تحسنت الكفاءة التحليلية بأكثر من 200 مرة! يقترح مختبر أرغون الوطني طريقة تحليل حيود الحزمة النانوية القائمة على التدريب غير الخاضع للإشراف، مما يمكّن برنامج DONUT من استخراج خصائص المواد بدقة.

يعتمد تحسين خصائص المواد بشكل أساسي على فهم دقيق للبنية الداخلية للمادة.

يُعدّ المجهر الماسح لحيود الأشعة السينية (SXDM) تقنيةً متطورةً لتوصيف المواد، تستخدم تباين الحيود لتحديد معلومات بنية المادة مكانيًا، وقد أصبح أداةً مهمةً في السنوات الأخيرة لدراسة البنى النانوية. مع ذلك، يكمن التحدي الرئيسي في تحليل بيانات SXDM في العلاقة المعقدة بين شكل الحزمة ومعلومات الشبكة البلورية المحلية. عادةً ما تفصل الطرق التقليدية هذه المعلمات البنيوية المترابطة عن طريق مطابقة البيانات مع بيانات محاكاة.ومع ذلك، فإن هذه العملية مكلفة حسابياً وتعتمد بشكل كبير على خطوات المعالجة المسبقة للبيانات.

في غضون ذلك، تدخل تقنية الذكاء الاصطناعي تدريجياً مجال علم الأشعة السينية، حيث أظهرت نماذج التعلم الخاضع للإشراف بالفعل مزايا كبيرة في معالجة البيانات في مجالات مثل حيود براغ المتماسك (BCDI)، والتصوير التداخلية بالأشعة السينية، وتحليل المجهر الإلكتروني. ومع ذلك، فإن للتعلم الخاضع للإشراف قيداً أساسياً:يتطلب ذلك كمية كبيرة من مجموعة بيانات التدريب المصنفة عالية الجودة، ولكن هذه ليست مهمة سهلة.من جهة، يتطلب توليد البيانات المحاكاة معرفة متعمقة بالمجال؛ ومن جهة أخرى، غالباً ما يتطلب تحليل البيانات التجريبية يدوياً وقتاً وموارد حاسوبية كبيرة. علاوة على ذلك، قد توجد اختلافات بين البيانات المحاكاة وبيئات التجارب الحقيقية، مما يحد من قدرة النموذج على التعميم.

وفي هذا السياق،اقترح فريق بحثي من مختبر أرغون الوطني التابع لوزارة الطاقة الأمريكية طريقة DONUT (الحيود باستخدام البصريات للحزمة النانوية عن طريق التدريب غير الخاضع للإشراف)، وهي طريقة لتحليل حيود الحزمة النانوية تعتمد على التدريب غير الخاضع للإشراف.هذه شبكة عصبية مُدركة للخصائص الفيزيائية، مُصممة لتحليل بيانات حيود الحزم النانوية بسرعة وبشكل آلي. تتغلب هذه الطريقة على القيود الأساسية لأساليب التعلم الآلي الخاضعة للإشراف في تطبيقات علوم الأشعة السينية، وذلك بالاستغناء عن الحاجة إلى مجموعات بيانات مُصنفة أو نماذج مُدربة مسبقًا. تُظهر النتائج التجريبية أن DONUT تستخلص جميع الخصائص من البيانات بدقة، محققةً كفاءة تحليلية تفوق كفاءة أساليب المطابقة التقليدية بأكثر من 200 ضعف.

تم نشر نتائج البحث ذات الصلة، بعنوان "DONUT: التعلم الآلي الواعي بالفيزياء لتحليل حيود الأشعة السينية النانوية في الوقت الحقيقي"، في مجلة npj Computational Materials.

أبرز الأبحاث:

* من خلال تضمين نموذج حيود هندسي قابل للتفاضل بشكل مباشر في بنية الشبكة، فإن DONUT قادر على تعلم وتوقع معلومات إجهاد وتوجيه الشبكة البلورية في الوقت الحقيقي.

* يمكن تدريب نموذج DONUT بالكامل على البيانات التجريبية، وسرعة تحليله أسرع بأكثر من 200 مرة من الطرق التقليدية. كما أنه يفصل المعلمات الهيكلية للالتفافات بدقة أعلى.

