لقد وفر المجهر الإلكتروني للبشرية نافذة غير مسبوقة على عالم الذرات، مما أتاح المراقبة المباشرة للعيوب، وتشوهات الشبكة البلورية، وعدم التجانس الكيميائي الذي يحدد أداء المحفزات والبطاريات وأشباه الموصلات. ورغم التزايد الهائل في حجم بيانات المجهر الإلكتروني، لا تزال هناك مشكلة كبيرة تتمثل في عدم تحليل معظم مجموعات البيانات بشكل كامل.ليس ذلك بسبب افتقارها للقيمة العلمية، ولكن لأن عملية التفسير من قبل الخبراء بطيئة ومجزأة ويصعب تكرارها.

في السنوات الأخيرة، أتاحت التطورات في تقنيات الذكاء الاصطناعي إمكانيات جديدة لاستغلال القيمة العلمية الكاملة لبيانات المجهر الإلكتروني. مع ذلك، ونظرًا لتنوع طرائق التصوير والمهام التحليلية، لا تزال التطبيقات الحالية محصورة إلى حد كبير في خطوات معزولة. على سبيل المثال، يوفر برنامج AtomAI طريقة على مستوى البكسل لتقسيم الذرات، بينما يُعزز برنامج AutoMat أتمتة فهرسة البنية.يغطي كل منها جزءًا محددًا فقط من عملية تحليل EM.هذا التجزؤ يجعل من الصعب ربط الصور المجهرية الأصلية بالنماذج البلورية أو تنبؤات الخصائص أو الأدلة الوثائقية، وبالتالي يفشل في سد "الميل الأخير" من الملاحظة إلى الفهم.

لذلك، يبرز سؤال رئيسي:هل من الممكن بناء "عالم إلكتروني افتراضي" قادر على التعامل بشكل مستقل مع مهام التصوير المتنوعة، واجتياز مجالات فرعية مختلفة للمواد، ودمج المعرفة متعددة التخصصات؟إذا تمكن عامل ذكي من إدارة عشرات الآلاف من الصور المجهرية في وقت واحد، فسوف يؤدي ذلك إلى تحسين كفاءة البحث العلمي البشري بشكل كبير وتسريع ابتكار المواد.

وفي هذا السياق،اقترح فريق بحثي من جامعة كورنيل منصة EMSeek، وهي منصة معيارية متعددة العوامل ذات قدرات تتبع المصدر.يدمج برنامج EMSeek الإدراك، وإعادة بناء البنية، واستنتاج الخصائص، والاستدلال من المراجع العلمية في سير عمل موحد لتحليل المجهر الإلكتروني. تُظهر نتائج التقييم على 20 نظامًا ماديًا و5 فئات مهام أن EMSeek يحقق ضعف سرعة برنامج Segment Anything تقريبًا، ودقة أعلى في مهام التجزئة؛ ويحقق تشابهًا بنيويًا يتجاوز 90% على مجموعة بيانات STEM2Mat؛ ومع معايرة باستخدام 2% فقط من البيانات المصنفة، فإنه يُضاهي أو يتجاوز أداء النماذج القوية أحادية الخبير في ثلاثة معايير قياسية للتنبؤ بالخصائص خارج التوزيع. والأهم من ذلك،تستغرق هذه الطريقة من دقيقتين إلى خمس دقائق فقط للاستعلام عن كل صورة بالكامل، وهو ما يعادل حوالي 50 مرة أسرع من عملية الخبراء.

وقد نُشرت نتائج البحث ذات الصلة، بعنوان "ربط المجهر الإلكتروني وتحليل المواد بمنصة عاملة مستقلة"، في مجلة ساينس أدفانسز.

أبرز الأبحاث:

* يقترح هذا البحث نظامًا معياريًا متعدد العوامل يتمتع بقدرات تتبع المصدر، ويوحد الإدراك والنمذجة الهيكلية واستنتاج الخصائص والاستدلال الأدبي في سير عمل EM قابل للتكرار.

* تؤكد دراسات الحالة على الشبكات ثنائية الأبعاد والجسيمات النانوية المدعومة قدرة EMSeek على التعميم، مما يدل على إمكاناتها في تسريع اكتشاف المواد ومساعدة الباحثين المحترفين وغير المحترفين على حد سواء.

