يُحدث باحثو إلميناو ثورة في علم المواد باستخدام الذكاء الاصطناعي!

يُحدث باحثو إلميناو ثورة في علم المواد باستخدام الذكاء الاصطناعي!

في 23 سبتمبر 2025، قدم الباحثون في جامعة إلميناو للتكنولوجيا تقدمًا كبيرًا في أبحاث المواد. ومن خلال تطوير شبكة انتباه الرسم البياني التي يمكنها تقديم تنبؤات وتقديم نتائج قابلة للتفسير، فإنهم يبشرون بعصر جديد من الذكاء الاصطناعي في العلوم. تم إجراء هذه الدراسة، التي تعتمد على مجموعة بيانات شاملة مكونة من 10000 طيف بصري محسوب ميكانيكيًا، في مجموعة HPC في جامعة TU Ilmenau، وتمثل طريقة مبتكرة لتحليل المواد. تو إلميناو تشير التقارير إلى أن هذا النموذج قادر على إنشاء "خريطة" مفهومة للمساحة المادية.

يستخدم الفريق UMAP (التقريب والإسقاط الموحد) لتصور البيانات عالية الأبعاد. ويكشف هذا كيف تقوم الشبكة بتصنيف المواد بناءً على مبادئها الكيميائية. يؤكد ماكس جروسمان، المؤلف المشارك للدراسة، على أن هذا يمثل تقدمًا كبيرًا نحو الذكاء الاصطناعي القابل للتفسير في علم المواد. تتيح هذه الأساليب الجديدة تحديدًا أكثر دقة للمواد، مما يؤدي ليس فقط إلى تحسين السرعة ولكن أيضًا دقة التنبؤات.

التقنيات المبتكرة لأبحاث المواد

تستخدم الدراسة نقل التعلم لتكييف النماذج المدربة بالفعل مع المهام الجديدة. يتم استخدام البيانات التقريبية لضبط النموذج مسبقًا. ثم تعمل بيانات RPA عالية الدقة على تحسين التوقعات. ووفقاً للبروفيسور إريك رونج، وهو مؤلف مشارك آخر، تُظهر الخوارزميات الحديثة أساليب واعدة لحل التحديات في علم المواد. إن توقعاتهم ليست دقيقة فحسب، بل إنها قريبة أيضًا من النتائج التجريبية، مما يعزز فهم المبادئ الأساسية.

جانب آخر مهم من الدراسة هو إمكانية تسريع تطوير مواد مستدامة جديدة. وقد يؤدي ذلك إلى إنتاج مواد، على سبيل المثال، تمكن من تحويل ضوء الشمس بكفاءة أكبر إلى كهرباء، وهو أمر مهم بشكل خاص في أوقات تغير المناخ وتحول الطاقة.

شبكات الاهتمام بالرسم البياني – بُعدًا جديدًا في الذكاء الاصطناعي

جزء أساسي من البحث هو الأساس الذي تقوم عليه شبكة الانتباه البيانية، والتي أنشأها علماء آخرون مثل بيتار فيليكوفيتش وزملاؤه. يصف عملهم، المنشور في ورقة بحثية بعنوان "Graph Attention Networks"، بنيات الشبكات العصبية الجديدة للبيانات المنظمة بالرسوم البيانية. تستخدم هذه البنى طبقات مقنعة ذاتية الانتباه للتغلب على بعض عيوب الطرق السابقة القائمة على تلافيف الرسم البياني. النتائج مثيرة للإعجاب. حققت نماذج GAT نتائج رائعة في أربعة معايير رئيسية للرسوم البيانية التحويلية والاستقرائية، مثل Cora وPubmed. arxiv يوثق هذا التطور الملحوظ.

إن الجمع بين هذه الأساليب المبتكرة لا يمثل خطوة نحو مستقبل علم المواد فحسب، بل يوضح أيضًا كيف يمكن للذكاء الاصطناعي والتعلم الآلي أن يحدثا ثورة في العمليات الحالية. تخلق الأساليب والنماذج الجديدة منظورًا واضحًا للتحديات والفرص التي سيوفرها الاستخدام المسؤول للموارد في السنوات القادمة.

المنشورات الأصلية التي تشرح هذه التطورات بمزيد من التفصيل هي:
– M. Grunert، M. Großmann، E. Runge، “التعلم الآلي يتسلق سلم يعقوب للخصائص الإلكترونية البصرية”، Nat. مشترك. 16، 8142 (2025).
– M. Grunert، M. Großmann، E. Runge، “اكتشاف مواد الطاقة المستدامة عبر الفضاء المادي المتعلم آليًا”، صغير، 2412519 (2025).