تواجه عملية اكتشاف مواد إلكترونية الجيل القادم تحدياً كبيراً يتمثل في تحليل أسطح فيرمي، التي تمثل الخريطة الأساسية للتركيب الإلكتروني للمواد. تؤثر أشكال هذه الأسطح، والتي تتغير بناءً على التركيب البلوري والخصائص الإلكترونية، بشكل مباشر على سلوك الناقلية والمغناطيسية واستقطاب الإلكترونات. ورغم أهمية تحديد هذه الأسطح تجريبياً عبر تقنيات مثل مطيافية الانبعاث الضوئي ذات الزاوية، إلا أن تحليل البيانات الناتجة يتطلب خبرة متخصصة ووقتاً طويلاً، خاصة مع تزايد حجم البيانات وحساسية القياسات للضوضاء. تصدى لهذه التحديات فريق بحثي مشترك من جامعة طوكيو للعلوم وجامعة ناغويا ومعهد كيوتو للتكنولوجيا في اليابان، بابتكارهم طريقة جديدة تعتمد على تعلم الآلة لتحليل صور أسطح فيرمي لسبائك هيسلر من نوع Co2MnGaxGe1-x. تُعد هذه السبائك ذات أهمية بالغة في مجال السبينترونيكس، الذي يعتمد على spin الإلكترون لمعالجة المعلومات، كما أنها تُظهر تأثير نيرنث غير عادي، وهو توليد جهد كهربائي بفعل فرق الحرارة في مادة مغناطيسية. ترتبط هذه الظواهر بخصائص فريدة تسمى الخطوط العقدية التي تظهر على سطح فيرمي. اعتمد الباحثون، بقيادة البروفيسور ماساتو كوتسوجي، على تقنية تُعرف بتحليل المكونات الرئيسية (PCA)، وهي أسلوب من أساليب تعلم الآلة غير الخاضع للإشراف، يعمل على تبسيط البيانات المعقدة مع الحفاظ على الأنماط الأكثر أهمية. بدأ الفريق بحسابات محاكاة رقمية لتحديد البنية الإلكترونية للمادة عند تركيبات مختلفة، ثم تم توليد صور لأسطح فيرمي وحساب استقطاب الإلكترونات. تم تحويل هذه الصور إلى متجهات أحادية البعد وتحليلها لتحديد أوجه التشابه والاختلاف بين التركيبات المختلفة. أثبتت الطريقة فعاليتها في تحديد التركيبات الدقيقة التي تحدث فيها تغييرات جذرية في طوبولوجيا سطح فيرمي. على وجه التحديد، عند تركيز الغاليوم بين 0.94 و0.95، أظهر التحليل قفزات مفاجئة في التمثيل المبسط، ما يشير إلى ظهور الخطوط العقدية ونقاط التغير الحاد في استقطاب الإلكترونات. الأهم من ذلك، أن هذه الطريقة حافظت على دقتها حتى عند تعريض الصور للضوضاء الشديدة أو عدم الوضوح، مما يحاكي ظروف البيانات التجريبية الواقعية ويؤكد مرونتها في التعامل مع القياسات الصعبة. تُظهر هذه النتائج أن تعلم الآلة يمكنه تسريع عملية فحص كميات ضخمة من البيانات بشكل غير مسبوق، مما يساهم في تسريع تطوير مواد بخصائص إلكترونية مرغوبة. بالإضافة إلى ذلك، تتيح القدرة على اكتشاف القيم الشاذة من خلال تحليل الفروقات في مساحة PCA إمكانية توسيع نطاق البحث لتشمل فئات أخرى من المواد، مثل المواد ذات النطاقات المسطحة أو أشباه المعادن ذات الميزات العقدية المتعددة، مما يفتح آفاقاً جديدة في مجالات التوصيل الفائق والمواد الطوبولوجية. يرى الباحثون أن الذكاء الاصطناعي سيصبح أداة حاسمة في تحليل أنواع متعددة من المواد المعقدة، مما يعزز قدرة العلماء على اكتشاف مواد ثورية للمستقبل.