لطالما شكّل تركيب المواد، وهو مجال متطور يرتبط ارتباطًا وثيقًا بالكيمياء والفيزياء والهندسة، قوة دافعة أساسية للابتكار التكنولوجي الحديث. ومع ذلك، فإن ابتكار مادة جديدة ليس مجرد تطبيق بسيط لصيغة محددة مسبقًا، بل هو عملية إبداعية غير مؤكدة تجمع بين الحدس العلمي والتحكم الدقيق والاستكشاف المستمر. وإذا ما شُبّهت هذه العملية بالطبخ، فحتى مع الطبق نفسه، فإن اختلاف الطهاة ونسب المكونات وتقنيات المعالجة، بل وحتى الاختلافات الطفيفة في درجة الحرارة، ستؤثر بشكل كبير على النكهة النهائية؛ وينطبق الأمر نفسه على تركيب المواد.يمكن أن يكون لكل اختيار للمعلمات ولكل ضبط دقيق للظروف تأثير هائل، بل وحاسم، على خصائص المادة، مما يؤدي إلى نتائج مختلفة.

يستخدم الباحثون حاليًا الحوسبة عالية الإنتاجية والأساليب القائمة على البيانات لفحص ملايين المواد ذات الاستقرار المحتمل والإمكانات التركيبية من بين عدد هائل من المركبات. يشبه هذا الأمر قائمة طعام تضم عددًا لا يحصى من الأطباق النادرة والشهية، مما يوفر إجابة أولية على السؤال الأساسي "ماذا نصنع؟" في مجال تصنيع المواد. مع ذلك، وكما يعتمد الطبخ ليس فقط على الوصفات بل أيضًا على عملية التحضير، فإن الاكتفاء بقائمة طعام دون "طرق طهي" عملية يظل عائقًا رئيسيًا في تصنيع المواد. لذا، فإن كيفية "تطوير" المواد النظرية - أي حل مشكلة "كيفية تصنيعها" - يمثل تحديًا حاسمًا يجب على أبحاث المواد الحالية تجاوزه للوصول إلى التطبيقات العملية.

وردا على التحديات المذكورة أعلاه،اقترح فريق بحثي من معهد ماساتشوستس للتكنولوجيا، والجامعة التقنية في ميونيخ، وجامعة فالنسيا التقنية نموذجًا مبتكرًا للانتشار التوليدي يسمى DiffSyn.يستطيع هذا النموذج، الذي تم تدريبه على أكثر من 23000 صيغة توليدية من مراجع علمية تمتد لأكثر من 50 عامًا، توليد مسارات تركيبية محتملة بناءً على بنية الزيوليت المستهدفة والقالب العضوي. وتكمن ميزته الأساسية في استيعاب خصائص "العلاقة بين البنية والتركيب" و"العلاقة متعددة الأنماط" في المواد، مما يوفر للباحثين إرشادات علمية دقيقة لعملية تحضير المواد. وبالمقارنة مع الطرق التقليدية التي تستخدم نماذج الانحدار وغيرها من النماذج التوليدية، يُظهر DiffSyn أداءً متفوقًا بشكل ملحوظ.

خلال البحث، أظهر الفريق قدرة DiffSyn على التنبؤ بمسارات تركيبية فعالة للزيوليت (وهي فئة من المواد البلورية المسامية الدقيقة التي يمكن استخدامها على نطاق واسع في التحفيز والامتزاز وتبادل الأيونات).استنادًا إلى طريقته التركيبية، نجح فريق البحث في تحضير مادة زوليت من نوع UFI. وقد أكدت حسابات طاقة الربط باستخدام نظرية الكثافة الوظيفية أن نسبة السيليكون إلى الألومنيوم (Si/Al) التي تم قياسها بواسطة مطياف الانبعاث البصري للبلازما المقترنة حثيًا (ICP) وصلت إلى 19.0.ومن المتوقع أن تعمل هذه الخاصية الفائقة على تحسين الاستقرار الحراري للمواد المسامية بشكل كبير، مما يمهد الطريق لتطبيقها في البيئات ذات درجات الحرارة العالية والبيئات القاسية.

وقد نُشرت نتائج البحث ذات الصلة، بعنوان "DiffSyn: نهج الانتشار التوليدي لتخطيط تركيب المواد"، في مجلة Nature Computational Science.

