طوّر فريق بحثي ياباني، يضم علماء من معهد طوكيو للعلوم وجامعة توهوكو، طريقة جديدة لتعزيز شفافية نماذج الذكاء الاصطناعي المستخدمة في اكتشاف المواد. ونُشرت الدراسة في مجلة Advanced Intelligent Discovery، بهدف معالجة مشكلة الصناديق السوداء التي تعيق تفسير قرارات النماذج التنبؤية التقليدية وتحد من فائدتها العملية في تصميم المواد. تعتمد المنهجية على دمج شبكة عصبية بيانية تُعرف بـ ALIGNN مع خوارزمية التجميع الهرمي. تم تدريب النموذج على تحليل البنية الذرية لأكثر من 2681 مركباً من أكاسيد المعادن والكالكوجينيدات، لربط التركيب البلوري بالأطياف البصرية الامتصاصية. وتمت عملية استخراج السمات الداخلية التي تعلمها النموذج دون الحاجة إلى مدخلات صريحة حول حالات الأكسدة أو التكوين الإلكتروني، مما أثبت قدرة الذكاء الاصطناعي على استيعاب العلاقات الفيزيائية والكيميائية المعقدة بين البنية والأداء الضوئي ذاتياً. مكّن هذا النهج الباحثين من تصنيف المواد إلى مجموعات متميزة تتشارك في سمات بصرية وهيكلية متقاربة، مثل التناسق الذري وأطوال الروابط وزواياها. ويسمح هذا التصنيف بتحديد العوامل الرئيسية المسؤولة عن تشكيل الأطياف المرغوبة، مما يوفر رؤى كمية وعملية تسرع عملية التصميم العقلاني. وتبرز النتائج أهمية كبيرة في تطبيقات التحكم في الخصائص البصرية، مثل تطوير الأصباغ المتقدمة والأغشية الشمسية وأجهزة الكشف الضوئي. أكد القائمون على البحث أن هذه الطريقة لا تقتصر على الخصائص البصرية فحسب، بل يمكن تعميمها لفهم تأثير الترتيب الذري على سلوك المواد تحت ظروف مختلفة كالحرارة والضغط. ويتوقع العلماء أن توفر هذه الآلية القابلة للتطوير إطاراً منهجياً جديداً يساهم بشكل مباشر في تسريع وتيرة البحث في علوم المواد، مع تقليل الاعتماد على الأساليب التجريبية التقليدية.