يوفر الإطار الجديد نهجًا تقنيًا مرنًا وقويًا للتحليل الآلي في الوقت الحقيقي لبيانات SXDM، ومن المتوقع أن يسرع من استكشاف وبحث أنظمة المواد المعقدة في ظل ظروف ديناميكية.

عنوان الورقة:
https://www.nature.com/articles/s41524-025-01860-7

هذا يغير طريقة تدريب نماذج الذكاء الاصطناعي التقليدية التي تعتمد على البيانات المصنفة يدويًا.

تكمن إحدى الابتكارات الأساسية لـ DONUT في تغيير أسلوب تدريب نماذج الذكاء الاصطناعي التقليدي الذي يعتمد على البيانات المصنفة يدويًا. إلا أن هذه البيانات المصنفة محدودة للغاية بالنسبة للأنظمة المادية المعقدة. لذا، يتبنى DONUT نهجًا للتعلم غير الخاضع للإشراف مع مراعاة القيود الفيزيائية، مما يسمح للنموذج بتعلم معلومات بنية المادة مباشرةً من بيانات حيود الأشعة السينية.

بيانات محاكاة

في هذه الدراسة، قام فريق البحث أولاً بإنشاء مجموعة بيانات حيود محاكاة للتحقق من القدرات الأساسية لنموذج DONUT. غطت بيانات المحاكاة ثلاثة معايير هيكلية رئيسية: إجهاد الشبكة، والدوران في المستوى، والدوران خارج المستوى.

تم ضبط معامل الإجهاد ε على نطاق من -0.005 إلى 0.005؛

تتراوح زاوية دوران الشبكة في المستوى ω من -0.05 درجة إلى 0.05 درجة.

تتراوح زاوية دوران الشبكة خارج المستوى χ من -0.1 درجة إلى 0.1 درجة.

قام الباحثون بإنشاء 68921 صورة حيود محاكاة، كل منها بحجم 64×64 بكسل. تمت معايرة كل نمط حيود محاكاة أولاً لمطابقة توزيع شدته مع القياسات التجريبية، ثم أُخذت منه عينات باستخدام توزيع بواسون لمحاكاة مستويات الضوضاء في التجارب العملية. تضمنت مجموعة البيانات التجريبية مسحًا واحدًا لعينة واحدة يغطي 165×165 موقعًا على العينة. تم تحديد منطقة اهتمام (ROI) بحجم 128×128 بكسل على الكاشف، ثم تم تقليل حجمها إلى 64×64 بكسل لتحسين نسبة الإشارة إلى الضوضاء.

البيانات التجريبية

تم استخدام البيانات التجريبية لتقييم أداء DONUT مقارنة بأحدث أساليب تحليل البيانات التقليدية.

أولًا، يتم تحديد منطقة اهتمام (ROI) في صورة الكاشف، مع التأكد من أن هذه المنطقة تغطي قمم الحيود المقاسة بالكامل. ثم، يتم تجميع البكسلات داخل منطقة الاهتمام، حيث يتم دمج كل مصفوفة بكسل 2 × 2 في قيمة بكسل واحدة لتحسين نسبة الإشارة إلى الضوضاء. باستخدام نموذج تشتت أمامي قائم على أسس فيزيائية، يتم إنشاء مكتبة حيود محاكاة تغطي فضاء معلمات الشبكة.

لكل نمط حيود تم قياسه تجريبياً، يُضرب بكل نمط محاكاة في مكتبة أنماط الحيود المحاكاة لتوليد سلسلة من مصفوفات الارتباط. بعد ذلك، تُسقط مصفوفات الارتباط على طول كل محور من محاور معلمات الشبكة، ويتم الحصول على أعلى قيمة ارتباط لكل معلمة عن طريق استيفاء مجموع مرجح لمركز كتلة نتائج الإسقاط.

تم تقسيم مجموعة البيانات النهائية (البيانات المحاكاة، أو البيانات التجريبية، أو مزيج من الاثنين) بشكل عشوائي إلى: مجموعة التدريب (80%)، ومجموعة التحقق (10%)، ومجموعة الاختبار (10%).

