تعمل النماذج متعددة الوسائط على تسريع مطابقة المواد الجديدة مع التطبيقات الصناعية، والتنبؤ بخصائص المواد دون الحاجة إلى بنية بلورية كاملة.

البرتقال المزروع جنوب نهر هواي يُصبح برتقالًا، بينما يُصبح البرتقال المزروع شماله يوسفيًا. تُنتج البذرة نفسها المزروعة في تربة ومناخات مختلفة ثمارًا مختلفة تمامًا. يتجلى هذا القانون الطبيعي للنمو بوضوح في كيمياء المواد، حيث تُظهر المواد الجديدة أداءً متفاوتًا في تطبيقات مختلفة. تشير الأبحاث إلى أن العلماء يُنتجون مئات الآلاف من المواد الجديدة كل عام. هذه المواد أشبه ببذور لا تُحصى ذات إمكانات هائلة، تحتاج إلى غرس جذورها في بيئة مناسبة لتزدهر.

على الرغم من أن تصميمات المواد الجديدة الحالية غالبًا ما تُصنّع لتطبيقات محددة، إلا أنها غالبًا ما تنطوي على استخدامات محتملة في مجالات مختلفة. ومع ذلك، لا يزال تحديد سيناريوهات تطبيق المواد الجديدة بسرعة مهمةً صعبة.لنأخذ الأطر المعدنية العضوية (MOFs) المستخدمة على نطاق واسع في المواد البلورية كمثال. أبرز تطبيقاتها هي وسائط تخزين لغازات مثل الهيدروجين والميثان، وتُظهر إمكانات أداء ممتازة في الأغشية، وأجهزة الأغشية الرقيقة، والتحفيز الكيميائي، والتصوير الطبي الحيوي. تعتمد الطرق التقليدية لتحديد الاستخدام الأمثل للأطر المعدنية العضوية على خصائص المادة كأساس وسيط، إلا أن الاختبار مكلف (من حيث الوقت والمعدات والخبرة). علاوة على ذلك، تتطلب أساليب الفحص الحاسوبي والتعلم الآلي البنية البلورية الكاملة للتنبؤ بالخصائص، إلا أن تحليل البنية البلورية يستغرق وقتًا طويلاً ولا يتوفر بسهولة بعد تخليق الأطر المعدنية العضوية.

ولمعالجة هذه المشكلة، اقترح فريق بحثي من قسم الهندسة الكيميائية والكيمياء التطبيقية في جامعة تورنتو بكندا طريقة جديدة تعتمد على نموذج التعلم الآلي متعدد الوسائط.استخدام المعلومات المتاحة بعد تركيب MOF للتنبؤ بخصائصها واستخداماتها المحتملة،على سبيل المثال، يتضمن النموذج أنماط حيود الأشعة السينية للبودرة (PXRD) والمواد الكيميائية المستخدمة في تركيبه. أضاف فريق البحث نظامًا لتوصيات التطبيقات إلى النموذج، والذي يُقدم اقتراحات للتطبيق فورًا بعد تركيب الأطر المعدنية العضوية (MOFs). يُسرّع هذا البحث من الربط بين تركيب الأطر المعدنية العضوية (MOFs) وتطبيقاتها.

نُشر البحث ذو الصلة في مجلة Nature Communications تحت عنوان "ربط تركيب الإطار المعدني العضوي بالتطبيقات باستخدام التعلم الآلي المتعدد الوسائط".

أبرز الأبحاث:

* تستخدم هذه الطريقة المعلومات المتوفرة فقط بعد التركيب للتنبؤ بالخصائص والاستخدامات المحتملة لـ MOFs، وتقديم توصيات التطبيق فورًا بعد تركيب MOFs، مما يؤدي إلى تقصير دورة تركيب المواد إلى دورة التطبيق بشكل كبير؛

* يُضاهي أداء التنبؤ لهذا النموذج أداء النماذج المتقدمة التي تتطلب إدخالًا دقيقًا لبنية البلورة (مثل CGCNN وMOFormer)، بل ويتفوق عليها في ظروف معينة. كما أنه مستقر وموثوق به في مواجهة الضوضاء التجريبية وعيوب بنية البلورة وغيرها من الظروف، مما يُظهر متانة ممتازة.