يُمكّن برنامج EMSeek "العلماء الافتراضيين" من التعاون مع الباحثين البشريين، مما يُسرّع اكتشاف المواد على نطاق واسع، بدءًا من التوصيف الأساسي وحتى تحسين الأجهزة.

عنوان الورقة:
https://www.science.org/doi/10.1126/sciadv.aed0583
تابع حسابنا الرسمي على WeChat وأجب بكلمة "EMSeek" في الخلفية للحصول على ملف PDF كامل.

مجموعة البيانات: موازنة اتساع نطاق وصعوبة تحليل المجهر الإلكتروني الحالي

لتدريب وتقييم SegMentor، الوحدة الأساسية لهذا النظام متعدد العوامل، قام الباحثون بإنشاء مجموعة بيانات مرجعية تعكس مدى اتساع وصعوبة تحليل المجهر الإلكتروني الحالي، كما هو موضح في الشكل أدناه:

تحتوي مجموعة البيانات هذه على آلاف الصور المجهرية المشروحة على مستوى البكسل من 20 نظامًا ماديًا (البيروفسكايت، وسبائك عالية الإنتروبيا، والهياكل غير المتجانسة لفان دير فالس، والمحفزات أحادية الذرة، وما إلى ذلك).تنقسم المهام إلى خمس فئات: تحديد موقع العمود الذري، وتحديد العيوب النقطية، واستخراج محيط الجسيمات النانوية، وحساب العيوب الناتجة عن الإشعاع، وتحديد الذرة المفردة.

يخضع اختيار المواد لثلاثة معايير:

(أ) تتعلق بقضايا رئيسية مثل التحفيز وتخزين الطاقة وموثوقية أشباه الموصلات؛

(ii) يشمل ذلك مجموعة واسعة من التعقيدات الهيكلية، من البلورات المتناظرة للغاية إلى الشبكات المعيبة للغاية أو ذات التباين المنخفض؛

(iii) يتميز بتنوع التصوير، بما في ذلك الاختلافات في جهد التسريع والجرعة ووضع الكشف، مما يختبر بدقة متانة النموذج.

تظهر معلومات إحصائية أكثر تفصيلاً في الجدول أدناه:

إطار عمل EMSeek: يتم جدولة المهام بشكل موحد بواسطة نموذج لغوي كبير.

على عكس الاعتماد على نظام واحد للتعلم العميق،يقوم نظام EMSeek بتعيين المهام إلى وكلاء متخصصين هرميين، والذين يتم جدولتهم بشكل موحد بواسطة نماذج اللغة الكبيرة (LLMs) لإكمال التخطيط والاستدعاء والتنفيذ تلقائيًا.يقلل هذا من التدخل البشري، ويظهر إطاره العام في الشكل أدناه:

تتألف المنصة من 5 وحدات أساسية، تشمل:

سيجمينتور

هذه الوحدة مسؤولة عن "التجزئة العامة" الموجهة بالمرجع.يمكن توليد أقنعة على مستوى الذرات وعلى مستوى الجسيمات في ظل ظروف مواد وتصوير مختلفة. يكمن جوهر SegMentor في Ref-UNet، وهو U-Net خفيف الوزن يتم فيه استبدال كتلة التشفير بعمود فقري مرئي، ولا تقوم وصلات التخطي بتمرير خرائط الميزات فحسب، بل تقوم أيضًا بتمرير التضمينات المتعلمة لتصحيحات المراجع التي يختارها المستخدم.

أثناء عملية الانتشار الأمامي، تُجزأ الرقع المرجعية إلى رموز، وتُشفّر موضعيًا، ثم تُدخل إلى كل مرحلة من مراحل التشفير عبر طبقة انتباه متقاطع تُعيد ترجيح استجابات القنوات بناءً على تشابه الرقع. تنتشر متجهات السياق المُولّدة على طول مسار إعادة التشكيل، موجهةً التنبؤات على مستوى البكسل للوصول إلى ميزات تُطابق المرجع مع كبح التداخل.