دمج القوانين الفيزيائية من علم المواد مباشرة في هياكل الشبكات العصبية

تعتمد بنية DONUT على مُشفِّر تلقائي مُدرك للفيزياء. مع ذلك، يتمثل أحد التحديات الكبيرة التي تواجه المُشفِّرات التلقائية في قابلية تفسير الفضاء الكامن، حيث قد تفتقر تمثيلات التضمين القائمة كليًا على البيانات إلى معنى فيزيائي مباشر. ولمعالجة هذه المشكلة،غالباً ما يُدخل الباحثون قيوداً مادية في بنية الشبكة أو وظائف الخسارة.تشمل الأمثلة التناظر المفروض، وقوانين الحفظ، أو المعرفة المسبقة الخاصة بمجال معين. يستخدم نموذج DONUT نهجًا مشابهًا، مع توضيح العملية العامة في الرسم التخطيطي التالي:

تستقبل الشبكة نمط حيود ثنائي الأبعاد كمدخل. تُعالج هذه الصورة أولًا بواسطة مُشفِّر شبكة عصبية التفافية (CNN) (الشكل ب أدناه)، وتُضغط إلى متجه فضاء كامن منخفض الأبعاد. يحتوي هذا المتجه الكامن، بحسب التصميم، على ثلاثة عناصر، تُمثل الكميات الفيزيائية محل الاهتمام: الإجهاد (ε، وهو المقدار النسبي لمتجه نقل الزخم Q)، والدوران في المستوى (ω، وهي زاوية الدوران النسبية لـ Q ضمن مستوى التشتت الأفقي)، والدوران خارج المستوى (χ، وهي زاوية الدوران النسبية لـ Q عموديًا على مستوى التشتت). تؤثر هذه الكميات الفيزيائية الثلاث المستقلة على توزيع الشدة المُحاكى بناءً على النموذج الفيزيائي، مما يُقيد المُشفِّر للتنبؤ فقط بالقيم ذات الدلالة الفيزيائية.

ثم،يتم إدخال المتجه الكامن في فرعين متوازيين في آن واحد:

* فرع فك التشفير المتناظر مع بنية التشفير، ويستخدم لإعادة بناء نسخة منزوعة الضوضاء من شدة حيود الإدخال بناءً على المتجه الكامن؛

* فرع نموذج أمامي يعتمد على نموذج فيزيائي يستخدم المعلمات الكامنة (ε، ω، و χ) لمحاكاة شدة الانعراج.

يتم تدريب الشبكة بتقليل دالة خسارة مركبة. تمثل هذه الدالة متوسط الخطأ المطلق المرجح (MAE) بين الصورة المدخلة الأصلية ومخرجات الفرعين، وهما نتيجة إعادة بناء المُفكِّك ونتيجة المحاكاة المستندة إلى النموذج الفيزيائي (لا تحتوي الأخيرة على معلمات قابلة للتدريب). أثناء التدريب، تُعدّل الشبكة أوزان المُشفِّر التلقائي بشكل متكرر لمطابقة الصورة المُولَّدة تدريجيًا مع بيانات التجربة المدخلة. تضمن استراتيجية التحسين ثنائية الهدف هذه قدرة المُشفِّر على التعلّم في الفضاء الكامن وتوليد تمثيل رقمي دقيق وقوي فيزيائيًا يتوافق مع المعلمات الهيكلية المستهدفة.

يحتوي نموذج الدونات الكامل على ثلاثة مخرجات نهائية:

* أدخل موتر الفضاء الكامن المقابل لبيانات الحيود، والذي يتضمن معلومات عن الإجهاد، ودوران الشبكة في المستوى، ودوران الشبكة خارج المستوى.

* الصورة المعاد بناؤها من الصورة المدخلة بواسطة وحدة فك التشفير (أي النتيجة التي تم إزالة التشويش منها من الصورة المدخلة).

* أنماط حيود محاكاة تم إنشاؤها بناءً على نماذج حيود مقيدة فيزيائيًا

من خلال تضمين العمليات الفيزيائية الكاملة والقابلة للتفاضل في بنية الشبكة العصبية، يجبر نموذج DONUT متغيرات الفضاء الكامن على التوافق مع كميات فيزيائية محددة، مما يضمن أن تنبؤات النموذج ليست فعالة حسابيًا فحسب، بل قابلة للتفسير علميًا أيضًا.