* تجمع هذه الدراسة بين نظام توصية التطبيقات المرئية لبناء نظام حلقة مغلقة للتوليف والتنبؤ والتطبيق؛

عنوان الورقة:

https://www.nature.com/articles/s41467-025-60796-0

اتبع الحساب الرسمي ورد "MOFs" للحصول على ملف PDF كامل

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي: https://hyper.ai/papers

"البيانات هي موقع التجميع": استراتيجية بناء بيانات MOFs للتنبؤ بالتطبيقات

في هذه الدراسة، تم استخدام إجمالي 6 قواعد بيانات إطار معدني عضوي (MOFs) لتدريب النموذج وتقييمه: CoRE-2019، وBW20K، وARABG، وQMOF، وhMOF، ومجموعات فرعية CSD.في:

* يوفر hMOF مكتبة كبيرة للغاية من الهياكل الافتراضية، مما يساعد على تحسين قدرة التعميم للنموذج.

* يتم استخدام BW20K و ARABG لتعزيز التنوع ودعم المهام ذات اللقطات القليلة.

* يتم استخدام مجموعة CSD لاختبار قوة النموذج في ظل التحيز التجريبي.

استخدم فريق البحث هياكل بلورية من قواعد بيانات CoRE 2019 وBW20K وARABG وQMOF وhMOF، وحسب أنماط PXRD المحاكاة من 0 إلى 90 درجة باستخدام وحدة pymatgen XRD لمحاكاة معلومات التوصيف الهيكلي المُحصل عليها بعد التركيب في التجارب الفعلية. بُنيت معلومات السلائف الكيميائية، المكونة من عقد معدنية وروابط عضوية، بتنسيق [نوع المعدن] [رابط عضوي]، والتي أُدخلت إلى قناة Transformer في النموذج لتجزئة الكلمات.

إطار عمل تعليمي متعدد الوسائط مدفوعًا بالتدريب المسبق الخاضع للإشراف الذاتي

اقترح فريق البحث إطار عمل تعليمي متعدد الوسائط يتم التحكم فيه ذاتيًا ويتم تدريبه مسبقًا، بهدف التخلص من الاعتماد على البنية البلورية الكاملة.التنبؤ بخصائص وتطبيقات MOFs المحتملة باستخدام المعلومات المتوفرة بعد التركيب فقط.

يوضح الشكل أدناه سير عمل هذا النموذج متعدد الوسائط ذاتي الإشراف. تُستخدم سلسلة سابقة وطيف حيود الأشعة السينية للمسحوق (PXRD) كمدخلات، تُدمج عبر محول وشبكة عصبية ملتوية (CNN)، على التوالي، وتُمرر إلى رأس انحدار للضبط الدقيق. يوفر السالف معلومات حول الخصائص الكيميائية للمادة، بينما يوفر نمط حيود الأشعة السينية للمسحوق (PXRD) معلومات إضافية حول البنية الهندسية العامة.

يتم إنشاء سلاسل المواد الكيميائية الأولية المشفرة بواسطة Transformer وأطياف PXRD التي تتم معالجتها بواسطة CNN في مساحة تمثيل موحدة من خلال ربط الميزات والإسقاط.ولتعويض النقص في "السلف + PXRD" المتمثل في عدم القدرة على توصيف البيئة الكيميائية المحلية بشكل مباشر، قدم فريق البحث آلية تدريب مسبق ذاتية الإشراف.يتم محاذاة مخرجات النموذج مع تضمين الشبكة العصبية التلافيفية للرسم البياني البلوري (CGCNN)، ويتم تقييد مصفوفة الارتباط المتبادل لتكون قريبة من مصفوفة الهوية من خلال فقدان بارلو توينز، وبالتالي توجيه النموذج لتعلم القوة التعبيرية للبيئة الكيميائية المحلية.

