في صناعة أشباه الموصلات الحديثة، تتوسع حدود أداء المواد باستمرار نحو آفاق جديدة. فمن الأجهزة الكهروضوئية عالية الكفاءة إلى الثنائيات الباعثة للضوء عالية السطوع (LEDs)، وصولاً إلى أنظمة الاتصالات عالية التردد وأنظمة المعلومات الكمومية، تعتمد جميع التقنيات الرئيسية تقريبًا على قدرة أساسية في جوهرها.التحكم الدقيق في البنية الإلكترونية للمواد، وخاصة التصميم الدقيق لفجوة النطاق.ومع ذلك، فقد كان تحقيق هذا الهدف صعباً لفترة طويلة في نظام علم المواد التقليدي.

والسبب في ذلك هو أن الخصائص الإلكترونية للمادة لا تتحدد ببساطة بعنصر واحد، بل تتأثر بروابط كيميائية معقدة، وبنية بلورية، وتهجين مدارات الإلكترون، والتأثيرات التآزرية لعناصر متعددة. ومن بين العديد من أنظمة المواد، تحتل أشباه الموصلات القائمة على الغاليوم مكانة فريدة.إن التنوع الكيميائي الممتاز للغاليوم وخصائص حالة التكافؤ المتعددة تمكنه من إظهار مجموعة من الخصائص الإلكترونية القابلة للتعديل، من فجوة نطاق واسعة إلى فجوة نطاق ضيقة.

أصبحت المركبات المحتوية على الغاليوم أساسًا بالغ الأهمية لتقنيات الإلكترونيات الضوئية وتحويل الطاقة الرئيسية، مثل الخلايا الشمسية عالية الكفاءة، ومصابيح LED عالية السطوع، وأجهزة الاتصالات عالية التردد. كما أنها تبرز كمواد مرشحة محتملة للأنظمة الإلكترونية المرنة والمتوافقة حيويًا والقابلة للزرع. ومع ذلك، وعلى الرغم من عقود من البحث، لا يزال اكتشاف مواد جديدة تحتوي على الغاليوم وتستهدف خصائص إلكترونية محددة يعتمد إلى حد كبير على الاستكشاف التجريبي.هذا الأمر محدود بشكل أساسي بسبب المساحة التصميمية الواسعة للمكونات والتكلفة الحسابية العالية للحسابات القائمة على المبادئ الأساسية.

في هذا السياق، اقترح فريق بحثي بقيادة جامعة فليندرز بالتعاون مع جامعة خليفة في الإمارات العربية المتحدة إطار عمل لتحسين بايزي موجه بالتعلم الآلي (BO) والذي يتيح التصميم العكسي للمكونات القائمة على الغاليوم ذات الخصائص الإلكترونية المحددة مسبقًا مع الحفاظ على العقلانية الكيميائية.

بمساعدة هذا الإطار الموحد،يمكن للنظام أن يولد بشكل مستقل مواد جديدة تحتوي على الغاليوم وفعالة كيميائياً وأن يحقق فجوة نطاق قابلة للتعديل تتراوح بين 0.5 و 3.5 إلكترون فولت.يُعدّ نطاق الطاقة هذا ذا أهمية بالغة لتطبيقات الطاقة الشمسية، والضوئيات، وإلكترونيات الطاقة. وتُمكّن عملية التحسين البايزي من توجيه البحث بشكل تكيفي نحو المنطقة التي تُحقق أعلى "تحسين مطلوب". تُظهر نتائج التحليل المُحسّن أن المادة المُولّدة تتميز بتفردها وحداثتها مقارنةً ببيانات التدريب، وأن فعالية SMACT قد تحسّنت بشكل ملحوظ في نطاق فجوة الطاقة من 1.5 إلى 2.5 إلكترون فولت.

تم نشر نتائج البحث ذات الصلة، بعنوان "الاكتشاف الموجه بالتحسين البايزي لأشباه الموصلات المحتوية على الغاليوم ذات فجوات النطاق المستهدفة"، في منشورات ACS.

