبولوجيا، والتنبؤ بالأداء، وتأكيد الحالة. لا يسد هذا البحث الفجوة التقنية في تصميم المواد الخارقة متعدد المهام فحسب، بل يوفر أيضًا منهجية عامة لاكتشاف المواد الذكية.
تم اختيار نتائج البحث، التي تحمل عنوان "UNIMATE: نموذج موحد لتوليد المواد الميكانيكية، والتنبؤ بالخصائص، وتأكيد الحالة"، لـ ICML 2025.
أبرز الأبحاث:
* التعميم بين المهام: يمكن لنموذج واحد حل ثلاث مهام رئيسية في وقت واحد، مما يؤدي إلى اختراق قيود المهام في النماذج التقليدية؛
* فعالية محاذاة النماذج: من خلال TOT وتكميم الكتب البرمجية، يتم تقليل الاختلافات في توزيع البيانات غير المتجانسة بشكل كبير؛
* التطبيق العملي للهندسة: إدارة فعالة للذاكرة وحساسية للمعلمات، ومناسبة لسيناريوهات تصميم المواد العملية.
عنوان الورقة:
مجموعة بيانات معيارية للمواد الميكانيكية الفائقة من UniMate:
مجموعة البيانات: أول مجموعة بيانات مرجعية للمواد الميكانيكية الفائقة تغطي مهام متعددة
لمعالجة مشكلة نقص التغطية المتعددة الوسائط في البيانات الموجودة، اعتمد فريق UNIMATE على البنية الطوبولوجية لـ Lumpe & Stankovic (2021)،تم إنشاء أول مجموعة بيانات موحدة تتضمن الطوبولوجيا ثلاثية الأبعاد وظروف الكثافة والخصائص الميكانيكية، وتم فحص 500 بنية طوبولوجي لا يزيد عدد عقدها عن 20 عقدة من 17087 طوبولوجيا أصلية.
بالنسبة لكل طوبولوجيا، قام فريق البحث بتعيين ثلاثة أقطار حافة مختلفة بشكل عشوائي وإنشاء ثلاثة شروط كثافة مختلفة لكل طوبولوجيا (ربط نصف قطر الحافة بصيغة طول الحافة المكافئة).
بالنسبة لكل زوج من الطوبولوجيا والكثافة، قام فريق البحث بتقسيم الهيكل ثلاثي الأبعاد إلى وحدات فوكسل مكعبة صغيرة ثم طبق محاكاة التجانس لحساب الخصائص الميكانيكية المتجانسة للهيكل، بما في ذلك معامل يونج، ومعامل القص، ونسبة بواسون.وأخيرًا، تم الحصول على 1500 نقطة بيانات (500 طوبولوجيا، كل منها تحتوي على 3 كثافات وأداء مماثل).
من أجل تعزيز تنوع مجموعة البيانات بشكل أكبر،قام فريق البحث بتكبير البيانات على كل نقطة بيانات.من خلال تدوير الطوبولوجيا والأداء بنفس زاوية الدوران العشوائية، يتم تدوير كل نقطة بيانات 9 مرات، وأخيرًا تحتوي مجموعة البيانات على 15000 عينة، تغطي سيناريوهات الكثافة المنخفضة (ρ=0.1) إلى الكثافة المتوسطة (ρ=0.5)، وتلبي الطوبولوجيا التناظر التكعيبي والدورية.
هندسة النموذج: وحدة محاذاة الوسائط ووحدة توليد الانتشار التعاوني
تم تصميم نموذج UNIMATE لحل مشكلة النمذجة الموحدة للأوضاع الثلاثة الرئيسية لطوبولوجيا ثلاثية الأبعاد وحالة الكثافة والخصائص الميكانيكية في تصميم المواد الميكانيكية.يتكون جوهرها من وحدة محاذاة الوسائط ووحدة توليد الانتشار التآزري.كما هو موضح في الشكل أدناه، يتم تحقيق المعالجة التعاونية متعددة المهام من خلال عمليات التدريب والاستدلال.
وحدة محاذاة الوسائط: توحيد المساحات الكامنة متعددة الوسائط
الهدف من هذه الوحدة هو رسم خريطة لثلاثة أنماط غير متجانسة (الطوبولوجيا، الكثافة، الخصائص الميكانيكية) في مساحة كامنة منفصلة مشتركة.يتم استخدام النقل الأمثل الثلاثي (TOT) لمواءمة توزيعات الوسائط، وتضييق الاختلافات بين الوسائط، ومعالجة تحديات تعقيد البيانات.