أبرز الأبحاث:

* DiffSyn، الذي تم تدريبه على 23961 وصفة اصطناعية من أكثر من 50 عامًا من الأدبيات، يتغلب على قيود التخطيط الحتمي في نماذج الانحدار التقليدية. 

* بالمقارنة مع نماذج الانحدار ونماذج التوليد العميق الأخرى، يحقق DiffSyn أقل متوسط خطأ مطلق لـ 10 من أصل 12 معلمة تركيبية، مما يدل على تفوق كبير.

* تم تحضير المادة المستهدفة بنجاح بنسبة سيليكون إلى ألومنيوم تصل إلى 19.0، مما يدل على القيمة العملية لنموذج DiffSyn.

عنوان الورقة:

https://www.nature.com/articles/s43588-025-00949-9
تابع حسابنا الرسمي على WeChat وأجب بكلمة "توقعات الزيوليت" في الخلفية للحصول على ملف PDF كامل.

التركيز على تركيب الزيوليت: بيانات تدريبية تمتد على مدى 50 عامًا، وتغطي أكثر من 23000 تركيبة.

يُعدّ DiffSyn إنجازًا بحثيًا بارزًا وناجحًا في مجال تصنيع المواد، وتتمثل أبرز سماته في تركيزه. وتُعتبر مجموعة بيانات ZeoSyn هي مجموعة البيانات الأساسية المستخدمة لتدريب نموذج DiffSyn.هذه مجموعة بيانات اقترحها نفس الفريق، وتغطي 23961 مسارًا للتخليق الحراري المائي للزيوليت، بما في ذلك 233 بنية زيوليت و921 عاملًا عضويًا موجهًا للبنية (OSDAs).مصدر البيانات هو الأدبيات المتعلقة بتخليق الزيوليت والتي تغطي أكثر من 50 عامًا.

تعزيز قدرات النموذج: استنادًا إلى نموذج الانتشار التوليدي، يتم تقديم توجيه كيميائي مبتكر.

إن مسار تصنيع المواد ليس مسارًا واحدًا أبدًا. وكما ذكر إلتون بان، المؤلف الأول لهذه الدراسة، فإنه في الواقع قد توجد مسارات تصنيع مختلفة لعلاقات بنية المادة بتصنيعها. ويتطلب هذا التحول النموذجي تغيير علاقة البنية بالتصنيع من علاقة "واحد إلى واحد" إلى علاقة "واحد إلى متعدد".

اختيار النموذج الأساسي – نموذج الانتشار التوليدي

بالنسبة لأساليب التعلم الآلي، تُمثل العلاقة "واحد إلى متعدد" بين البنية والتركيب تحديًا كبيرًا. ويتعين على الباحثين أيضًا مراعاة العلاقة العكسية، أي العلاقة "واحد إلى متعدد" بين التركيب والبنية. وبالمثل، قد تُشكل تركيبة واحدة مزيجًا من المنتجات، أي طورًا متنافسًا، نتيجة لتفاعل عوامل معقدة كالديناميكا الحرارية والحركية. إضافةً إلى ذلك، توجد تفاعلات غير خطية معقدة بين معايير التركيب، مما يستلزم أساليب قادرة على نمذجة احتمالات معايير التركيب المتعددة معًا، وذلك لفهم العلاقات بين المتغيرات وترجيح معايير التركيب.

قبل ظهور DiffSyn، كانت الطرق التقليدية القائمة على التعلم الآلي تعتمد بشكل أساسي على نماذج الانحدار. هذه الطرق كانت تربط بشكل حتمي تمثيلاً معيناً للمادة بمعايير التخليق، مما ينتج عنه علاقة مباشرة بين البنية والتخليق. والأهم من ذلك، أن العلاقات بين معايير التخليق كانت مستقلة، ما حال دون التعبير عن الترابط القوي بينها. هذه القيود حدّت بشكل كبير من دقة التنبؤ لنماذج الانحدار.

