الذكاء الاصطناعي يُسخّر لاكتشاف ملايين مواد جديدة وتحليل إمكاناتها الحقيقية

الذكاء الاصطناعي يغيّر قواعد اللعبة في اكتشاف المواد: ملايين التركيبات الجديدة على الخريطة

لم يعد الذكاء الاصطناعي مجرد أداة لتحليل البيانات أو تحسين كفاءة العمليات؛ بل أصبح لاعبًا محوريًا في ميدان لم يكن يخطر على بال الكثيرين: اكتشاف المواد. ففي السنوات الأخيرة، أظهرت الأبحاث أن أنظمة التعلم العميق قادرة على استكشاف فضاء كيميائي هائل، مولّدةً ملايين البُنى البلورية الافتراضية، بعضها يمتلك خصائص واعدة قد تعيد تشكيل مستقبل الطاقة والإلكترونيات والتكنولوجيا المتقدمة.

لكن خلف هذه العناوين البراقة، يقبع سؤال أساسي: إلى أي مدى يمكن تحويل هذه الاكتشافات الحسابية إلى مواد ملموسة في المختبر؟

أرقام غير مسبوقة: إنجاز DeepMind نموذجًا

في أواخر عام 2023، أعلنت شركة DeepMind التابعة لـ"ألفابت" عن خطوة نوعية من خلال نموذجها المسمى GNoME (شبكات رسومية لاستكشاف المواد). استطاع النموذج، عبر تقنيات معقدة من الشبكات العصبية الرسومية

والتعلم العميق، أن يقترح ما يقارب 2.2 مليون تركيب بلوري جديد.

ومن هذا الكم الضخم، أشارت الحسابات إلى أن نحو 381 ألف تركيب يتمتع بدرجة من الاستقرار الطاقي تجعله مرشحًا واعدًا للدراسة العملية. هذه النسبة، بحسب الفريق البحثي، تمثل قفزة تعادل عشرة أضعاف ما هو مسجل في قواعد بيانات المواد المستقرة تقليديًا.

ومع أن هذه الأرقام قد تبدو مذهلة، فإنها تثير نقاشًا واسعًا بين المتحمسين لمستقبل «مكتشف المواد الآلي» والمتشككين في جدوى هذا الفيض الرقمي.

كيف يبتكر الذكاء الاصطناعي موادًا جديدة؟

الآلية وراء هذا الإنجاز ليست سحرًا تقنيًا، بل مزيجًا من البيانات والمعرفة الفيزيائية والقدرة الحسابية. يعتمد النظام على:

قواعد بيانات ضخمة تضم آلاف المواد المعروفة وخصائصها.

خوارزميات الشبكات الرسومية العصبية التي تتعامل مع الذرات وروابطها كوحدات متصلة يمكن التنبؤ بترتيباتها.

عمليات تحقق فيزيائية مثل حسابات الكثافة الوظيفية (DFT)

، التي تختبر مدى استقرار التركيب من منظور الطاقة.

بهذا الأسلوب، يستطيع الذكاء الاصطناعي «توليد» ملايين التركيبات المحتملة، ثم غربلتها باستخدام الفيزياء الحسابية، وصولًا إلى مجموعة أصغر أكثر واقعية من حيث الاستقرار.

العقبة الكبرى: من الشاشة إلى أنبوب الاختبار

رغم الوعود الكبيرة، يشدد العلماء على أن اكتشاف مادة نظريًا لا يعني أنها ستُرى يومًا ما في المختبر. العقبات متعددة، أبرزها:

تعقيد التصنيع الكيميائي: بعض المواد المقترحة قد تتطلب ظروف ضغط وحرارة متطرفة، أو عناصر نادرة وسامة.

التكلفة والزمن: حتى لو امتلك الباحثون مختبرات آلية قادرة على التجريب المستمر، فإن تصنيع آلاف التركيبات لا يزال مكلفًا ويستغرق وقتًا طويلًا.

الجدوى التطبيقية: مادة مستقرة حسابيًا قد لا تمتلك خصائص كهربائية أو مغناطيسية تجعلها مفيدة في بطارية أو شريحة إلكترونية.

هذه الفجوة بين «الوعود الرقمية» والواقع المخبري هي ما يجعل التفاؤل حذرًا.

تجارب

أولية: بين النجاح والقيود

رغم التحديات، هناك إشارات مشجعة. فقد تمكنت بعض المختبرات التي توظف الأتمتة مع أنظمة الذكاء الاصطناعي من تصنيع عدد من المواد المقترحة بالفعل. هذه النجاحات، وإن كانت محدودة من حيث العدد، تثبت أن النهج ليس مجرد «خيال علمي»، بل يمكن أن يُترجم إلى إنجازات ملموسة.

مع ذلك، تظل نسبة النجاح منخفضة مقارنة بالحجم الهائل من التركيبات المتوقعة، مما يعني أن الكم وحده ليس ضمانًا للابتكار.

خاتمة: وعود كبيرة بانتظار التحقق

ما يحدث اليوم هو بداية فصل جديد في تاريخ علوم المواد. الذكاء الاصطناعي مكّن الباحثين من النظر إلى فضاء كيميائي كان شبه مستحيل استكشافه بالطرق التقليدية. ومع أن الطريق ما زال طويلاً قبل أن تصل هذه الاكتشافات إلى الأسواق، فإن التغيير في المنهجية البحثية قد يكون أعظم إنجاز على المدى الطويل.

بكلمات أخرى: الإعلان عن «ملايين المواد الجديدة» ليس نهاية القصة، بل هو الشرارة الأولى لمسار طويل يحتاج

إلى مزيج من الذكاء الحسابي، والإبداع التجريبي، والاستثمار الصناعي الذكي.