على وجه التحديد، مستوحاة من VQ-VAE، تُرسِل هذه الوحدة البيانات الخام إلى مساحة كامنة منفصلة. بالنسبة للطوبولوجيا ثلاثية الأبعاد، تُستخدم شبكة تلافيفية بيانية (GCN) كمُشفِّر لتحويل إحداثيات العقد ومصفوفة التجاور للطوبولوجيا إلى تضمينات كامنة؛ وبالنسبة لشرط الكثافة والخصائص الميكانيكية، يُستخدم مُحْسِب متعدد الطبقات (MLP) كمُشفِّر، على التوالي.
بعد ذلك، يُقدَّم دليل رموز لتقريب الرمز المحتمل، أي إيجاد أقرب رمز نموذجي في الدليل واستبدال الرمز المحتمل بالرمز النموذجي. يمكن لهذا ربط الأنماط الثلاثة المختلفة بمساحة منفصلة مشتركة تتكون من سلسلة من الرموز.
لمواءمة الأنماط الثلاثة، وسّع فريق البحث نطاق النقل الأمثل (OT) ليشمل النقل الأمثل ثلاثي الأطراف (TOT)، وحسّن توزيع الرموز المحتملة بتقليل مسافة واسرشتاين ثلاثية الأطراف (TWD)، محققًا بذلك محاذاة الأنماط الثلاثة. يأخذ تصميم دالة فقدان المحاذاة في الاعتبار عوامل مثل خطأ إعادة البناء، وخطأ تقريب الرمز، وخطأ محاذاة النمط.
وحدة توليد الانتشار المشترك: التعامل المرن مع المهام المتعددة
تعتمد وحدة توليد الانتشار التعاوني على نموذج انتشار قائم على الدرجات. وتستخدم رموزًا متوافقة مع الوسائط لإكمال توليد الوسائط غير المعروفة، وتدعم التوليد المشروط المرن، وتتعامل مع تحديات تنوع المهام.
مدخل هذه الوحدة هو المادة الميكانيكية الكامنة "المستديرة" (LMTR)، حيث تُضاف بعض الرموز مع الضوضاء وتُعتبر رموزًا مجهولة. تُكمل عملية الانتشار توليد الرموز المجهولة من خلال سلسلة من خطوات إزالة الضوضاء، يستخدم كل منها المحول كشبكة أساسية.
للحفاظ على رمز السياق المُعطى دون تغيير، تُجري شبكة المحول الأساسية عملية نشر مُجمّدة جزئيًا، أي استبدال الرموز المعروفة في المُخرَجات بقيمها الأولية. تُمكّن عملية التجميد الجزئي هذه النموذج من معالجة تسلسلات الرموز ذات الأطوال العشوائية وتعيين أي مجموعة فرعية منها إلى مجهولة. تُوفّر الرموز المعروفة معلومات سياقية للرموز الأخرى، خاصةً في عملية انتباه المحول.
يتم تعريف دالة خسارة التوليد على أنها المسافة بين LMTR المستديرة وLMTR الناتجة عن الانتشار، ويتم تحسين عملية التوليد عن طريق تقليل دالة الخسارة هذه.
خلال مرحلة التدريب، تُجرى مواءمة الوسائط وتدريب الانتشار التعاوني بالتناوب. أولًا، تُربط البيانات الأصلية بالرموز المحتملة من خلال المُشفِّر ودفتر الرموز، وتُوازَن الوسائط باستخدام نموذج TOT. بعد ذلك، تُضاف الضوضاء إلى الوسائط العشوائية، ويُنفَّذ تدريب إزالة الضوضاء من خلال نموذج الانتشار لتحسين الخسارة الكلية.
في مرحلة الاستدلال، بناءً على بعض البيانات النمطية (مثل الكثافة والأداء)، يُولّد المُشفّر المُقابل رموزًا محتملة معروفة، وتُهيّأ الرموز غير المعروفة من خلال خطة الإرسال TransPlan (تُعطى الأولوية للرموز عالية الاحتمالية). بعد ذلك، يُولّد نموذج الانتشار تسلسل الرموز المحتملة الكامل، ويُعيد فكّ التشفير بنائه في النهاية إلى بيانات النمط الأصلية.
الاستنتاج التجريبي: تم تحسين أداء المهام الرئيسية الثلاث بشكل شامل
تحليل الفعالية
ولتحقق من فعالية نموذج UNIMATE، أجرى فريق البحث تجارب شاملة وقارنه بنماذج أساسية متعددة في ثلاث مهام: إنشاء الطوبولوجيا، والتنبؤ بالأداء، وتأكيد الحالة.
