عادةً ما تتبع العلوم التجريبية دورة مغلقة من "الفرضية - التجربة - التحليل - التكرار"، إلا أن هذه العملية لطالما كانت محدودة بسبب كفاءة التشغيل اليدوي، وخبرة الخبراء، وقدرات معالجة البيانات. في مجالات مثل علم المواد، والكيمياء، وفيزياء المادة المكثفة، يمكن لمرافق البحث العلمي واسعة النطاق، مثل مصادر إشعاع السنكروترون ومصادر التفتت النيوتروني، أن تكشف عن البنية والديناميكيات على المستوى الذري والجزيئي، ولكنها تعاني أيضاً بشكل عام من مشاكل مثل ضيق الوقت، وتعقيد التشغيل، والاعتماد الكبير على كبار الباحثين.

أتاح تطور الذكاء الاصطناعي إمكانيات جديدة لتحسين كفاءة التجارب. ففي الماضي، كان التعلم الآلي يُستخدم بشكل أساسي للتنبؤ بخصائص المواد، وتحسين معايير التجارب، وتحليل البيانات؛ أما الآن، ومع التقدم المستمر في التعلم النشط، والروبوتات، ونماذج اللغة الضخمة، بدأ الذكاء الاصطناعي ينتقل من كونه أداة مساعدة بعد انتهاء التجربة إلى عنصر فاعل في العملية التجريبية نفسها. وبفضل آليات استدعاء الأدوات المنظمة، لا يقتصر دور الذكاء الاصطناعي على تحليل البيانات فحسب، بل يشمل أيضاً استدعاء الأجهزة، وضبط المعايير، واتخاذ القرارات بشأن الخطوة التالية بناءً على التغذية الراجعة الآنية.

تُعدّ هذه الإمكانية بالغة الأهمية للمنشآت واسعة النطاق، مثل منشآت تشتت الأشعة السينية. فمع استمرار ازدياد سطوع مصدر الضوء وسرعة الكشف، يتزايد حجم البيانات التجريبية بسرعة، وتبرز مشاكل مثل انحياز العينة، وانحراف المعدات، وتقلبات الإشارة. تستطيع البرامج النصية التقليدية الثابتة التعامل مع الإجراءات القياسية، لكنها تواجه صعوبة في التعامل مع الحالات التجريبية التي تنحرف عن التوقعات.

وبناء على هذا،قام فريق بحثي من جامعة ستانفورد ومختبر SLAC الوطني للمسرعات بتطوير نظام "عالم الأشعة السينية بالذكاء الاصطناعي" ونشره على خط شعاع حقيقي في مصدر إشعاع السنكروترون في ستانفورد.أكمل فريق البحث أولاً تصحيح أخطاء النظام في خط شعاع افتراضي، ثم انتقل إلى معدات حقيقية لاختبار ما إذا كان الذكاء الاصطناعي قادرًا على إكمال التجارب متعددة الخطوات بشكل مستقل والتعامل مع الانحرافات المفاجئة في البيئة الحقيقية عن طريق حل مصفوفة توجيه البلورة الأحادية.

وقد نُشرت نتائج البحث ذات الصلة، بعنوان "عالم الأشعة السينية ذو الذكاء الاصطناعي الفعال"، في مجلة Nature Machine Intelligence.

عرض الورقة:
https://www.nature.com/articles/s42256-026-01261-5

مجموعة البيانات: المعلمات الأساسية، والمحاكاة الافتراضية، وقياسات خط الحزمة الفعلية

تندرج البيانات المطلوبة من قبل الباحثين بشكل رئيسي في ثلاث فئات: المعلمات الأساسية للبلورة والجهاز، وبيانات المحاكاة المولدة من خطوط الحزم الافتراضية، والبيانات التجريبية التي تم الحصول عليها من خطوط الحزم الحقيقية.

كانت عينة التحقق الأساسية عبارة عن نصف معدن مغناطيسي من نوع وايل، وهو Co3Sn2S2. تطلّب النظام الحصول مسبقًا على معلومات مثل البنية البلورية، وطول موجة الأشعة السينية، ومسافة حركة محرك مقياس الحيود، وهندسة الكاشف. ساعدت هذه البيانات الذكاء الاصطناعي في حساب المواضع النظرية لقمم الحيود، كما حددت الحدود الفيزيائية وحدود السلامة لتشغيل الجهاز. استخدمت الدراسة أيضًا السيليكون أحادي البلورة للتحقق التكميلي.

لتقليل الوقت اللازم للعمل على الجهاز الفعلي، قام فريق البحث ببناء خط شعاع افتراضي.تقوم منصة المحاكاة بإنشاء صور حيود بناءً على هندسة مقياس الحيود ذي الدوائر الست، وتضيف توسيع الذروة، والضوضاء المادية، وتشويه الإشارة لجعل الناتج أقرب ما يمكن إلى نتائج الكاشف الحقيقي.