وعلى هذا الأساس، بعد التدريب الذاتي الإشراف على بيانات غير مصنفة على نطاق واسع، يمكن للنموذج أن يتقارب بسرعة مع عينات مصنفة محدودة ويحقق تنبؤات عالية الدقة لبنية المسام وخصائص الاعتماد الكيميائي والخصائص الكيميائية الكمومية.

على وجه التحديد، استنادًا إلى الهياكل البلورية التي تم الحصول عليها من قاعدة بيانات MOFs،حتى مع كميات صغيرة من البيانات، يمكن لهذه الطريقة التنبؤ بدقة بالخصائص المختلفة.وتشمل هذه الخصائص بنية المسام، والخصائص الكيميائية المعتمدة، والخصائص الكيميائية الكمومية.

خلال مرحلة الإشراف الذاتي والتدريب، تم بناء خط أنابيب التعلم الذاتي (SSL) لإجراء تعلم تمثيلي بين الشبكة العصبية التلافيفية للرسم البياني البلوري (CGCNN) والنموذج، متغلبًا على محدودية النموذج المتمثلة في عدم قدرته على فهم البيئة المحلية لـ MOF من مدخلاته. تمت تهيئة أوزان النموذج، مما أتاح التقارب السريع للحلول. تم إجراء التعلم الذاتي على تضمينات CGCNN. تم استخراج كل تضمين بحجم 512 من CGCNN وجهاز عرض النموذج، وتم إنشاء مصفوفة ارتباط متبادل بالشكل (512، 512). تم استخدام دالة خسارة بارلو-توين لتقليل الفرق، مما جعل مصفوفة الارتباط المتبادل قريبة من مصفوفة الهوية، وبالتالي تحقيق تعلم تمثيلي.

تقييم النماذج متعددة الوسائط

ولإثبات أن النموذج يمكنه التنبؤ بشكل فعال بخصائص MOFs المختلفة ووضع الأساس لمزيج تركيب MOFs وتطبيقها، قام فريق البحث بتقييم دقة النموذج، باستخدام معامل ارتباط رتبة سبيرمان (SRCC) والخطأ المطلق المتوسط (MAE) لتقييم دقة تنبؤ النموذج في الخصائص المعتمدة على الهندسة، والخصائص المعتمدة على الكيمياء، والخصائص الكيميائية الكمومية، وأجرى مقارنات معيارية مع CGCNN وMOFormer ونماذج التعلم الآلي القائمة على الوصف.

وتظهر النتائج أندقة النموذج لهذا النموذج قابلة للمقارنة مع دقة النماذج التي تعتمد على البنية البلورية الكاملة.بل إنه يتفوق على CGCNN وMOFormer في الأداء الهندسي، وبالتالي التحقق من إمكانية تحقيق التنبؤ بالخصائص عالية الدقة باستخدام معلومات التوليف فقط، مما يضع الأساس التجريبي للمطابقة السريعة لتوليف MOFs للتطبيق.

بالإضافة إلى ذلك، أجرى الفريق تجارب الاستئصال، وقارن النماذج التي اعتمدت فقط على السلائف الكيميائية والنماذج التي اعتمدت فقط على PXRD مع النموذج متعدد الوسائط الذي تم تطويره في هذه الدراسة. أظهرت النتائج أن النموذج الذي قبل السلائف الكيميائية فقط كمدخلات فشل في التقاط بنية MOF الشاملة بشكل فعال، وسجل نتائج ضعيفة في الخصائص المتعلقة بالهندسة والخصائص الهندسية البحتة. في حين أن النموذج الذي قبل PXRD فقط التقط بنية MOF الشاملة بشكل جيد، إلا أنه فشل في عكس البيئة المحلية، مما أدى إلى نتائج ضعيفة في الخصائص الكيميائية والكيميائية الكمومية (مثل امتزاز ثاني أكسيد الكربون عند ضغط منخفض وفجوة نطاق). أظهر كلا النموذجين قيودًا. توضح النتائج أنه فقط من خلال الجمع بين PXRD (الذي يوفر معلومات هندسية) مع سلسلة السلائف (التي توفر معلومات كيميائية) يمكن للنموذج متعدد الوسائط تحقيق تنبؤات شاملة ودقيقة لجميع فئات الخصائص الثلاث؛ استخدام أي من الطريقتين بمفردهما يؤدي إلى ضعف الأداء بشكل واضح.