في مهمة إنشاء الطوبولوجيا،F من UNIMATEكوا و فشرط بلغت المؤشرات 2.74×10⁻² و7.81×10⁻² على التوالي، وهو أعلى بمقدار 80.2% من ثاني أفضل نموذج أساسي SyMat. هذا يعني أن البنية الطوبولوجية الناتجة أقرب إلى المعايير الهندسية العملية في السمات الهندسية الرئيسية، مثل التناظر والدورية.
في مهمة التنبؤ بالأداء،NRMSE من UNIMATEص تبلغ مساحتها 2.44×10⁻²، وهي أعلى بـ 5.1% من النموذج الذي يحتل المرتبة الثانية.
في مهمة تأكيد الشرط،NRMSE من UNIMATEنسخة يبلغ وزن الهيكل 4.43×10⁻²، أي أعلى بمقدار 50.2% من ثاني أفضل نموذج. بالإضافة إلى ذلك، يُمكّن UNIMATE المهندسين من تحديد الكثافة المثلى لطوبولوجيا مُحددة ومتطلبات أداء مُحددة، ويُمكنه تقليل وزن الهيكل بأكثر من 30% مع ضمان الأداء الأمثل.
كفاءة الوقت والمكان
من حيث كفاءة الوقت، نقوم بتدريب كل نموذج وتسجيل متوسط الوقت اللازم لمعالجة كل دفعة. تُظهر النتائج أنيتناسب وقت معالجة الدفعة لكل نموذج تقريبًا مع حجم الدفعة.كما هو موضح في الشكل أدناه، فإن منحدر نموذج UNIMATE يقع عند مستوى معتدل، مما يشير إلى أنه يتمتع بمستوى معتدل من كفاءة الوقت.
من حيث كفاءة المساحة، فإن العديد من النماذج الأساسية ستؤدي إلى حدوث أخطاء في أحجام الدفعات الأصغر بسبب عدم كفاية ذاكرة وحدة معالجة الرسومات.نموذج UNIMATE هو حتى حزمة لم يتم تشغيل أي أخطاء بحجم 10000، مما يدل على أنه أكثر كفاءة في استخدام المساحة من النماذج الأخرى.
حساسية المعلمة
قام فريق البحث أيضًا بدراسة حساسية معلمات النموذج لبُعد الرمز الكامن d وعدد الرموز في دفتر الرموز n. تظهر النتائج التجريبية في الشكل أدناه.مع زيادة أبعاد الرمز الكامن وزيادة حجم كتاب التعليمات البرمجية، يتحسن أداء النموذج بشكل عام.
دراسات الحالة
لإثبات التطبيق العملي لنموذج UNIMATE، أجرى فريق البحث دراسة حالة حول توليد الطوبولوجيا للمواد الفائقة عالية الصلابة ومنخفضة الكثافة (HSLD). عند تدريب النموذج، اختيرت بيانات المواد الفائقة التي أظهرت خصائص HSLD أفضل من مجموعة البيانات الأصلية، وحُددت قيمة الكثافة بقيمة أقل (مثل 0.3)، وعُدِّلت الصلابة المطلوبة ضمن نطاق معين (مثل 0.1 إلى 0.5).
وتظهر النتائج التجريبية أننموذج UNIMATE قادر على إنشاء سلسلة من التحولات الطوبولوجية التي تختلف باختلاف الأداء.في مهمة HSLD المستهدفة، يقترح النموذج استخدام طوبولوجيا الجمالون الثمانية، وهي طوبولوجيا معروفة عالية الصلابة. بالإضافة إلى ذلك، يستطيع النموذج توليد طوبولوجيات وسيطة جديدة غير متضمنة في مجموعة بيانات التدريب.ويشير هذا إلى إمكاناتها في تقريب التحولات الوسيطة ضمن توزيع معين وتمكين اقتراح مرشحين جدد للمواد الفوقية ذات الخصائص المرغوبة.
بفضل خوارزميات التعلم الآلي، تبدأ رحلة جديدة في تصميم المواد الميكانيكية الفائقة
مع الانخراط العميق لتقنيات التعلم الآلي، تُعاد صياغة النموذج الأساسي لتصميم المواد الفوقية الميكانيكية. وفي مجال البحث الأكاديمي، يتزايد البحث في المواد الفوقية الميكانيكية بوتيرة متسارعة. ويعمل الباحثون تدريجيًا على حل تحديات تصميم المواد الفوقية عالية الحرية، مثل كثرة الحسابات، وصعوبة الملاحظة والتمثيل بسبب التعقيد، وتعدد معلمات مساحة التصميم، من خلال تحليل العلاقة المعقدة بين بيانات بنية المادة ومعايير الأداء، ودمج قدرة الشبكات العصبية على التجهيز غير الخطي.