كريستال فورج (EM2CIF)

تقوم هذه الوحدة بإجراء بحث في الفضاء المتبادل في ظل قيود القناع وتجمع بين استرجاع قاعدة البيانات وتوليد المرشحين لإعادة بناء هياكل الخلية الوحدوية التي يمكن استخدامها لنظرية الكثافة الوظيفية (DFT)، حتى عند مواجهة أنظمة كيميائية غير معروفة.

مات بروفيت

تستخدم هذه الوحدة نموذجًا هجينًا خبيرًا مُتحكمًا فيه (MoE)، حيث تدمج مخرجات نماذج متعددة بين الذرات.يمكن إكمال المعايرة باستخدام حوالي 2% فقط من البيانات المصنفة.كما أنها تتنبأ بخصائص مثل طاقة التكوين وطاقة العيوب، بالإضافة إلى عدم اليقين فيها؛

الباحث عن العلم

تتولى هذه الوحدة مسؤولية استرجاع وتجميع الأدلة من كمية هائلة من الأدبيات لتوليد إجابات مع ربط الاستشهادات، وبالتالي تقليل "الوهم".يعمل في حلقة من ثلاث مراحل: استرجاع المستند: استرجاع الفقرات المرشحة من خلال استعلامات التشابه الكثيفة؛ استخراج الأدلة: فرز الجمل وتصفيتها، وتسجيل المصدر الكامل (DOI وإزاحة الجملة) من خلال وكيل Guardian؛ تحليل الاستدلال: تنظيم الأدلة في حجة منظمة، وإدراج النص المقتبس والداعم في تقرير المستخدم بواسطة وكيل Scribe.

الجارديان

في كل خطوة من خطوات عملية التسليم، يتم التحقق من العقلانية الفيزيائية، واتساق الوحدة، ومعلومات التتبع، ويقوم برنامج Scribe بدمج القناع، وملف بنية البلورة (CIF)، وبيانات الخصائص، والمراجع في تقرير قابل للتدقيق.

تبسط منصة EMSeek أبحاث المواد

تُسهّل منصة EMSeek أبحاث المواد من خلال تحديد السمات الرئيسية في الصور المجهرية، وتحديد البنى البلورية، والتنبؤ بخصائص المواد، ومقارنة النتائج بالأبحاث العلمية المنشورة، وإنشاء التقارير ضمن سير عمل متكامل. وقد تحقّق الباحثون من قدرات EMSeek الشاملة من خلال سلسلة من التجارب.

يحقق برنامج EMSeek تجزئة ذرية شاملة من خلال "التوجيه بنقرة واحدة".

تحتوي الصور المجهرية الإلكترونية عالية الدقة عادةً على عشرات الآلاف من الأعمدة الذرية في صورة مجهرية واحدة، ولكن من الصعب تحديد جميع المواقع المتكافئة بلوريًا في عملية معالجة واحدة، سواء عن طريق الطرق اليدوية أو الأدوات القائمة على الإشارات. يقترح برنامج EMSeek وضع تجزئة ذرية "واحد للجميع": يحتاج المستخدمون فقط إلى النقر على موقع تمثيلي، ويمكن للنموذج البحث تلقائيًا عن جميع الأعمدة الذرية المتشابهة بلوريًا ووضع علامات عليها عبر مجال الرؤية بأكمله.

قام الباحثون بتدريب نموذج Ref-UNet باستخدام مجموعة بيانات متعددة المهام. تُظهر التجارب أن Ref-UNet يتفوق بشكل ملحوظ على نموذج Segment Anything في كلٍ من أداء المهام والأداء العام (انظر الشكلين B و E أدناه). تبلغ تكلفته الحسابية 259 جيجا فلوب، وعدد معلماته 28 مليونًا، أي ما يقارب نصف عدد معلمات نموذج SAM 2 Hiera-B+ (560 جيجا فلوب، 81 مليون معلمة).يحقق ذلك سرعة استدلال تبلغ ضعف السرعة تقريبًا على وحدة معالجة الرسومات الواحدة، مما يدعم بالتالي التغذية الراجعة التفاعلية في الوقت الفعلي في سير عمل EMSeek.