أبرز الأبحاث:

يمكن للإطار الجديد تسريع تصميم المواد العكسي في ظل قيود كيميائية واقعية، مما يوفر بديلاً لأساليب الفحص التقليدية القائمة على نظرية الكثافة الوظيفية (DFT).

* لا يغطي الإطار الجديد المناطق ذات الإمكانات الكيميائية فحسب، بل يحافظ أيضًا على درجة عالية من الحداثة وتنوع المكونات مقارنة بقواعد البيانات الحالية.

* يتجاوز هذا البحث قيود التنبؤ التقليدي بالخصائص الثابتة، مما يدفع اكتشاف أشباه الموصلات نحو نموذج بحثي توليدي قائم على البيانات.

عنوان الورقة:
https://pubs.acs.org/doi/10.1021/acsmaterialslett.5c01482

مجموعات البيانات: بناء فضاء تعليمي كيميائي من قواعد بيانات المواد الواقعية

استخدمت هذه الدراسة قواعد بيانات NOMAD و Materials Project لتدريب النموذج.تتضمن البيانات التركيب الكيميائي للمادة وقيمة فجوة النطاق التجريبية المقابلة لها.على سبيل المثال، Ga₄P₄، GaAs، GaN، Ga₂O₃، إلخ. تحتوي مجموعة البيانات الأولية على 2530 تركيبة مادية وسجلات فجوة النطاق الخاصة بها.

لضمان جودة البيانات، تم استبعاد العينات التي تحتوي على قيم مفقودة في عمودي "التركيب" أو "فجوة النطاق". كما تم حذف بيانات فجوة النطاق غير الفيزيائية أو السالبة، بالإضافة إلى السجلات المكررة، ليتبقى في النهاية 1578 مكونًا صالحًا للنمذجة. علاوة على ذلك، تم توحيد سلاسل الصيغ الكيميائية باستخدام حزمة pymatgen لدمج المصطلحات المتكافئة كيميائيًا. وتم تحويل وحدة فجوة النطاق بشكل موحد من الجول إلى الإلكترون فولت (eV). في مجموعة البيانات المُعالجة مسبقًا، تراوحت فجوة النطاق من 0.0 إلى 5.92 إلكترون فولت، بمتوسط 1.8 إلكترون فولت تقريبًا وانحراف معياري قدره 1.6 إلكترون فولت.

قامت الدراسة بفحص تركيب المواد بدقة، واقتصرت على المركبات التي تحتوي على عناصر من مجموعة محددة مسبقًا من الأرقام الذرية لضمان تركيز البحث على أنظمة المواد القائمة على الغاليوم. كما تم تطوير العديد من الخصائص الإضافية، بما في ذلك:

* عدد العناصر في كل صيغة كيميائية

* طول سلسلة الصيغة الكيميائية

* مؤشر ثنائي لوجود أو عدم وجود الغاليوم

ثم قُسّمت مجموعة البيانات عشوائيًا إلى مجموعتي تدريب واختبار بنسبة 8:2، مع إجراء التقسيم على مستوى المكونات لتجنب ظهور مركبات متشابهة كيميائيًا في مجموعتي بيانات مختلفتين في الوقت نفسه. كما استُخدم التحقق المتقاطع ذو الخمس طيات لتقييم متانة النموذج في ظل ظروف تقسيم البيانات المختلفة.

إطار العمل: التصميم المشترك للتعلم الآلي والتحسين البايزي

تقترح هذه الدراسة إطار عمل لتحسين بايزي مقيد كيميائياً (BO).كما هو موضح في الشكل أدناه، فإنه يستخدم أولاً نموذج انحدار تعزيز التدرج المدرب على مجموعة بيانات المواد المركبة القائمة على الغاليوم للتنبؤ بفجوة النطاق للمادة؛ ثم يتم استخدام التحسين البايزي للاستكشاف بشكل متكرر في فضاء تركيب مقيد؛ وأخيرًا، يتم فحص المواد المرشحة التي تم إنشاؤها من حيث الصلاحية الكيميائية والحداثة والتفرد باستخدام أدوات SMACT و pymatgen، وبالتالي تحديد المواد المركبة القائمة على الغاليوم ذات الأداء الأفضل والتي لم يتم استكشافها من قبل.