على سبيل المثال، اقترح فريق من جامعة ولاية بنسلفانيا بالولايات المتحدة الأمريكية إدخال آلية جديدة للانتباه الثابت في إطار التعلم العميق لحل التحديات الحسابية لتصميم المواد الخارقة. تتكون المادة الخارقة من قضيبين نانويين من الذهب مُدمجين في ركيزة عازلة، ويُوصف هيكلها باثني عشر معلمة.استخدمت التجربة محاكاة Lumerical FDTD لإنشاء 6493 مجموعة من البيانات لتدريب الشبكة.أظهرت النتائج أنه مقارنةً بالشبكة بدون آلية الانتباه، تحسّنت دقة التنبؤ بهذه الطريقة بمقدار 48.09%، وبلغ متوسط مربع الخطأ لمجموعة الاختبار 2.17×10⁻³، وتحسنت سرعة الحساب بشكل كبير. بالإضافة إلى ذلك، يمكن تطبيق هذا الإطار على التصميم العكسي للمواد البلازماية، مما يُخفّض التكلفة الحسابية بشكل كبير، ويُمهّد الطريق لتحسين فعّال وفي الوقت الفعلي للبنى النانوية المعقدة.
* عنوان الورقة:
https://arxiv.org/abs/2504.00203
في الوقت نفسه، اقترح فريق جامعة أتلانتيك جهازًا جديدًا لرصد المواد فوق الجزيئية قائمًا على الذكاء الاصطناعي، يجمع بين أجهزة التصوير الحديثة وخوارزميات التعلم الآلي المتطورة. وبالمقارنة مع تقنيات الرصد التقليدية،ويقدم النظام تحسينات كبيرة في الدقة والسرعة والقدرة على اكتشاف العناصر التي لم يكن من الممكن اكتشافها حتى الآن.تُظهر النتائج أن الأساليب المعتمدة على الذكاء الاصطناعي لا تُحسّن القدرة على تعريف المواد الخارقة المعروفة فحسب، بل تفتح أيضًا آفاقًا جديدة لاكتشاف خصائص وسلوكيات فريدة، مما يُسرّع وتيرة الابتكار في علوم وهندسة المواد. وقد اختير البحث ذو الصلة للنشر في المجلة الدولية للابتكار المستقبلي في الهندسة والعلوم والتكنولوجيا (IJFIEST).
* عنوان الورقة:
https://journal.inence.org/index.php/ijfiest/article/view/369
بالإضافة إلى ذلك، اقترح فريق من جامعة سيول الوطنية وآخرون استراتيجية تصميم خالية من المعلمات للمواد الميكانيكية ثلاثية الأبعاد، والتي تستخدم شبكة توليدية عميقة تعتمد على السحب النقطية لبناء مكتبة بنية للمواد لتدريب نماذج التعلم الآلي.تشكل المساحة الكامنة المدربة مجموعات طوبولوجية من الوحدات ذات الخصائص المتشابهة، مما يتيح الاستكشاف الفعال والاستيفاء السلس.بالإضافة إلى ذلك، تستطيع هذه الطريقة التنبؤ بالخواص الميكانيكية أسرع من الطرق التقليدية. تُنتج هذه الطريقة مواد ميتامائية ذات خصائص مُستهدفة، غير مُقيدة بقيود المعلمات. يؤكد التحقق الحسابي والتجريبي أن الخصائص المتوقعة مُتسقة ضمن نطاق خطأ مقبول.
* عنوان الورقة:
https://arxiv.org/abs/2411.19681
من المتوقع أن تدفع خوارزميات التعلم الآلي تصميم وتطبيق المواد الميكانيكية الفائقة إلى آفاق جديدة. ومع التكرار المستمر لخوارزميات مثل التعلم المعزز والشبكات التوليدية التنافسية، من المتوقع أن يُحدث التعلم الآلي اختراقاتٍ ثوريةً في مجال المواد الميكانيكية الفائقة، وأن يُسهم في استخدامها على نطاق واسع في مجالاتٍ أخرى.
روابط مرجعية:
https://mp.weixin.qq.com/s/-LTTHsvIz-x9p0zjT6I1kg
https://arxiv.org/abs/2411.19681
https://arxiv.org/abs/2504.00203