أدخل الباحثون عمداً أخطاءً في إزاحة المحرك ومعاملات الشبكة في المحاكاة. لا يمكن للذكاء الاصطناعي نسخ القيم النظرية ببساطة، بل يجب عليه استنتاج الحالة الفعلية من الملاحظات وتصحيح أحكامه باستمرار. إضافةً إلى ذلك، وضع الفريق سيناريوهات أكثر تحدياً، مثل إزاحات أكبر للمحرك، وتداخل متعدد الحبيبات، وموارد استنتاج محدودة، لاختبار استقرار النظام.

بعد إتمام الاختبار الافتراضي، تم نشر النظام على خط شعاع SL17-2 في مرفق إشعاع السنكروترون بجامعة ستانفورد. شملت البيانات الواقعية صور الكاشف، ومنحنيات المسح، وحالة المعدات، وسجلات التجارب. بالمقارنة مع بيئة المحاكاة، أدخلت التجربة الحقيقية أيضًا أخطاء التثبيت، وعدم محاذاة المعدات، والضوضاء العشوائية - وهي مشكلات لم يتم نمذجتها مسبقًا - والتي كانت حاسمة لاختبار قدرة الذكاء الاصطناعي على التكيف.

نظام تجريبي مستقل للحيود يعتمد على استنتاج نموذج كبير واستدعاء أداة MCP

يتكون "عالم الأشعة السينية بالذكاء الاصطناعي" من ثلاثة أجزاء: نموذج كبير مسؤول عن التحليل واتخاذ القرارات، وطبقة تفاعل الأدوات المسؤولة عن نقل التعليمات، ومعدات تجريبية لإجراء العمليات الفعلية.

يتم ربط الثلاثة عبر بروتوكول سياق النموذج، المعروف أيضًا باسم MCP. يستطيع الذكاء الاصطناعي قراءة معلومات العينة والجهاز، وعرض صور الكاشف ومنحنيات المسح، وإنشاء تعليمات للتحكم في المحرك، ومسح الذروة، ومطابقة البيانات. ولضمان السلامة، لا يصل الذكاء الاصطناعي مباشرةً إلى المكونات المادية، بل يتفاعل مع الجهاز عبر واجهات مقيدة.

في الاختبار الافتراضي، قارن فريق البحث بين Claude Sonnet 4 و Gemini 2.5 Flash؛تستخدم تجربة خط الحزمة الحقيقية جهاز Claude Opus 4، الذي يتمتع بقدرات استدلالية أقوى.لا يتطلب النظام إعادة تدريب النموذج؛ إذ يعتمد بشكل أساسي على التوجيهات، وأدلة التجارب، وتعليمات الأدوات لتوجيه النموذج الكبير في فهم المهمة. لا تُحدد هذه التوجيهات كل خطوة من خطوات العملية مسبقًا، بل تُعلم الذكاء الاصطناعي بالهدف التجريبي، والأدوات المتاحة، وقواعد السلامة. ويتم تحديد اختيار بقعة الحيود، وحجم نطاق المسح، وكيفية التعامل مع الإشارات الشاذة تلقائيًا بواسطة الذكاء الاصطناعي بناءً على النتائج الآنية.

تشكل العملية برمتها حلقة متصلة: يقرأ الذكاء الاصطناعي المعلومات أولاً ويحسب الموقع النظري، ثم يتحكم في المعدات للمسح، ويحلل نتائج الملاحظة، ويعدل الاستراتيجية التالية وفقًا لذلك. والفرق بين هذا وبين سيناريو ثابت هو أنه إذا انحرفت نتائج التجربة عن التوقعات، يمكن للذكاء الاصطناعي إعادة تقييم السبب، بدلاً من الاستمرار آليًا في العملية الأصلية.

خطأ التوجيه <5°، تم تصحيح الإزاحة بمقدار 1.22° بنجاح أثناء التثبيت.

اختارت هذه الدراسة حلّ مصفوفة توجيه البلورة الأحادية كمهمة اختبار. ببساطة، يحدد هذا العمل العلاقة بين نظام إحداثيات البلورة ونظام إحداثيات المختبر، وهي خطوة أساسية في معظم تجارب تشتت البلورات الأحادية. يتطلب إنجاز هذه المهمة عادةً إيجاد نقطتي حيود على الأقل ومعايرة مواقع الذروة باستمرار من خلال الحركة المنسقة لمحركات متعددة. تتضمن التجربة التعامل مع هندسة مكانية معقدة وتحديد التشويش والإشارات الشاذة، مما يجعلها تعتمد بشكل كبير على خبرة المشغل.