من حيث تنفيذ النظام، قام الباحثون بتغليف Ref-UNet كعامل تجزئة لـ EMSeek ودمجوه مع عارض صور مجهر إلكتروني سهل الاستخدام لتحقيق الاستدلال في الوقت الفعلي. كما هو موضح في الشكل أدناه،يتم تحويل كل نقرة للمستخدم إلى نموذج إدخال موتر مرجعي ويتم إرجاعها كنتيجة متراكبة ضمن إطار واحد، مما يتيح للباحثين تحسين قناع التجزئة بشكل متكرر أثناء تصفح تسلسلات الإمالة أو مقاطع الفيديو في الموقع.يمكن للوكيل أيضًا تصدير مناطق الاهتمام (ROI) الدقيقة على مستوى البكسل، والأوصاف الإحصائية، والإحداثيات الذرية ثلاثية الأبعاد، والتي يمكن إدخالها مباشرة في إنشاء CIF التلقائي، وتحليل جزء الطور، ووحدات التنبؤ بالخصائص اللاحقة.

يسد برنامج EMSeek الفجوة بين المجهر الإلكتروني وعلم البلورات من خلال ميزة "إنشاء ملفات CIF بنقرة واحدة".

تُعدّ صور المجهر الإلكتروني بالغة الأهمية لتحليل البنى الذرية، إلا أن تحويل الإسقاطات ثنائية الأبعاد المشوّشة إلى نماذج بلورية موثوقة غالبًا ما يكون عملية دقيقة ومُرهقة. تعتمد الطرق التقليدية عادةً على مزيج من مطابقة القوالب الشاملة والفهرسة اليدوية، لكنها شديدة الحساسية لعوامل مثل انحراف التباين، وعدم استقرار المنصة أو المسح، وتلوث الكربون، والحجب الجزئي بواسطة قرص براغ.

يتجنب EMSeek هذه المشاكل باستخدام استراتيجية "تقسيم أولاً، ثم إعادة البناء".بالمقارنة مع الطرق القائمة على البكسل، يتفوق برنامج EMSeek على الهياكل الواقعية من حيث التشابه الهيكلي: إذ يتجاوز تشابهه الهيكلي 90% عبر جميع مستويات الصعوبة الثلاثة، ويتفوق على برنامجي AtomAI وAutoMat في جميع المستويات (الشكل C، أسفل اليسار). تبرز هذه الميزة بشكل خاص في المشاهد ذات التشويش العالي، حيث يمكن أن تُحدث التغييرات الطفيفة في التباين أو بقايا طبقة الكربون تحولات كبيرة في طرق المطابقة الشاملة.

بالإضافة إلى متانته، فإن EMSeek قادر أيضًا على التكيف مع أنظمة المواد التي تتجاوز نطاق قواعد البيانات الحالية.لذلك، فهو ليس مناسبًا فقط لإعادة بناء الهيكل المستقر في ظل الظروف العادية، ولكنه يوفر أيضًا دعمًا موثوقًا به في سيناريوهات الاستكشاف ذات الضوضاء العالية وظروف التصوير متعددة الأشكال وهياكل الشبكة غير المعروفة.

قدرة EMSeek على التعميم في مهام المواد الواقعية متعددة المجالات

تتسم مشاكل المواد القائمة على بيانات المجهر الإلكتروني بتنوعها الكبير. وتعتمد أساليب الأتمتة التقليدية عادةً على برامج نصية مخصصة، وتنسيقات بيانات مؤقتة، ومعالجة يدوية مكثفة. وتُعيق مشكلاتٌ مثل انخفاض نسبة الإشارة إلى الضوضاء، وتداخل مقارنات العيوب والإجهاد، وانحراف حزمة الإلكترونات، وندرة البيانات المُعلّقة، تحقيقَ سير عمل مؤتمت بالكامل. حتى مع وجود أُطر عمل مثل AtomAI، غالبًا ما يحتاج المحللون إلى إعادة تدريب النماذج لكل مجموعة بيانات جديدة، وهو ما يستغرق أسابيع. يكسر EMSeek هذا التشتت من خلال ترجمة طلبات المستخدمين إلى مُطالبات بلغة طبيعية ودمجها في إطار عمل موحد للوكلاء الأذكياء.