في المقابل، يتخذ نموذج DiffSyn نهجًا جديدًا تمامًا، يعتمد على نموذج الانتشار التوليدي.بالمقارنة مع الشبكات التوليدية التنافسية الكلاسيكية،يقوم نموذج الانتشار بإزالة الضوضاء من البيانات المشوشة من خلال التدريب ويمكنه توليد مخرجات متنوعة؛بالمقارنة مع أساليب التوليد العميق مثل المشفرات التلقائية المتغيرة،تمنح عملية إزالة التشويش التكرارية لنموذج الانتشار قدرة تعبيرية عالية، مما يحقق جودة عينة ممتازة، بل ويُمكّنه من رصد الحدود بين الأطوار المتنافسة في الفضاء التركيبي. هذه هي السمة الأساسية التي تميز هذه الدراسة عن الدراسات السابقة.وباستعارة كلمات المؤلف، "هذا تحول نموذجي، من علاقة واحد إلى واحد بين البنية والتكوين إلى علاقة واحد إلى متعدد".

وهذا أيضاً أمر أساسي لقدرة DiffSyn على التنبؤ بمواد الزيوليت ذات مساحة التركيب عالية الأبعاد.

آلية تنظيمية أساسية – التوجيه الكيميائي

ومن السمات الرئيسية الأخرى لتقنية DiffSyn "التوجيه الكيميائي". لا يُخرج برنامج DiffSyn مجموعة من المعاملات بشكل عشوائي، بل يستخدم التوجيه الكيميائي لتوليد مسار اصطناعي يتوافق مع المبادئ الكيميائية ويستهدف بنية الزيوليت المستهدفة من خلال نموذج الانتشار. تحديدًا، يستخدم بنية الزيوليت المستهدفة Czeo وعامل التوجيه البنيوي العضوي Cosda كمدخلات ومخرجات. انظر الشكل أدناه:

OSDA هو جزيء عضوي يمكنه "تشكيل" بنية مسام الزيوليت، وبالتالي توجيه عملية التخليق لتشكيل بنية محددة، كما هو موضح في الشكل e أدناه.

والأهم من ذلك كله،لا يتعلم هذا النموذج معلمات حتمية، بل يتعلم توزيعات احتمالية شرطية.بناءً على البنية المستهدفة وOSDA، يتم توليد مجموعة من المسارات التركيبية، بما في ذلك تركيبة الهلام Xcomp وظروف التركيب Xcond. وهذا هو المفتاح لحل علاقة "واحد إلى متعدد" المذكورة أعلاه.

خلال عملية التدريب،تضيف عملية الانتشار الأمامي (الجزء ذو الأسهم الحمراء في مخطط سير العمل) ضوضاء غاوسية إلى Xcomp و Xcond، مما يحولها تدريجياً إلى توزيع غاوسي.في مرحلة الاستدلال،تبدأ عملية إعادة الانتشار (الموضحة بالسهم الأخضر في مخطط سير العمل) بضوضاء غاوسية، وتستخدم استراتيجية توجيه مستقلة عن المصنف لإزالة الضوضاء بشكل متكرر من خلال شبكة U-Net موجهة كيميائيًا. انظر المخطط أدناه:

بعد إزالة التشويش لمدة T خطوة زمنية، يستطيع النموذج توليد المسار التركيبي المطابق للبنية المستهدفة. خلال عملية الانتشار العكسي، يتم تحسين مقاييس التوليد باستمرار، مثل مسافة واسرشتين وCOV-P (الدقة)، مما يؤكد فعالية عملية إزالة التشويش ويُظهر دور التوجيه الكيميائي.

تنفيذ سير عمل DiffSyn – مشفرات مزدوجة، مشفر دمج الميزات

من حيث هندسة النموذج،تستخدم DiffSyn بنية مشفر مزدوجة، حيث تعالج بنية الزيوليت و OSDA من خلال مشفرات مستقلة (Enczeo و EncOSDA).

لتوصيف هياكل الزيوليت، استخدم فريق البحث استراتيجية توصيف مزدوجة لاستخراج السمات الهيكلية: السمات الهندسية الثابتة، حيث استخدم الفريق حزمة برامج Zeo++ لاستخراج الواصفات الفيزيائية ذات الصلة من بنية الزيوليت، مثل حجم المسام وحجم الحلقة وقطر الكرة المحيطة القصوى، ثم أدخلها في مشفر متعدد الطبقات للتعلم؛ وتوصيف الشبكة العصبية الرسومية المتغيرة (EGNN)، حيث تعلم الفريق مباشرة سمات الفضاء الكامن ذات الدلالة الكيميائية من البيانات الطيفية لبنية بلورة الزيوليت باستخدام مشفر شبكة عصبية رسومية متغيرة.
* البيانات مستقاة من قاعدة بيانات الرابطة الدولية للزيوليت (IZA).