طبقة نموذج التنبؤ

قامت هذه الدراسة بتقييم ثماني خوارزميات انحدار للتعلم الآلي بشكل منهجي، بما في ذلك النماذج الخطية، وانحدار متجه الدعم، والغابات العشوائية، وتعزيز التدرج، وخوارزمية أقرب الجيران (KNN). وتُظهر النتائج أن النموذج غير الخطي يتفوق بشكل ملحوظ على النموذج الخطي بشكل عام، مما يشير إلى وجود علاقة غير خطية قوية بين تركيب المادة وفجوة النطاق.حقق نموذج KNN أفضل أداء، حيث بلغ R² 0.812، كما تفوق على النماذج الأخرى من حيث مقاييس الخطأ.

من بين جميع النماذج المرشحة، تم اختيار نموذج KNN في النهاية كنموذج بديل في التحسين البايزي.والسبب هو أنه يتمتع بقدرات استيفاء محلية ممتازة ويحافظ على أداء مستقر في ظل ظروف تقسيم عشوائية مختلفة.بخلاف نماذج التجميع القائمة على الأشجار، يمكن لـ KNN الحفاظ على علاقات الجوار في مساحة ميزات المكونات، وهو أمر بالغ الأهمية لتحديد أوجه التشابه بين المواد ذات النسب المتشابهة من العناصر.

في سيناريوهات التحسين البايزي، تُعدّ "قدرة الحفاظ على الموقع" هذه بالغة الأهمية، لأن عمليات البحث عن التحسين غالبًا ما تركز على المناطق المحتملة القريبة من المرشحين المعروفين ذوي الجودة العالية. ولذلك، فإن الخصائص غير البارامترية والتكيفية محليًا لخوارزمية أقرب جار (KNN) تُتيح للمُحسِّن توجيهًا أكثر سلاسة وموثوقية في البحث، مع الحفاظ على كفاءة حسابية عالية في فضاءات المواد ذات العينات المتباعدة.

وحدة التحسين البايزي

تستخدم عملية سير العمل هذه نموذج KNN البديل لتوجيه البحث عن المكونات المحتوية على الغاليوم في فجوة النطاق المستهدفة.من خلال استخدام وظيفة الاستحواذ "التحسين المتوقع"، يتم تحقيق التوازن بين "الاستكشاف" و "الاستخدام"، وبالتالي توليد قياس العناصر المرشح في فضاء التركيب المتمحور حول الغاليوم.

يضع النظام عدة قيود، بما في ذلك: يجب أن يحتوي كل مكون على 4 عناصر كحد أقصى ويجب أن يفي بمتطلبات الحد الأدنى لمحتوى الغاليوم لضمان بقاء المواد المرشحة ذات صلة بمواضيع البحث القائمة على الغاليوم.

طبقة ترشيح مقيدة كيميائياً

يجب التحقق من جميع المواد المرشحة التي تم إنشاؤها باستخدام أداة SMACT، بما في ذلك القيود مثل توازن الشحنة، وحالة الأكسدة المعقولة، وتناسق السالبية الكهربائية، لضمان أن المواد التي تم إنشاؤها ليست صالحة فقط في الفضاء الرياضي ولكن أيضًا قابلة للتحقيق كيميائيًا.

علاوة على ذلك، يتضمن الإطار أساليب الذكاء الاصطناعي القابل للتفسير (XAI)، باستخدام SHAP لتحليل منطق اتخاذ القرار في النموذج، وبالتالي تحويل التنبؤ المادي من "صندوق أسود" إلى "نظام قابل للتفسير".

تسريع تصميم المواد العكسي في ظل قيود كيميائية واقعية

قام الباحثون بتصميم سلسلة من التجارب لتقييم وتحليل أداء النموذج، وخصائصه الهيكلية، وقابليته للتفسير، وصحته الكيميائية:

تقييم أداء النموذج

من حيث تقييم أداء النموذج، أظهر نموذج KNN استقرارًا في التحقق المتبادل، مع R² يبلغ حوالي 0.60 ± 0.07 و RMSE يبلغ حوالي 1.02 إلكترون فولت، مما يشير إلى أن النموذج لديه قدرة تعميم جيدة في المساحات الكيميائية المتفرقة.