يوضح الشكل (أ) أدناه تحديد الشبكة البلورية لطبقة أحادية من MoS₂ في صورة مجهر إلكتروني ماسح نافذ (STEM): يقوم برنامج SegMentor بتقسيم أعمدة ذرات Mo وS، ثم تُمرر القناع إلى برنامج CrystalForge (EM2CIF) لإعادة بناء شبكة MoS₂، وبعد ذلك يتنبأ برنامج MatProphet بخصائص المادة (مثل الطاقة لكل ذرة). يوضح الشكل (ب) أدناه تحليل جسيمات PtSn النانوية المحملة على Al₂O₃ غير المتبلور: يكتشف برنامج SegMentor حوالي 73 جسيمًا كرويًا تقريبًا، ويُنشئ برنامج AnalyzerHub مخططًا بيانيًا لتوزيع الأحجام يُظهر تشتتًا متوسطًا. يتم تسجيل جميع بيانات القناع وإحصائيات الجسيمات والمخططات البيانية وتتبعها. تستغرق العملية بأكملها بضع ثوانٍ فقط لكل صورة مجهرية، وجميع النتائج الوسيطة قابلة للتتبع.

بالإضافة إلى تحليل الصور،يدمج برنامج EMSeek أيضًا إمكانيات الاستدلال القائمة على المستندات للإجابة على الأسئلة العلمية.كما هو موضح في الشكل أدناه، بعد دمج المراجع المتخصصة عبر ScholarSeeker، تتفوق دقة وموثوقية الإجابات على مجموعة بيانات Metallurgy-QA على نماذج اللغة الأساسية واسعة النطاق أو عمليات البحث البسيطة على الإنترنت. تجدر الإشارة إلى أن تحسين الشبكة البسيط قد يُقلل الأداء أحيانًا، لأن نتائج استرجاع المعلومات من الإنترنت واسعة النطاق غالبًا ما تحتوي على معلومات ضعيفة الصلة بالمهمة، مما يُؤدي إلى مشاكل عدم تطابق الأدلة أو استبدال المنهجية.

في المقابل، من خلال استرجاع واستخلاص الأدلة من الأدبيات العلمية المحكمة، يستطيع النظام الحدّ بشكل كبير من "الأوهام" وتحسين دقة وشمولية الإجابات. فعلى سبيل المثال، عند الإجابة عن سؤال كيفية تحسين قوة ومتانة سبائك المغنيسيوم والألومنيوم والمنغنيز، يستطيع النظام استرجاع عمليات المعالجة الحرارية الموثوقة وتقديم توصيات دقيقة مدعومة بالمراجع.

يختصر برنامج EMSeek تحليل المجهر الإلكتروني من أسابيع إلى دقائق.

في دراسة حديثة باستخدام المجهر الإلكتروني النافذ (TEM) في الموقع،استغرق الأمر من ثلاثة خبراء ما يقرب من 20 أسبوعًا لإكمال عملية التعليق الشامل على 1200 إطار من عيوب التشعيع.تتطلب الصور الثابتة التقليدية عادةً عدة دقائق إلى ساعة لكل صورة لحساب العيوب بدقة. كما يتطلب تحليل الشبكة البلورية أو رسم خرائط الحبيبات بدقة ذرية ساعات من عمل الخبراء، وهو عرضة لتحيز المحللين.

على نفس نوع البيانات، يمكن لـ EMSeek إكمال التجزئة الموجهة بالمرجع، وإعادة بناء الشبكة الواعية بالقناع، والتنبؤ بخصائص MatProphet MoE، والبحث في الأدبيات والتحقق منها، وإنشاء التقارير على أربع وحدات معالجة رسومية A100.يستغرق الأمر 146 ± 18 ثانية فقط.تقلل سرعة المعالجة هذه من وقت الاستجابة الفعلي بمقدار يتراوح بين اثنين إلى ثلاثة أضعاف، مما يحول المجهر الإلكتروني من أداة تشخيصية لاحقة إلى محرك لاختبار الفرضيات وتحسين العمليات في الوقت الفعلي تقريبًا.