لتحليل خصائص العوامل العضوية الموجهة للبنية، استخدم فريق البحث برنامج RDKit لتوليد عدة تراكيب فراغية لهذه العوامل، وأجرى تحسينًا هندسيًا في الطور الغازي لكل تركيب فراغي باستخدام مجال القوة MMFF94. ثم قاموا بحساب متوسط قيم المؤشرات الفيزيائية والكيميائية لجميع التراكيب الفراغية، مثل حجم الجزيء ومؤشرات الشكل ثنائي الأبعاد، كخصائص مميزة للعامل العضوي الموجه للبنية.

بعد ذلك، قام فريق البحث بدمج الخصائص البنيوية للزيوليت مع خصائص عوامل التوجيه البنيوي العضوية، ثم استخدموا مُشفِّر Encfusion لتعلم التوصيف المشترك لكليهما، مما أدى إلى توليد معلومات توجيهية كيميائية. يُستخدم هذا التوصيف المشترك لتوجيه عملية إزالة التشويش العكسية لنموذج الانتشار، مما يضمن توافق المسارات التركيبية المُولَّدة مع المبادئ الكيميائية. والجدير بالذكر أن DiffSyn قادر على توليد معلمات تركيبية تعكس مسارات تركيبية لم تُشاهد أثناء التدريب ولكنها مذكورة في الأدبيات العلمية. انظر الشكل أدناه:

علاوة على ذلك، يُعدّ التوجيه المستقل عن المصنف عنصرًا أساسيًا في DiffSyn. ويتمثل المبدأ الأساسي في تنظيم عملية التوليد دون إضافة مصنف إضافي، وذلك من خلال الجمع الموزون بين دوال التقييم الشرطية (التي تحتوي على معلومات توجيهية كيميائية) ودوال التقييم غير الشرطية (التي لا تحتوي على معلومات توجيهية). وقد أظهرت التجارب أن قيمتي Puncond = 0.1 و W = 1.0 هما الأمثل، حيث حققتا أفضل توازن بين تنوع وجودة المسارات التركيبية المُولّدة.
* يمثل Puncond احتمال حذف التوجيه الكيميائي عشوائيًا أثناء التدريب. ستؤدي القيمة المرتفعة جدًا إلى قيود مفرطة على مسار التوليد، بينما ستؤدي القيمة المنخفضة جدًا إلى تقليل استهداف البنية المستهدفة.
* يمثل W وزن النتيجة الشرطية المرجحة أثناء الاستدلال، أي قوة التوجيه.

باختصار، يضع ما سبق أساسًا مهمًا لضمان العقلانية الكيميائية للمسار التركيبي لتوليد مادة الزيوليت المستهدفة، واستهداف البنية المستهدفة بدقة، وتحسين قدرة النموذج على التعميم.

مقارنة تجريبية متعددة الأبعاد: يصل الأداء المقارن إلى أحدث التقنيات (SOTA)، وتُحدث النتائج العملية تحديثًا لأعلى القيم المبلغ عنها.

وللتحقق من أداء DiffSyn، قام فريق البحث بإعداد مجموعات متعددة من التجارب خلال المرحلة التجريبية، بما في ذلك المقارنات مع الطرق السابقة والمقارنات بين مسارات تركيب الزيوليت المتوقعة والتقارير المنشورة.

مقارنة مع نماذج الانحدار والنماذج التوليدية الكلاسيكية/التوليدية العميقة

قام فريق البحث بوضع ثلاثة نماذج أساسية للمقارنة مع برنامج DiffSyn، وذلك لتقييم أداء وقدرات الطريقة المقترحة. النماذج الأساسية الثلاثة هي:

* نماذج الانحدار: AMD (متوسط المسافة الدنيا) وBNN (الشبكة العصبية البايزية) 

* النموذج التوليدي الكلاسيكي: نموذج الخليط الغاوسي (GMM)

*نماذج توليدية عميقة: GAN (شبكة الخصومة التوليدية الشرطية)، NF (التدفق المعياري)، وVAE (المشفر التلقائي المتغير)

استخدمت التجربة مسافة Wasserstein كمؤشر لقياس الفرق بين البيانات المولدة وتوزيع البيانات الحقيقية، ومؤشر التغطية COV-F1 (الذي يتراوح من 0 إلى 1، مع كون القيم الأعلى أفضل) كمؤشر تقييم لتنوع مسارات التركيب المولدة.