كما هو موضح في تحليل أهمية الخصائص أدناه، تُعدّ درجة الانصهار، ونطاق الكهرسلبية، وانحراف الكهرسلبية عوامل رئيسية تؤثر على التنبؤ بفجوة النطاق، وهي عوامل ترتبط ارتباطًا وثيقًا بقوة الرابطة وسلوك نقل الشحنة في المواد. مع ازدياد فروق الكهرسلبية، تميل فجوة النطاق إلى الانخفاض، بينما تتوافق الزيادة في درجة الانصهار وطاقة التماسك مع فجوات نطاق أكبر - وهو نمط يتوافق إلى حد كبير مع فيزياء أشباه الموصلات التقليدية.

القدرة على تعلم القواعد الكيميائية الحقيقية من البيانات

خلال مرحلة التوليد، اقترح التحسين البايزي 1025 مكونًا مرشحًا يحتوي على الغاليوم، منها 38 مكونًا فقط اجتازت فحص SMACT، مما يشير إلى أن قيود الجدوى الكيميائية كانت صارمة للغاية.تتركز هذه المواد الفعالة بشكل رئيسي في نطاق 2.0-2.5 إلكترون فولت، مما يعني سهولة تكوين أشباه موصلات ذات فجوة طاقة متوسطة تتميز بخصائص الروابط الأيونية والتساهمية في هذه المنطقة. وتتوافق هذه النتائج بشكل كبير مع الأنظمة المعروفة، مثل Ga₂O₃ (≈4.8 إلكترون فولت) وGa₂S₃ (≈2.5 إلكترون فولت).

تُظهر عملية البحث عن BO أيضًا ميلًا للتجمع نحو العائلات الكيميائية المعروفة التي تحتوي على الغاليوم (مثل Ga–O، Ga–N، Ga–As/Sb)، وتقترح قياسًا كيميائيًا وسيطًا جديدًا في هذه المناطق، مثل: Ga₀.₅₁As₀.₁₆N₀.₂₄Sb₀.₁₀، Ga₀.₁₇₁Sb₀.₁₇₅O₀.₃₆₇F₀.₂₈₆.

بالنسبة للمواد ذات فجوة النطاق الواسعة (>3.0 إلكترون فولت)، تُفضّل الخوارزمية المركبات الغنية بالأكسجين لأن روابط Ga–O القوية تُساعد على توسيع فجوة النطاق؛ بينما تُحقق المواد ذات فجوة النطاق المنخفضة (حوالي 1.5–2.0 إلكترون فولت) عادةً باستبدال الأكسجين بالكبريت أو السيلينيوم أو الفوسفور، مما يُؤدي إلى تفاعلات p–p أقوى. تتوافق هذه الأنماط بشكل كبير مع الملاحظات التجريبية الموجودة، مما يُشير إلى أن النموذج قد تمكن من "التعلم الضمني" للقواعد الكيميائية الحقيقية من البيانات.

القدرة على رصد "علاقات الهيكل والملكية" في العالم الحقيقي

وللتأكد من أن التركيبة المحتوية على الغاليوم التي تم إنشاؤها تتوافق مع مادة "قابلة للتحقيق فيزيائيًا"، استخدم فريق البحث نموذج Chemelon-dng الذي طوره بارك وآخرون للتنبؤ بالنموذج الأولي البلوري الخاص به، كما هو موضح في الشكل أدناه:

أظهرت المكونات المرشحة التي تم التحقق من صحتها بواسطة برنامج SMACT بيئات تنسيقية معقولة كيميائيًا، يهيمن عليها مراكز الغاليوم رباعية السطوح وثمانية السطوح، وهو ما يتوافق إلى حد كبير مع النماذج البلورية المعروفة مثل Ga₂O₃ وGaN وGaSe. وقد نجح النموذج البديل في إعادة إنتاج علاقات التسلسل الهرمي للبنية الإلكترونية المتسقة تجريبيًا: الأكاسيد: 3.5-4.8 إلكترون فولت، والكالكوجينيدات: 1.8-2.6 إلكترون فولت، ومركبات النيتروجين من المجموعة A: حوالي 1.2-2.0 إلكترون فولت، أي أن فجوة نطاق الأكسيد > فجوة نطاق الكالكوجينيد > فجوة نطاق النيتروجين من المجموعة A.

