الذكاء الاصطناعي يصمم مواد جديدة: لماذا يعلّم MIT النموذج قواعد الكيمياء قبل أن يبدأ التخيل؟

ما الذي حدث؟

في 26 أغسطس 2026، نشر مكتب أخبار MIT تقريراً عن دراسة جديدة في مجلة Nature Computational Science بعنوان “تحسين اكتشاف المواد بتصميم مقيّد بالتكافؤ في النمذجة التوليدية”. قاد العمل الأستاذ المشارك مينغدا لي من قسم العلوم والهندسة النووية في MIT، بمشاركة باحثين من MIT ومختبر أوك ريدج الوطني وجامعة ولاية ميشيغان.

الأداة اسمها CrysVCD، اختصاراً لـ”مولّد بلورات بتصميم مقيّد بالتكافؤ”. وفكرتها أن نماذج الذكاء الاصطناعي التي “تخترع” مواد جديدة كثيراً ما تقترح تراكيب تخالف قواعد الكيمياء الأساسية، فتبدو جميلة على الشاشة لكنها لا يمكن أن توجد في الواقع.

الأرقام الأساسية

بحسب MIT News وصفحة الدراسة لدى مجموعة الأستاذة هيذر كوليك:

• الاستقرار الديناميكي للشبكة: نحو 70% من المواد المولّدة حاسوبياً.
• بعد الضبط الدقيق على مقاييس الاستقرار: 85% من المواد شبه مستقرة (Metastable)، و68% مستقرة ميكانيكياً (استقرار الفونونات).
• الكفاءة: إنتاج مواد مستقرة أكفأ بمرتبة عشرية تقريباً من الطرق التي تولّد أولاً ثم تفرز لاحقاً.
• تكلفة التحقق: يشكل اختبار الاستقرار نحو 90% من التكلفة الحاسوبية لإنتاج مادة قابلة للاستخدام، وقد يستغرق أسابيع أو أشهراً.

ومن الأمثلة في الورقة البحثية المنشورة مسبقاً على arXiv: مادة مرشحة من أكسيد الكوبالت والقصدير تنبأ النموذج بثابت عزل كهربائي لها قدره 62.2، وأعطى حساب نظرية الكثافة الوظيفية (DFT) قيمة 70.5 في أحد الاتجاهات.

شرح مبسط: الترتيب هو كل شيء

تخيل مهندساً معمارياً يرسم مئات التصاميم بسرعة، ثم يرسلها كلها إلى مهندس إنشائي ليفحص أيها يقف فعلاً. سيُرفض أغلبها، وسيضيع وقت الإنشائي في فحص تصاميم مستحيلة من الأساس.

هذا ما تفعله كثير من نماذج توليد المواد: تولّد أولاً، ثم تفحص الاستقرار لاحقاً بحسابات مكلفة. وCrysVCD تغيّر الترتيب. فهي تعمل على مرحلتين:

1. نموذج لغوي للعناصر يقترح تراكيب كيميائية متوازنة الشحنات فقط، أي تحترم قواعد التكافؤ (عدد الإلكترونات التي يعطيها أو يأخذها كل عنصر).
2. نموذج انتشار (Diffusion) يولّد البنية الذرية البلورية لكل تركيب مقبول.

بهذا لا تصل إلى المرحلة المكلفة إلا التراكيب الممكنة كيميائياً. ويصف مينغدا لي الأداة بتشبيه طريف: “إذا كانت نماذج توليد المواد مثل أقراص DVD، فنحن مثل مشغّل DVD”، أي أنها إضافة يمكن تركيبها على نماذج توليد أخرى.

وتقول الدراسة إن عملية الانتشار تحتاج عادة نحو 1,000 خطوة لكل مادة، بينما يصف الباحثون فحص التكافؤ في بداية العملية بأنه نحو خمس خطوات.

