نجح باحثون في المعهد الكوري للعلوم الأساسية (IBS) في تطوير إطار ذكاء اصطناعي ثوري يفتح آفاقًا جديدة لاكتشاف المحفزات، مما قد يسرع إنتاج الهيدروجين الأخضر. قاد الفريق مدير المركز، هيون تايجوان، ونشروا نتائجهم في مجلة "ماتيريالز ناشر". يمثل إنتاج الهيدروجين الأخضر تحديًا كبيرًا في مجال الطاقة النظيفة بسبب بطء تفاعل تطور الأكسجين أثناء التحليل الكهربائي للماء. وتعتبر الكفاءة في هذا التفاعل تعتمد بشكل أساسي على جودة المحفزات المستخدمة. تقليديًا، كان البحث عن محفزات أفضل مقصورًا على عائلة مواد محددة، مثل الأكاسيد أو المعادن المفردة، مما حدّ من قدرة العلماء على نقل المعرفة بين أنظمة كيميائية مختلفة. ومع ذلك، أثبت الباحثون الآن أن الجمع بين قوى عائلات مواد متعددة يمكن أن يؤدي إلى ظهور محفزات متفوقة. طوّر الفريق نموذج تعلم آلي مبتكرًا يسمى الشبكة العصبية المهجنة (CBNN). يعمل هذا النموذج على دمج المعرفة من عائلتين محفزتين مختلفتين تمامًا: محفزات الذرات المفردة المدعومة بالكربون، ومحفزات أكاسيد البيروفسكايت. يعالج الذكاء الاصطناعي معلومات مختلفة من كل عائلة؛ حيث يتعلم ترتيب الذرات على السطح من محفزات الذرات المفردة، بينما يتعلم البنية البلورية الداخلية من أكاسيد البيروفسكايت. من خلال دمج هذه المعرفة، تمكن النموذج من التنبؤ بنشاط فئة جديدة كليًا من المحفزات لم تُدرَّس سابقًا في التدريب، وهي محفزات الذرات المفردة المدعومة على أسطح أكاسيد البيروفسكايت. لتحقيق ذلك، استخدم الباحثون تقنية اختيار الوصف التلقائي التي جمعت بين التحليل الإحصائي ومعالجة اللغة الطبيعية لتحديد العوامل الكيميائية الرئيسية المؤثرة، مثل حالة الأكسدة ونصف القطر الأيوني. وعند اختبار النموذج تجريبيًا، تنبأ بشكل صحيح بترتيب أداء 12 محفزًا تم تصنيعها في هذه الفئة غير المستكشفة سابقًا، مما يؤكد أن النموذج لم يحفظ البيانات فحسب، بل تعلم القواعد الكامنة لتقييم الأداء في أنظمة جديدة. وسع الفريق النهج ليشمل محفزات متعددة المعادن، حيث قاموا بفحص أكثر من 8000 مرشح محتمل. وأظهرت النتائج أن المحفز الأبرز يتكون من ذرات من التنغستن والموليبدينوم والروثينيوم والروثينيوم المثبتة على سطح داعم من أكاسيد الكالسيوم والبراسيودينيم والكوبالت والحديد. أثبت هذا المحفز الهجين كفاءة أعلى من جميع الأنواع السابقة، حيث أظهر جهد عتبة أقل وتكرار دوران أعلى، مما يشير إلى نشاط تحفيزي فائق. يتميز هذا النموذج أيضًا بقدرته على تقديم مبادئ تصميم قابلة للتفسير، حيث حدد التفاعلات التآزرية بين الذرات التي تعزز الأداء. يؤكد الباحثون أن أهمية هذا العمل تكمن في قدرة الذكاء الاصطناعي على تجاوز حدود الفئات المادية المحددة مسبقًا، وربط المعرفة بين أنظمة مختلفة لاكتشاف مواد جديدة كليًا. ويمكن لهذا الإطار أن يمتد ليشمل مجالات أوسع مثل البطاريات، مواد تخزين الطاقة، واكتشاف الأدوية، مما يمثل خطوة مهمة نحو ذكاء اصطناعي مواد أكثر عمومية وقابلية للتطبيق.