لقد تحسنت كفاءة تحليل DONUT بشكل ملحوظ مقارنة بطرق المطابقة التقليدية.

وللتحقق من القدرات الفعلية لـ DONUT، قام فريق البحث باختباره على كل من البيانات التجريبية المحاكاة والحقيقية، وقارن النتائج مع طرق ملاءمة الارتباط التقليدية ونماذج التعلم العميق الخاضعة للإشراف التي تم تطويرها سابقًا.

الأداء على البيانات المحاكاة

يوضح الشكل أدناه مقارنة بين نتائج التنبؤ باستخدام نموذج DONUT وطرق تحليل الارتباط التقليدية:

يوضح الشكل (ب) أعلاه أن أساليب التحليل التقليدية لا تستطيع التمييز بشكل كامل ومنهجي بين خصائص الإجهاد وخصائص دوران الشبكة في المستوى. فعلى وجه التحديد، يظهر التركيب الدوري لخصائص الإجهاد بوضوح في مخطط دوران الشبكة في المستوى (الصورة الوسطى)، والعكس صحيح، مما يشير إلى وجود ترابط كبير بين نوعي المعلومات الهيكلية. في المقابل، يستطيع برنامج DONUT (الشكل (ج) أعلاه) فصل إشارة الإجهاد عن إشارة دوران الشبكة في المستوى بوضوح، كما يمكنه التنبؤ بدقة بسعة الإجهاد، بينما تبالغ أساليب التحليل التقليدية في تقدير قيمة الإجهاد.

الأداء على البيانات التجريبية

بعد ذلك، قام الباحثون بتقييم DONUT باستخدام بيانات SXDM التجريبية للأغشية الرقيقة SrIrO₃ وقارنوا أدائه مع طرق ملاءمة الارتباط التقليدية ونموذج التعلم العميق الخاضع للإشراف الذي تم تطويره مسبقًا.

كما هو موضح في الشكل أدناه، تتوافق نتائج تنبؤات برنامج DONUT (الشكل ب) نوعيًا مع نتائج التحليل التقليدي (الشكل أ)، ولكنها تحقق تحسينات ملحوظة. ويكمن السر في أن الطرق التقليدية تعاني من تشوهات تداخل واضحة - على سبيل المثال، تظهر خصائص الدوران بشكل غير صحيح في خريطة توزيع الإجهاد - بينما يتمكن برنامج DONUT من فصل المعلمات المختلفة بوضوح واستقلالية.

في الوقت نفسه، يُظهر نموذج DONUT دقةً أعلى: فهو قادر على تحديد بنية التداخل الدقيقة بين نطاقين دوارين كبيرين في خريطة التوزيع المكاني لمركز الحيود، وهو أمر لا تستطيع الطرق الخاضعة للإشراف تحقيقه. تُبيّن هذه النتيجة أن الطرق غير الخاضعة للإشراف والمقيدة فيزيائيًا لا تُغني فقط عن الحاجة إلى البيانات المصنفة، بل تُحقق أيضًا دقةً أعلى في استخلاص الميزات.

قام الباحثون بتوسيع القدرات التحليلية لتقنية SXDM، بإضافة بُعدٍ جديدٍ لتوقع سُمك الأغشية إلى جانب معلمات الإجهاد ودوران الشبكة البلورية الموجودة. تستطيع SXDM الكشف عن عدم تجانس سُمك الأغشية البلورية من خلال التغيرات في شدة الإشارة الكلية المحلية والتغيرات الدورية في تذبذبات لاوي (أي التغيرات في موضع أهداب التداخل في نظام إحداثيات الكاشف). يوضح الشكل أدناه نتائج توقع سُمك الأغشية باستخدام برنامج DONUT لعينات مُحاكاة (يسار) وعينات مُقاسة تجريبيًا (يمين).