تشير هذه النتيجة إلى أن،أصبح سير عمل التحسين البايزي هذا الآن قادرًا على التقاط "علاقات الهيكل والخاصية" في العالم الحقيقي بشكل فعال.

تجدر الإشارة إلى أنه لم يكن أي من المكونات الـ 38 الصالحة التي تم التحقق منها نسخًا مكررة من المواد المعروفة الموجودة، مما يثبت بشكل أكبر أن النتائج التي تم إنشاؤها تتمتع بكل من "الجدة" و"الاتساق الكيميائي".

التحقق من DFT

أجرى الباحثون أيضًا عملية تحقق من صحة نظرية الكثافة الوظيفية (DFT). يلخص الجدول أدناه نتائج مقارنة "فجوة النطاق المتوقعة من النموذج" و"فجوة النطاق المحسوبة باستخدام نظرية الكثافة الوظيفية" بين المكونات العشرة التي اجتازت التحقق من صحة SMACT، بالإضافة إلى أنواع فجوات النطاق المقابلة.

بشكل عام، بلغ متوسط الخطأ المطلق (MAE) 0.890 إلكترون فولت، ومتوسط الجذر التربيعي للخطأ (RMSE) 1.158 إلكترون فولت، والوسيط المطلق للخطأ 0.784 إلكترون فولت. على الرغم من وجود بعض الانحيازات، إلا أن هذه الطريقة ذات قيمة عملية عالية في مرحلة الفرز الأولي لاكتشاف المواد. والأهم من ذلك، أن جميع المواد التي تم التحقق من صحتها لم تكن موجودة في قواعد البيانات المعروفة، مما يدل على حداثتها العالية.

خاتمة

بشكل عام، تُظهر هذه الدراسة نموذجًا جديدًا لتصميم المواد لأشباه الموصلات المحتوية على الغاليوم: مسار توليد آلي من "البيانات" إلى "مواد جديدة" من خلال التأثير التآزري لنمذجة التعلم الآلي، والبحث الأمثل البايزي، وفحص القيود الكيميائية.

من منظور صناعي، يمتلك هذا النهج قيمة محتملة لتصميم المواد الكهروضوئية، وتطوير الأجهزة الباعثة للضوء، وأبحاث أشباه الموصلات ذات فجوة النطاق الواسعة. وبالنظر إلى التطور السريع لأجهزة إلكترونيات الطاقة والأجهزة الكهروضوئية من الجيل التالي، يتزايد الطلب على المواد القابلة للتحكم في فجوة النطاق بشكل متسارع، ومن المتوقع أن تصبح أساليب تصميم المواد المدعومة بالذكاء الاصطناعي أداةً رئيسية لتسريع هذه العملية.

علاوة على ذلك، لا تقتصر أهمية هذا الإطار على نظام الغاليوم فحسب، بل يمكن توسيع نطاق منهجيته لتشمل الإنديوم والقصدير، وحتى أنظمة أشباه الموصلات الخالية من الرصاص، مما يوفر مسارًا عامًا للتصميم العقلاني للمركبات المعقدة متعددة المكونات. ويمثل هذا مرحلة جديدة في علم المواد، إذ ينتقل من "التجربة والخطأ القائمين على الخبرة" إلى "التوليد القائم على الخوارزميات"، حيث يصبح الذكاء الاصطناعي جسرًا أساسيًا يربط بين القواعد الكيميائية واكتشاف المواد.

مراجع:

https://techxplore.com/news/2026-05-ai-discovery-gen-chips-electronic.html
https://pubs.acs.org/doi/10.1021/acsmaterialslett.5c01482