التحقق من استقرار النموذج: تقييم المتانة ضد الأخطاء الهيكلية والضوضاء التجريبية

يُعدّ الاستقرار مقياسًا مهمًا لتقييم إمكانية تطبيق نموذج التعلم الآلي بشكل موثوق في سيناريوهات العالم الحقيقي. ولهذا الغرض، أجرى فريق البحث تقييمًا منهجيًا لمتانة النموذج متعدد الوسائط المقترح في ظل ظروف غير مثالية. أولًا، استخدم الباحثون هياكل بلورية تجريبية مُستخرجة من قاعدة بيانات كامبريدج الهيكلية (CSD) لحساب أنماط PXRD المقابلة لمحاكاة الانحرافات الهيكلية الشائعة في التجارب الواقعية، مثل ذرات الهيدروجين المفقودة ووجود مذيب مرتبط أو غير مرتبط. ركّز التقييم على خاصية هندسية واحدة: التنبؤ بسعة امتصاص الميثان تحت ضغط عالٍ لتطبيقات تخزين الميثان.

وتظهر النتائج أنلا يزال النموذج قادرًا على الحفاظ على قدرة تنبؤية جيدة في ظل ظروف التباين المذكورة أعلاه.يتميز تصنيف أداء امتصاص CH₄ عالي الضغط باتساق قوي، ويتم التحكم في الخطأ النسبي أسفل 13%، مما يدل على متانة عالية.

بناءً على ذلك، قدّم الفريق أنماط PXRD مُقاسة فعليًا لاختبارها والتحقق من استقرار النموذج في مواجهة أخطاء القياس الفعلية، مثل ضوضاء الأجهزة وتقلبات درجات الحرارة. على الرغم من وجود اختلافات جوهرية بين الأنماط المحاكية والتجريبية في بعض العينات، إلا أن النموذج لا يزال يُعطي نتائج مُوصى بها قريبة من الأنماط المحاكية في معظم الحالات، ولا يختلف إلا في الحالات الفردية التي تُعاني من ضوضاء كبيرة أو عدم محاذاة واضح للذروة. وبالجمع بين التجارب المذكورة أعلاه، يُظهر هذا أن النموذج متعدد الأنماط لا يتمتع بدقة تنبؤ عالية في ظل ظروف الإدخال الهيكلية المثالية فحسب، بل يحافظ أيضًا على أداء قوي حتى في حالة وجود خلل في البنية التجريبية أو وجود ضوضاء في PXRD.وقد تم التحقق من إمكانية تطبيقه على نطاق واسع في البحوث والتطبيقات العملية للمواد.

يوضح الشكل أدناه نتائج توصيات النموذج، ومقارنة الاختلافات بين أنماط PXRD المحاكاة وأنماط PXRD التجريبية:

نظام التوصية المتكامل بين التوليف والتطبيق

بناءً على الأداء المتميز للنموذج، طوّر الباحثون نظامًا مرئيًا لتوصيات التطبيقات المحتملة، يُطابق الأطر العضوية المعدنية المُصنّعة حديثًا مع التطبيقات المحتملة (مثل تخزين الغاز واحتجاز الكربون) بناءً على خصائص المواد المُتوقعة. باستخدام تقنية t-SNE، يُسقط النظام المساحة الكامنة للنموذج النمطي، ويستخدم اللون لتمثيل التطبيقات المُوصى بها للأطر العضوية المعدنية. يوضح الشكل التالي ربط معلومات التركيب بسيناريوهات التطبيق:

ولتحقق من قدرة النموذج على التنبؤ بتطبيقات المواد المستقبلية، أجرى الباحثون تجربة السفر عبر الزمن.تم تدريب النموذج باستخدام مدخلات CoRE-2019 المخزنة في قاعدة بيانات CSD قبل عام 2017، واختُبر باستخدام مدخلات مخزنة بعد عام 2017 لمحاكاة التنبؤات بالمواد المستقبلية. كان الهدف من التجربة التنبؤ بأداء هذه الأطر العضوية المعدنية في تطبيق محدد: امتصاص ثاني أكسيد الكربون. أظهرت النتائج أن النموذج نجح في تحديد 18 إطارًا عضويًا معدنيًا قادرًا على التقاط الكربون، 15 منها صُممت في الأصل لتطبيقات أخرى.