لماذا يهم هذا المهندس؟

ركز الباحثون على مواد ذات تطبيقات هندسية مباشرة: مواد عالية التوصيل الحراري، ومواد عازلة عالية الثابت الكهربائي (High-κ). الأولى مهمة لتبريد الرقائق ومراكز البيانات، والثانية أساسية في صناعة الترانزستورات الحديثة.

ويذكّر الأستاذ جو لي من MIT بأن نحو 30% من طاقة مراكز البيانات تذهب إلى التبريد، وأن الصناعة تحتاج مواد عالية التوصيل الحراري لإزالة الحرارة بكفاءة أكبر.

ومن الأمثلة التي تذكرها الورقة البحثية مادة سداسية من الجرمانيوم والكربون تنبأ النموذج بتوصيل حراري شبكي لها يبلغ 183 واط لكل متر لكل كلفن، مع فجوة طاقة قدرها 2.34 إلكترون فولت. هذه أرقام تنبؤية لا قياسات مختبرية، لكنها توضح نوع الأسئلة التي يمكن طرحها: ابحث لي عن مادة شبه موصلة تنقل الحرارة جيداً، بدلاً من أن تولّد أي مادة ثم تبحث فيها.

وبحسب MIT News، تعمل الطريقة بأفضل شكل مع البلورات الصلبة ذات البنية الداخلية المنتظمة، أي أنها ليست حلاً شاملاً لكل أنواع المواد.

رأي: أهم ما في الدراسة هو “التواضع الهندسي”

في رأيي، القيمة الكبرى لهذا العمل ليست في الأرقام، بل في الفلسفة: بدلاً من نموذج أكبر يتعلم كل شيء من البيانات، أضاف الباحثون قاعدة علمية معروفة منذ أكثر من قرن وفرضوها على النموذج. وكما تقول هيذر كوليك: “توليد نموذج ثم الفرز للاستقرار أمر غير فعّال”.

هذا درس يتجاوز علوم المواد. كثير من تطبيقات الذكاء الاصطناعي في الهندسة تفشل لأنها تطلب من النموذج أن يكتشف قوانين نعرفها بالفعل. والأذكى أن نبني القوانين في النموذج، ونترك له ما لا نعرفه.

لكن يجب ألا نبالغ. فالدراسة تعترف بحدودها: بيانات التدريب لا تشمل اللانثانيدات والأكتينيدات ولا البلورات الجزيئية، وقد تفوت حالات أكسدة غير مألوفة، ومعظم تقييم الاستقرار تم بنماذج تعلم آلي لا بحسابات DFT كاملة. والأهم أن المادة المستقرة حاسوبياً ما زالت بعيدة عن مادة مصنّعة في مختبر، ثم عن منتج في مصنع. الطريق من الشاشة إلى المصنع طويل، وهذه الأداة تختصر أول جزء منه فقط.

دروس عملية للمهندس

1. ضع القيود قبل التوليد. في أي مشكلة تصميم بالذكاء الاصطناعي، القيود الفيزيائية المعروفة يجب أن تكون جزءاً من النموذج لا مرشحاً بعده.
2. اعرف أين تكمن التكلفة. حين يكون التحقق 90% من التكلفة، فإن تقليل عدد المرشحين الفاشلين أهم من تسريع التوليد.
3. علوم المواد الحاسوبية مجال صاعد. الجمع بين الكيمياء والفيزياء والبرمجة مطلوب في صناعة الرقائق والبطاريات ومراكز البيانات، وفرصة لطلاب الهندسة العرب في جامعات بحثية بالمنطقة.
4. لا تثق بالنتيجة الحاسوبية وحدها. اسأل دائماً: هل صُنّعت المادة؟ هل اختُبرت؟ وبأي طريقة حُسب استقرارها؟

المصادر

• MIT News، “AI helps design new materials that work in the real world” (26 أغسطس 2026)
• Kulik Group (MIT)، “Enhancing Materials Discovery with Valence Constrained Design in Generative Modeling”، Nature Computational Science (2026)
• arXiv، “Enhancing Materials Discovery with Valence Constrained Design in Generative Modeling” (النسخة الأولى المنشورة مسبقاً، 2025)