تركيز تنافسي جديد في أبحاث المواد المستقبلية

من منظور أوسع، يُعيد الذكاء الاصطناعي تشكيل النموذج الأساسي لأبحاث علوم المواد، لا سيما في إطلاق العنان لكفاءة غير مسبوقة في الحلقة الحاسمة المتمثلة في "التوصيف والفهم والتصميم". تقليديًا، اعتمد توصيف المواد على المستوى الذري اعتمادًا كبيرًا على الخبراء ذوي الخبرة، مما يتطلب شهورًا أو حتى سنوات من التدريب المهني. حتى المشغلون ذوو الخبرة يجدون صعوبة في ضمان استقرار النتائج واتساقها عند التعامل مع أنظمة جديدة مثل المواد ثنائية الأبعاد. لطالما شكل هذا الاعتماد الكبير على الموارد البشرية والخبرة عائقًا أمام توسيع نطاق أبحاث المواد وأتمتتها، مما دفع بشكل مباشر إلى تطوير أنظمة توصيف ذكية تتطلب "بيانات أقل وتتميز بعوائق دخول أقل".

ومن الأمثلة التمثيلية إطار عمل ATOMIC (التقنية المستقلة للمجهر الضوئي والتمييز الذكي) الذي اقترحه وانغ هاوتشي من جامعة ديوك وفريق رين تشيتشو في معهد ماساتشوستس للتكنولوجيا في عام 2025.هذا إطار عمل متكامل يدمج نموذجًا أساسيًا لتحقيق توصيف كامل للمواد ثنائية الأبعاد دون الحاجة إلى عينات. يدمج النظام نموذجًا بصريًا أساسيًا (أي نموذج Segment Anything)، ونموذجًا لغويًا موسعًا (أي ChatGPT)، وتجميعًا غير مُشرف، وتحليلًا طوبولوجيًا، مما يُؤتمت التحكم في المجهر، ومسح العينات، وتجزئة الصور، والتحليل الذكي من خلال هندسة سريعة دون تدريب إضافي. عند تحليل عينات MoS₂ النموذجية، حققت الطريقة دقة تعرّف وتجزئة أحادية الطبقة بلغت 99.71 TP3T، وهي دقة تُضاهي دقة المحترفين.

عنوان الورقة البحثية: المجهرية المستقلة بدون لقطات لتوصيف المواد ثنائية الأبعاد بشكل قابل للتطوير وذكي
رابط الورقة:

https://arxiv.org/abs/2504.10281

انطلاقًا من إطار عمل EMSeek متعدد العوامل، يُقدّم ATOMIC مسارًا آخر: تحويل العمليات التجريبية المعقدة إلى مهام ذكية قابلة للبرمجة وإعادة الاستخدام من خلال أتمتة شاملة مدفوعة بنموذج أساسي. تكمن القيمة المشتركة لهذه الأنظمة في أنها لم تعد تعتمد على بيانات مصنفة واسعة النطاق أو تدريب متكرر لمهمة واحدة، بل تُحقق تكيفًا سريعًا مع أنظمة المواد الجديدة من خلال مزيج من القدرات العامة.وهذا يعني أن أحد المجالات الرئيسية للمنافسة في أبحاث المواد المستقبلية سيتحول إلى "من يستطيع إدارة العوامل الذكية وموارد المعرفة بكفاءة أكبر".

من المتوقع أن يدخل علم المواد تدريجياً عصراً من الأبحاث "المُدمجة بالذكاء الاصطناعي": حيث يُمكن تحليل البيانات التجريبية فوراً، وربط تنبؤات النماذج والمعرفة المنشورة في الوقت الفعلي، مما يُحرر الباحثين من معالجة البيانات المُرهقة والعمل المُتكرر، ويُتيح لهم التركيز على صياغة الأسئلة وتصميم التجارب. في هذه العملية، لم يعد الذكاء الاصطناعي مجرد أداة مساعدة، بل أصبح بنية تحتية أساسية تُحرك اكتشاف المواد والابتكار.

مراجع:

https://www.science.org/doi/10.1126/sciadv.aed0583
https://phys.org/news/2026-04-ai-electron-microscopy-materials-insights.html
https://mp.weixin.qq.com/s/AaAHOpChVXj_2xQJRvqHSg