على عكس تحليلات الإجهاد ودوران الشبكة البلورية، تختلف نتائج تحليل سُمك الأغشية التقليدية اختلافًا كبيرًا عن تلك المستنتجة بواسطة الشبكات العصبية (الشكل أ أعلاه، الجانب الأيمن)، ولكل طريقة مزاياها. تُظهر نتائج مطابقة الارتباط أن توزيع سُمك الأغشية متجانس للغاية، بما يتوافق مع توقعات الأغشية عالية التبلور المُحضّرة باستخدام الترسيب الجزيئي الشعاعي. مع ذلك، تُبالغ هذه الطريقة بشكل كبير في تقدير سُمك الغشاء، إذ تتوقع قيمة 136 أنغستروم، بينما يبلغ السُمك الفعلي 120 أنغستروم فقط، أي ما يعادل 30 وحدة خلية. في المقابل، يُعدّ توقع برنامج DONUT لسُمك الغشاء أكثر منطقية، حيث يبلغ متوسطه حوالي 110 أنغستروم.

على الرغم من وجود بعض الشكوك في التنبؤ بسمك الفيلم، إلا أن هذه النتيجة تثبت أن إطار عمل DONUT لديه القدرة على التوسع ويمكنه تحقيق المزيد من التنبؤ بمعلومات بنية المواد عن طريق إضافة معلمات مكانية محتملة.

إلى جانب تحسين الدقة، تتمثل الميزة الأهم لخوارزمية DONUT في كفاءتها الحسابية. فقد كشفت اختبارات الباحثين أنه في ظل نفس ظروف جهاز NVIDIA GeForce RTX 3090 GPU، تتطلب طرق تحليل الارتباط التقليدية 5.6 ± 0.4 مللي ثانية لمعالجة كل إطار بيانات، وهو ما يعادل 64 × 64 بكسل بتنسيق الفاصلة العائمة أحادي الدقة (32 بت). في المقابل، يُكمل مُشفّر DONUT دورة استدلال واحدة في 0.024 ± 0.001 مللي ثانية فقط، أي أسرع بأكثر من 230 مرة من طرق التحليل التقليدية في ظل نفس ظروف جهاز GPU. ويُقارن أداؤها بأداء طريقة التعلم العميق الخاضع للإشراف NanobeamNN التي تم الإبلاغ عنها سابقًا (0.019 ± 0.001 مللي ثانية).

خاتمة

DONUT هو إطار عمل للتعلم العميق غير الخاضع للإشراف، يتميز بوعيه الفيزيائي، ويُستخدم لتحليل بيانات مجهر حيود الأشعة السينية النانوية بسرعة ودقة عاليتين. من خلال دمج نموذج حيود هندسي تفاضلي مباشرةً في بنية مشفر تلقائي، يحقق DONUT استخلاصًا فوريًا لمعلومات إجهاد الشبكة البلورية وتوجيهها. تتجاوز سرعة تحليله بشكل ملحوظ طرق مطابقة الارتباط التقليدية دون الحاجة إلى بيانات تدريب مصنفة. تُسهّل هذه الطريقة بشكل كبير الحصول على تغذية راجعة فورية في تجارب حيود النانو المعقدة، مما يفتح آفاقًا جديدة لتسريع فهم الخصائص الأساسية للمواد، وربما يُسهم في تطوير الأبحاث المتعلقة بالعمليات الديناميكية على المستوى النانوي في مختلف المجالات العلمية.

بطبيعة الحال، يركز مشروع DONUT حاليًا بشكل أساسي على سيناريوهات حيود الأشعة السينية النانوية، ونطاق تطبيقه محدود بالهندسة التجريبية وافتراضات النموذج. فعلى سبيل المثال، تتطلب مهام التصوير التداخلية بالأشعة السينية دقة مكانية أعلى، مما يستدعي تطوير إطار عمل مناسب للذكاء الاصطناعي الفيزيائي. مع ذلك، ومن منظور أوسع، يُظهر مشروع DONUT مسارًا نموذجيًا: فالتطور المستقبلي للذكاء الاصطناعي العلمي لا يقتصر بالضرورة على تكبير حجم النماذج، بل على تمكينها من فهم القوانين العلمية بشكل أفضل.

مراجع:
https://www.nature.com/articles/s41524-025-01860-7
https://phys.org/news/2026-08-real-ray-analysis-donut-materials.html