تُظهر مسافة Wasserstein أن النماذج التوليدية العميقة مثل GAN و NF و VAE و DiffSyn تتفوق بشكل كبير على الطرق الكلاسيكية.يحسّن DiffSyn خط الأساس غير الأمثل (VAE) بأكثر من 25%.كما هو موضح في الشكل (أ) أدناه:

علاوة على ذلك، تتفوق أساليب التوليد العميق عمومًا على نماذج الانحدار، ويعود ذلك أساسًا إلى ارتفاع معدل الاستدعاء (COV-R). ومن الجدير بالذكر أن...يتفوق نموذج DiffSyn على نماذج التوليد العميق الأخرى بسبب ارتفاع قيمة COV-P الخاصة به.علاوة على ذلك، على الرغم من أن DiffSyn لم يتم تدريبه باستخدام هدف متوسط الخطأ المطلق الصريح مثل الطرق القائمة على الانحدار، إلا أنه لا يزال يحقق أقل متوسط خطأ مطلق لـ 10 من أصل 12 معلمة اصطناعية، كما هو موضح في الشكل ج أدناه:

بالإضافة إلى ذلك، قام فريق البحث بمقارنة التوزيعات المشتركة المتوقعة لمعلمات التركيب المتعددة باستخدام جميع الطرق مع التوزيعات المشتركة الفعلية لزيوليت AEL.لا يمكن إلا لأساليب التوليد العميق أن تلتقط التوزيع المشترك الحقيقي لدرجة حرارة التبلور والوقت لهذا النوع من البنية البلورية.ومن بينها، يلتقط DiffSyn التوزيع المشترك بدقة أكبر، بما في ذلك معظم نقاط البيانات الحقيقية (بما في ذلك بعض القيم الشاذة)، ولكنه يفشل في التنبؤ بنقاط البيانات (القيم الشاذة المتطرفة) في الأنماط الثانوية.

في عملية التحقق اللاحقة، استخدم فريق البحث DiffSyn لتعلم التوزيع المشترك لمعلمات التركيب المتعددة وفحص اثنين من معلمات التركيب لنظامين من الزيوليت-OSDA لم يسبق رؤيتهما من قبل.تؤكد النتائج أن برنامج DiffSyn قد أتقن القواعد المحددة في مجال تصنيع المواد.وله آثار كيميائية هامة.

قارن المسارات التركيبية المُولَّدة بتلك المذكورة في الأدبيات العلمية.

اختار فريق البحث عدة أنظمة من الزيوليت-OSDA ذات قيمة بحثية وآفاق تطبيق صناعي، وقارن الاختلافات بين مسارات التخليق التي أنشأها برنامج DiffSyn وتلك المذكورة في الأدبيات العلمية، وتحقق من قدرة DiffSyn على استخلاص العلاقة بين التخليق والبنية لمسارات تكوين أنواع الزيوليت غير المعروفة من نوعي MWW وBEC، بالإضافة إلى نظام الطور البلوري المتنافس FAU/LTA. انظر الشكل أدناه:

أولاً، فيما يتعلق بنظام MWW، فهو عبارة عن بنية ثنائية الأبعاد تحتوي على حلقة مكونة من عشرة أعضاء وتجويف كبير، ويستخدم في تفاعلات التماثل والتحويل العطري. تتوافق معلمات OH⁻/T و K⁺/T و H₂O/T و SDA/T ودرجة الحرارة والوقت التي تم إنشاؤها بواسطة DiffSyn بشكل كبير مع معلمات التخليق الفعلية.يثبت هذا أن DiffSyn لا يزال بإمكانه إعادة إنتاج نوافذ معقولة في الهياكل غير المرئية.