التعلم الآلي يحدث ثورة في علم المواد

تُقدّم هذه المقالة نهجًا متعدد الوسائط للتعلم الآلي، يتنبأ بدقة بالخصائص المتنوعة للأطر العضوية المعدنية (MOFs)، ويُطابقها مع تطبيقات مُحددة، بغض النظر عن البنية البلورية. ينتشر هذا التوجه القائم على البيانات عبر نطاق أوسع من أنظمة المواد، زمانًا ومكانًا. على سبيل المثال، استكشف الفريق الذي يقوده شيه جيانشين وسو يانجينغ من جامعة العلوم والتكنولوجيا في بكين تطبيق التعلم الآلي القابل للتفسير في علم المواد. وأثبتوا أن الجمع بين المعرفة المادية والتعلم الآلي يُمكن أن يُحسّن بشكل كبير من تعميم النموذج ودقته التنبؤية، مما يفتح آفاقًا جديدة لتطوير علم المواد. نُشر البحث ذو الصلة، بعنوان "تطبيقات التعلم الآلي القابلة للتفسير: آفاق واعدة للذكاء الاصطناعي في مجال المواد"، في مجلة Advanced Functional Materials.

عنوان الورقة:

https://advanced.onlinelibrary.wiley.com/doi/abs/10.1002/adfm.202507734

اقترح فريق بحثي من مختبر أرجون الوطني في الولايات المتحدة الأمريكية إطار عمل توليدي للذكاء الاصطناعي، يُسمى GHP-MOFsassemble، والذي يُمكنه توليد وتجميع هياكل MOF جديدة عشوائيًا. يستخدم هذا الإطار محاكاة ديناميكية جزيئية للكشف عن MOFs عالية الاستقرار، ويستخدم الشبكة العصبية التلافيفية البلورية (CGCNN) ومحاكاة مونت كارلو الكبرى لاختبار قدرة MOFs على امتصاص ثاني أكسيد الكربون. نُشر البحث ذو الصلة، بعنوان "إطار عمل توليدي للذكاء الاصطناعي قائم على نموذج انتشار جزيئي لتصميم أطر معدنية عضوية لاحتجاز الكربون"، في مجلة Communications Chemistry.

عنوان الورقة:

https://www.nature.com/articles/s42004-023-01090-2

نشر فريق بحثي من جامعة أكسفورد دراسة بعنوان "الحالة غير المتبلورة كأفق جديد في تصميم المواد الحاسوبية"، مسلطًا الضوء على الدور الحاسم للتعلم الآلي في تجاوز القيود التقليدية في تصميم المواد. وأوضحت الدراسة كيف يمكن للتطورات الحديثة في النمذجة الحاسوبية والذكاء الاصطناعي أن تُسهم في سد الفجوة التي كانت مفقودة سابقًا بين البنية الذرية، والخصائص المجهرية، والوظائف العيانية للمواد الصلبة غير المتبلورة.

عنوان الورقة:

https://www.nature.com/articles/s41578-024-00754-2

ترسم هذه السلسلة من الدراسات صورةً واضحةً: علم المواد يدخل عصرًا جديدًا من الذكاء الاصطناعي، ونحن في خضم تحولٍ في أبحاث المواد يقوده التعلم الآلي. والأهم من ذلك، أن الذكاء الاصطناعي قد امتد تدريجيًا من تصميم وتركيب مواد جديدة إلى سيناريوهات تطبيقية، مما سيعزز بلا شك تطبيق المواد الجديدة.

مراجع:

1.https://pubs.acs.org/doi/10.1021/cr300014x

احصل على أوراق بحثية عالية الجودة ومقالات تفسيرية متعمقة في مجال AI4S من عام 2023 إلى عام 2024 بنقرة واحدة⬇️