في اختبار الأساس الافتراضي، أُجريت تجارب متعددة باستخدام برنامجي Claude Sonnet 4 و Gemini 2.5 Flash على التوالي. وتظهر النتائج في الشكل أدناه.نجحت جميع الاختبارات في تحديد موقع بقعة الحيود المستهدفة، وكان خطأ التوجيه في الغالبية العظمى من التجارب أقل من 5 درجات؛حافظت أكثر من نصف الاختبارات على هامش خطأ ثابت الشبكة c ضمن نطاق 0.01 أنغستروم. وتراجع أداء النظام عند زيادة إزاحة المحرك، أو حدوث تداخل متعدد البلورات، أو انخفاض موارد الاستدلال المتاحة للنموذج. وكان تأثير محدودية موارد الاستدلال هو الأبرز. وهذا يدل على أن التجارب المستقلة لا تعتمد فقط على معرفة النموذج بالمعلومات التجريبية، بل أيضاً على قدرته على إجراء تحليل كافٍ ومستمر.

تعتمد تجربة خط الحزمة الحقيقية نموذج "اتخاذ القرار بواسطة الذكاء الاصطناعي، والتدخل البشري". يتولى الذكاء الاصطناعي مسؤولية توليد التعليمات التجريبية، بينما يقتصر دور العاملين في الموقع على إدخال هذه التعليمات في الجهاز كما هي، دون المشاركة في تحديد موضع الذروة أو اختيار الاستراتيجية.

في تجربة Co3Sn2S2، اختار الذكاء الاصطناعي أولًا نقطة الحيود (0,0,6) للبحث. بعد المسح، وجد انحرافًا ملحوظًا بين موضع الذروة الفعلي والموضع النظري، وخلص إلى أن هذا الانحراف قد يكون ناتجًا عن عدم استواء حامل العينة. ثم صحح النظام انزياح محور η بمقدار 1.22 درجة تقريبًا، وأعاد معايرة مركز الذروة.

بعد تثبيت نقطة الحيود الأولى، اختار الذكاء الاصطناعي النقطة (1,0,10) كهدف ثانٍ، وحدد اتجاه البلورة في المستوى عن طريق توسيع نطاق مسح المحور φ. خلال التجربة، ظهر تداخل حلقات الحيود في صورة الكاشف، لكن الذكاء الاصطناعي لم يخطئ في اعتباره قمة البلورة الأحادية المستهدفة، وأكمل في النهاية حل مصفوفة الاتجاه.

في تجارب السيليكون أحادي البلورة، نجح النظام في إتمام عملية البحث والمحاذاة حتى مع قمم حيود أكثر حدة وانزياح محور η بمقدار 1.5 درجة تقريبًا. ونظرًا لضيق الوقت المتاح مع المعدات المستخدمة في الواقع العملي، لم تُكرر هذه الدراسة على نطاق واسع بعد، وبالتالي لا يمكن إثبات قابلية تطبيق النظام على جميع العينات وخطوط الحزم حتى الآن. ومع ذلك، فقد أثبتت التجارب صحة المفهوم بشكل قاطع.يمكن لنماذج اللغة الكبيرة اكتشاف التحيزات، وتعديل الاستراتيجيات، والحفاظ على حلقات مغلقة تجريبية في بيئات العالم الحقيقي التي لا تغطيها عمليات المحاكاة بشكل كامل من خلال الملاحظة المستمرة والاستدلال واستدعاء الأدوات.

هذا يعني أن دور نماذج اللغة الكبيرة في البحث العلمي قد لا يقتصر بعد الآن على استرجاع المراجع، وتوليد التعليمات البرمجية، وتحليل البيانات غير المتصلة بالإنترنت. فمن المتوقع، من خلال دمجها مع أدوات متخصصة، وواجهات آمنة، وقواعد فيزيائية، أن تصبح شريكًا بحثيًا قادرًا على المشاركة في تشغيل المعدات، واتخاذ القرارات التجريبية، ومعالجة الحالات الشاذة.

الكلمات الأخيرة

لا تكمن أهمية "علماء الأشعة السينية المدعومين بالذكاء الاصطناعي" في استبدال العاملين في المختبرات، بل في تمكين الذكاء الاصطناعي من تجاوز أدوات تحليل البيانات والانخراط في المجال التجريبي، والمشاركة في تشغيل المعدات، وتقييم الحالة، وتعديل الاستراتيجيات. ورغم أن هذا البحث محدود حاليًا بحجم العينة، ووقت تشغيل الجهاز الفعلي، والحاجة إلى وسطاء بشريين لضمان السلامة، فقد أثبت أن النماذج الكبيرة قادرة على إكمال دورات تجريبية من خلال المراقبة والاستدلال المستمرين في بيئات واقعية معقدة وغير مثالية.

في المستقبل، ومع زيادة دمج النماذج والروبوتات والأدوات العلمية، من المتوقع أن يصبح الذكاء الاصطناعي شريكًا متعاونًا مهمًا في مرافق البحث العلمي واسعة النطاق، مما يساعد الباحثين على تقليل العمليات المتكررة وتكريس المزيد من الطاقة للأسئلة العلمية نفسها.