ثانيًا، فيما يتعلق بنظام BEC، فهو عبارة عن زوليت مسامي كبير ذو بنية مسامية ثلاثية الأبعاد تحتوي على قنوات حلقية متقاطعة مكونة من اثني عشر عضوًا، وهو مناسب لتفاعلات التماثل والإيبوكسدة. تتوافق معايير التخليق Si/Ge وF⁻/T ودرجة الحرارة/الزمن التي تم توليدها بواسطة برنامج DiffSyn بشكل كبير مع تلك المذكورة في المراجع العلمية. وتشير المراجع تحديدًا إلى أن الجرمانيوم والفلوريد يعملان على تثبيت الحلقة الرباعية المزدوجة (d4r) لبنية مكثف بوز-أينشتاين أثناء عملية التخليق، وهو ما يفعله برنامج DiffSyn أيضًا.وهذا يوضح أن DiffSyn قادر على تعلم ذرات غير متجانسة محددة، أو ظروف تركيبية، لتعزيز تكوين وحدات هيكلية محددة في الزيوليت.

أخيرًا، استخدم فريق البحث برنامج DiffSyn للتنبؤ بمسارات التخليق الكيميائي لزيوليت FAU وLTA دون استخدام عامل توجيه هيكلي (OSDA). وقد توافقت مسارات التخليق التي تم توليدها بواسطة DiffSyn بشكل كبير مع تلك المذكورة في الأدبيات العلمية. والجدير بالذكر،تنبأ برنامج DiffSyn بدقة بمنطقة حدود الطور بين FAU و LTA بدون OSDA، مما يحدد بوضوح مساحة التركيب لتكوين الأطوار المتنافسة.تُظهر هذه النتيجة أن برنامج DiffSyn لا يقتصر على رصد علاقات التركيب والتخليق بدقة فحسب، بل يتعداه إلى حلّ حدود القرار بين التركيب والتركيب، مما يُبرز إمكاناته في التخليق الانتقائي للأطوار. كما يتميز البرنامج بتعميمه وتطبيقاته الواسعة، ويمكن استخدامه مع مجموعة متنوعة من هياكل الزيوليت وأنظمتها الكيميائية.

التحقق من توليد مسار التخليق الأمثل

يُعد توليد مسارات التركيب وتخطيط مسارات التركيب المثلى بُعدين لمشكلة واحدة. ولمعالجة هذه المشكلة، قيّم فريق البحث قدرة برنامج DiffSyn على تحقيق البُعد الثاني.

استخدمت التجربة ثلاثي ميثيل أدامانتيوم الأمونيوم (TMAda) كعامل توجيه هيكلي عضوي لتخليق زِيوليتات من نوع CHA، مما أدى إلى توليد مسارات تركيب متعددة وحساب تكاليف المواد الأولية وأوقات التبلور المقابلة. انظر الشكل أدناه. تتميز المسارات الجزئية المثلى لـ Praeto التي تم إنشاؤها بواسطة DiffSyn بأوقات تبلور أقصر وتكاليف مواد أولية أقل مقارنة بأقل 20 مسارًا تركيبيًا تكلفة تم الإبلاغ عنها في الأدبيات.

أخيرا،قام فريق البحث بالتحقق تجريبياً من المسار التركيبي لـ DiffSyn لتوليد الزيوليت من نوع UFI ونجح في تصنيع أربعة مواد من الزيوليت من نوع UFI.لتركيب الزيوليت من نوع UFI، اختار فريق البحث Kryptofix 222 (K222) كـ OSDA لأن هذا النظام لم يظهر في بيانات التدريب، وهو أمر مفيد لاختبار قدرة DiffSyn على التعميم.

أنتج برنامج DiffSyn ألف مسار تركيبي، ويقع توزيعها ضمن نطاق توزيعات جميع مسارات الزيوليت المُبلغ عنها، كما هو موضح في الشكل أدناه. علاوة على ذلك، كشفت الدراسة أن معظم الأطوار البلورية المتنافسة لا تشترك في وحدات هيكلية مركبة مع الطور البلوري المستهدف، مما يؤكد تعقيد العلاقة بين البنية والتركيب وعدم إمكانية تفسيرها بالوحدات الهيكلية وحدها.

أظهرت نتائج الاختبار أن نمط حيود الأشعة السينية للمسحوق للعينة المصنعة كان متوافقًا بشكل كبير مع النمط المحاكى.تم التأكد من أن البلورة التي تم الحصول عليها هي بنية زوليت من نوع UFI، وكانت نسبة السيليكون إلى الألومنيوم التي تم قياسها بواسطة ICP عالية تصل إلى 19.0، وهي واحدة من أعلى القيم التي تم الإبلاغ عنها في تركيب زوليت من نوع UFI حتى الآن.

