نموذج من MIT يربط البنى البلورية ثلاثية الأبعاد بالنص لمساعدة الذكاء الاصطناعي على الاستدلال حول المواد

بنى باحثون في MIT، بالتعاون مع شركاء، نموذج ذكاء اصطناعي متعدد الوسائط يربط البنى البلورية ثلاثية الأبعاد بأوصاف باللغة الطبيعية، بحيث تتمكن أنظمة الذكاء الاصطناعي من الاستدلال حول المواد البلورية وخصائصها. وتُنشر الدراسة، الصادرة عن مجموعة جو لي في قسم علوم وهندسة المواد في MIT، في المجلة المحكّمة Nature Communications. ويطلق البحث على النظام اسم CLaC، اختصاراً لـ«نموذج اللغة والبلورات التبايني» (Contrastive Language-Crystal model).

وبحسب MIT News، تواجه نماذج اللغة الكبيرة الحالية صعوبة في التعامل مع المواد لأن البنى البلورية تُحفظ في صيغ متخصصة وليس في النصوص التي تتعلم منها هذه النماذج، ولأن الأدبيات التجريبية تركز على عدد صغير من فئات البلورات الشائعة. ويشير البحث إلى أن قواعد بيانات البلورات لا تحوي سوى ملايين المدخلات، وهو أقل بكثير من البيانات التي تقف خلف نماذج الرؤية واللغة. وللتعويض عن ذلك، أقرن الفريق بنى من Materials Project بسرديات مولَّدة بواسطة GPT ومستندة إلى خصائص محسوبة، إلى جانب فقرات مستخرجة من أوراق بحثية. ويفيد المؤلفون بأن السرديات الاصطناعية تغطي مجموعة من البلورات أكثر تنوعاً بـ300 مرة من الأدبيات المكتوبة بأيدٍ بشرية. وتقوم شبكة عصبية بيانية بترميز البنى، ويعالج مرمِّز نصي اللغة، ويضع التعلم التبايني كليهما في فضاء تمثيل مشترك.

وفي اختبارات بلا أمثلة سابقة (zero-shot)، طابقت النسخة المدرَّبة على السرديات الاصطناعية البنى بوصف التركيب الصحيح بدقة 95.4 ± 0.2%، مقارنةً بـ13.5 ± 0.3% لنموذج غير مدرَّب و17.8 ± 0.3% لنموذج مرجعي مبني على Gemma-3-1b-it، كما يقول البحث. أما النسخة المدرَّبة فقط على نصوص مستخرجة من الأوراق البحثية فقد كان أداؤها إلى حد كبير مثل الاختيار العشوائي عندما طُلب منها استرجاع مواد تطابق خاصية مستهدفة. وفي مثال يتعلق بالبطاريات، بحث الباحثون عن مرشحات لإلكتروليتات الحالة الصلبة لأيونات الليثيوم باستخدام معيار فجوة النطاق العالية وحده؛ فاحتوت جميع المواد الـ30 الأعلى ترتيباً على الليثيوم، بمتوسط فجوة نطاق بلغ 3.23 eV. وكان Li6PClO5، الذي جاء في المرتبة الرابعة، قد صُنّف واعداً في عمل مستقل، كما كان Li4SiO4، الذي جاء في المرتبة التاسعة، قد صُنع سابقاً كإلكتروليت صلب في شكل غشاء رقيق.

ويصف المؤلفون أيضاً قيوداً واضحة. فلم تتجاوز دقة تصنيف الأنظمة البلورية 34.0 ± 0.4%، وهو ما يوازي تقريباً النموذج المرجعي Gemma، ويربطون ذلك بحجم دفعة تدريب صغير قدره 16 وبتوزيع شديد الاختلال للأنظمة البلورية. كما أن الموصلية الأيونية، وهي خاصية أساسية للإلكتروليتات، غائبة عن مجموعة البيانات الاصطناعية، ولذلك لم يكن بالإمكان استخدامها في استعلام البطاريات. ويضيف البحث أن المجال يفتقر إلى معايير قياس متعددة الوسائط موحّدة، ما يصعّب المقارنات المباشرة بين النماذج، وأن اكتشاف المواد القائم على التعليمات باستخدام النموذج يبقى عملاً مستقبلياً، وأن هناك حاجة إلى مزيد من البحث في كيفية تأثير تركيبة مجموعة البيانات وتوليد النصوص على سلوك الاسترجاع والتحيزات المحتملة.

«البنية هي حقاً في صميم مجال علوم المواد»، قال لي في بيان MIT News، مضيفاً أن فهم البنية يتيح للباحثين استنتاج الكثير عن خصائص المادة. وقارن النموذج بـAlphaFold، الذي يربط بنى البروتينات بوظيفتها. وقالت المؤلفة المشاركة إلسا أوليفيتي إن النهج يربط البنية بالخاصية والمعالجة، وأضافت: «آمل أن يكون هذا واحداً من تلك التحولات النوعية». والمؤلفون الآخرون هم المؤلف الأول يانغ جيونغ بارك، وهو باحث ما بعد الدكتوراه سابق في MIT، ومايانك كوماران، وتشيا-وي هسو. وبحسب MIT News، مُوّل العمل جزئياً من المؤسسة الوطنية للبحوث في كوريا ومن وكالتين دفاعيتين أمريكيتين، هما وكالة تقليص التهديدات الدفاعية ووكالة مشاريع البحوث الدفاعية المتقدمة.