تغير طريقة اكتشاف العلماء وتصميم المواد الجديدة بفضل الذكاء الاصطناعي، حيث سلّط باحثون من جامعة توهوكو في دراسة استعراضية منشورة في مجلة "Angewandte Chemie International Edition"، الضوء على دور النماذج الضخمة في تسريع اكتشاف المحفزات وتطوير تقنيات الطاقة النظيفة. المحفزات هي مواد حيوية تسرع التفاعلات الكيميائية وتلعب دورًا أساسيًا في تطبيقات تتراوح من خلايا الوقود ومراقبة التلوث إلى إنتاج الهيدروجين. لطالما اعتمد البحث التقليدي في هذا المجال على طريقة التجربة والخطأ، وهي عملية بطيئة تستغرق سنوات وتستهلك موارد كبيرة. أما الاستراتيجية الجديدة فتعتمد على دمج قواعد بيانات ضخمة وعالية الجودة مع أدوات الذكاء الاصطناعي المتقدمة، وتحديدًا استخدام ما يُعرف بـ "الاحتمالات الجزيئية المتكيفة بالتعلم الآلي" (MLIPs) ونماذج اللغات الكبيرة (LLMs). يمكّن هذا المزيج الباحثين من استكشاف مساحات كيميائية هائلة والتنبؤ بأداء المحفزات قبل تصنيعها فعليًا في المختبر. تسمح تقنيات "الاحتمالات الجزيئية المتكيفة" بمحاكاة سلوك الذرات وتفاعلاتها بسرعة ودقة عالية، بينما تقوم نماذج اللغات الكبيرة بتحليل كميات هائلة من الأبحاث العلمية وتفسير المعرف المعقد، بل والمساعدة في اقتراح اتجاهات بحثية جديدة. يؤدي دمج هذه الأدوات إلى إنشاء سير عمل موحد يربط بين المفاهيم العلمية والنمذجة الحاسوبية والتحقق التجريبي. هذا التكامل يسرّع عملية الاكتشاف بشكل كبير، فبدلاً من اختبار مادة واحدة في كل مرة، يمكن إجراء محاكيات واسعة النطاق، وتجميع البيانات وتدريبها بكفاءة، والتنبؤ بسرعة بالتصاميم الأكثر وعودًا. بل إن بعض أنظمة الذكاء الاصطناعي تستطيع توجيه خطواتها البحثية التالية، مما يخلق دورة تعلم ذاتية التحسين. وقال Hao Li، البروفيسور المتميز في معهد "WPI-AIMR" بجامعة توهوكو، إن دمج النماذج الذكية الواسعة مع المعرفة المتخصصة والأتمتة يقود نحو مستقبل يصبح فيه اكتشاف المحفزات عملية متسارعة باستمرار بدلاً من كونها عملية بطيئة وتراكمية. ويضيف أن هذا التحول قادر على تقصير الفجوة بين البصيرة العلمية والتطبيق العملي بشكل دراماتيكي. تتجه الخطة المستقبلية للفريق نحو إنشاء منصات مغلقة الحلقة تعتمد كليًا على الذكاء الاصطناعي، حيث تعمل مراحل التنبؤ والتصنيع والاختبار والتعلم في دورة تغذية راجعة مستمرة. تهدف هذه المنصات إلى تقليل الهدر في الوقت والمواد وزيادة فرص الوصول إلى اكتشافات بارزة. بالإضافة إلى مجال المحفزات، ينوي الباحثون توسيع هذه الاستراتيجيات لتشمل مجالات أخرى حيوية مثل البطاريات ومواد تخزين الهيدروجين. يساهم بناء أنظمة بيئية رقمية عبر التخصصات في تعزيز الابتكار عبر تقنيات الطاقة المتنوعة. تُمثل هذه الدراسة علامة فارقة في علوم المواد المعتمدة على الذكاء الاصطناعي، وتؤكد على الدور الرائد لـ Hao Li في هذا المجال. مع استمرار تطور النماذج الضخمة والأنظمة متعددة الوسائط وتقنيات الأتمتة، فإننا نشهد بداية عصر جديد حيث لا يصبح اكتشاف مواد المحفزات أسرع فحسب، بل عملية متسارعة بشكل مستمر.