والأهم من ذلك، أكد فريق البحث على أن التعاون بين برنامج DiffSyn والخبراء البشريين أمر بالغ الأهمية لتحقيق نتائج تركيبية مثالية، وقد دعموا هذا الرأي باستخدام مثال درجة حرارة التبلور. وختامًا، يوفر النموذج مسار التركيب، بينما يستخدم الخبراء البشريون خبراتهم لإجراء التصحيحات واتخاذ القرارات؛ وقد يكون هذا مفتاحًا لتطبيق الذكاء الاصطناعي مستقبلًا في تخطيط تركيب المواد.

يستخدم "كتاب الوصفات" هذا مجموعة متنوعة من المواد لربط "ما يجب تركيبه" بـ "كيفية التركيب".

يتعمق التكامل المتبادل بين مجالات تركيب المواد والذكاء الاصطناعي، مما يوفر مسرعاً لمجال تركيب المواد للانتقال نحو الذكاء والدقة والتكامل.

أولًا، يُسهم التطور السريع للذكاء الاصطناعي، ولا سيما الذكاء الاصطناعي التوليدي، في تسريع إنشاء قواعد بيانات لتخليق المواد. وعلى وجه الخصوص، استثمرت شركات التكنولوجيا العملاقة، مثل جوجل وميتا، بكثافة في الذكاء الاصطناعي التوليدي، مما أدى إلى إنشاء قاعدة بيانات ضخمة لصيغ تخليق المواد. وتُوفر هذه الصيغ، نظريًا، بيئة خصبة لتخليق المواد والابتكار.

علاوة على ذلك، يجري باستمرار تحسين قواعد البيانات ذات الصلة وإثرائها في مجالات فرعية محددة، لا سيما مع التركيز المتزايد على تطويرها في الأوساط الأكاديمية والبحثية. فعلى سبيل المثال، قبل هذا البحث، كان الفريق قد أجرى بالفعل تتبعًا طويل الأمد لمواد الزيوليت. ولمعالجة تحدي صغر حجم قواعد بيانات تركيب الزيوليت المتاحة للجمهور وعددها المحدود، اقترح الفريق مجموعة بيانات ZeoSyn، وهي مجموعة بيانات تضم 23961 مسارًا للتركيب الحراري المائي للزيوليت. وفي الوقت نفسه، طوّر البحث أيضًا مصنفًا للتعلم الآلي للتنبؤ بالزيوليت بناءً على مسار التركيب، محققًا دقة بلغت 70%. وقد أرست هذه النتائج أساسًا متينًا ووفرت دعمًا نظريًا قويًا لمزيد من أبحاث الفريق.

* عنوان الورقة البحثية:

ZeoSyn: مجموعة بيانات شاملة لتخليق الزيوليت تُمكّن من ترشيد المعلمات الحرارية المائية باستخدام التعلم الآلي
* عنوان الورقة:https://dspace.mit.edu/handle/1721.1/164092

تُشبه قاعدة بيانات صيغ تركيب المواد "قائمة الطعام" في "الوصفة". وكما ذُكر سابقًا، فإن "قائمة الطعام" وحدها غير كافية دون "أساليب الطهي". ويُشبه تطبيق نماذج الانحدار، والنماذج التوليدية، ونماذج الانتشار، سعي الباحثين الدؤوب نحو الاستكشاف والابتكار المستمر لطبق شهي. ويُشبه تطبيق تقنيات الذكاء الاصطناعي هذه إضافة "أساليب طهي" متنوعة لكل طبق في "قائمة الطعام"، وصولًا إلى إتقان "الوصفة".

أخيرًا، على الرغم من أن عملية تصنيع المواد تشبه الطبخ، إلا أنها تختلف عنه اختلافًا كبيرًا. فمقارنةً بالطبخ العادي، يُعدّ كل تصنيع ناجح للمواد أكثر قيمةً بكثير من مجرد طبق ذي نكهة فريدة. إذ قد يفتح ابتكار كل مادة جديدة بابًا إلى عالم مجهول، يحمل في طياته إمكانيات لا حصر لها لدفع عجلة الحضارة الإنسانية وتقدم العصر.