خوارزمية ذكاء اصطناعي توفر أفضل طريقة للبحث عن المواد النانوية المسامية وتصنيعها
يوما ما قد تساعد المواد النانوية المسامية في حل بعض أخطر مشكلات المجتمع، بدءا من امتصاص ثاني أكسيد الكربون أو الميثان من الهواء، وصولا إلى تخزين الهيدروجين الغازي كوقود، وتحديد المركبات السامة في الهواء.
بفضل مسامات متناهية الصغر بحجم النانومتر، تفيد هذه المواد في تطبيقات كثيرة مرتبطة بالتنمية المستدامة، لكن بما أن الكيميائيين يصنعونها في المختبرات جزيئا تلو آخر، فإن تطويرها معقد ومكلف.
قام فريق من باحثين من جامعة ولاية واشنطن وجامعة ولاية أوريغون بتطوير خوارزمية حاسوبية فريدة تلعب لعبة الـ20 سؤالا، إذ تضيّق بسرعة آلاف التركيبات الجزيئية الممكنة للوصول إلى التركيبة المثلى بأقل تكلفة وجهد. نُشرت الدراسة في مجلة Molecular Systems Design and Engineering Journal.
«تتمثل المشكلة الرئيسية في أن المواد النانوية المسامية عبارة عن خليط من عناصر كيميائية مختلفة، يجب تركيبها وإيجاد أفضل مزيج منها. تملك هذه المواد تنوعا هائلا في اللبنات الجزيئية البنائية المحتملة وفي هياكلها، والتي يمكن مزجها بلا حدود تقريبا. ولو اختبرنا في كل مرة تشكيلات جديدة لهذه العناصر وهياكلها في المختبر، لكان ذلك مكلفا للغاية، لذلك فالمهمة الحاسوبية تتمثل في تحديد التركيبة الصحيحة من العناصر التي تملك الخصائص التي تهمك. وهنا يأتي دور عملنا الخوارزمي القائم على الذكاء الاصطناعي»
في إطار دراسة تثبت المفهوم، اختار العلماء أفضل مرشح من المواد النانوية المسامية لامتصاص الميثان، وهو غاز دفيء قوي يسهم في الاحترار العالمي. وبعد تقييم 120 مرشحا محتملا فقط، وجدوا المرشح الأفضل المعروف من مكتبة تضم 70 ألف مادة، وكان ذلك أفضل بكثير مما تحققه الخوارزميات التقليدية.
«يمكن استخدام المواد النانوية المسامية (ن م م) لتخزين وحجز وتحديد أنواع عديدة من الغازات. وعند الحديث عن مهمة الامتصاص، نرغب غالبا في العثور داخل المكتبة على المادة التي تملك خصائص امتصاص مثالية. ويؤدي ارتفاع تكلفة تصنيع المواد النانوية المسامية وقياسات امتصاص الغاز، سواء أجريت هذه التجارب في المختبر أو بالمحاكاة، إلى عرقلة البحث الشامل في كثير من الأحيان»، جاء ذلك في الدراسة.
قالت يانا دوب، وهي أحد مؤلفي الدراسة وأستاذة مشاركة في كلية الهندسة الكهربائية وعلوم الحاسوب: «تتيح خوارزميات أريان العثور على أفضل مادة مع عدد أقل من التقييمات». ومن أسباب نجاح الخوارزمية أنها تأخذ في الاعتبار البنى ثلاثية الأبعاد للمادة.
«نحن نحاول إجراء بحث أكثر ذكاء قليلا، بينما لم تحاول الأساليب الحالية المستخدمة الاستفادة من نماذج العلاقة بين بنية المادة وخصائصها. نحن نبني نماذج إحصائية بشكل صريح، سمحت لنا بالتنبؤ بخصائص المواد المجهولة مع امتلاك تقدير جيد المعايرة لعدم اليقين، وهذا يعني أنك تعرف ما لا تعرفه، لذلك عندما استكشفنا الفضاء، فعلنا ذلك بطريقة أكثر عقلانية بكثير، لا عشوائيا»
ولأن خوارزميتهم كانت تُعيد النظر في كل تكرار جديد للمادة، فقد كانت تجري تجربة افتراضية، وتحدّث فهمها لبنية العلاقات بين الخصائص، ثم تختار بناءً على ذلك مادة نانوية مسامية أخرى.
يسعى الباحثون الآن إلى أتمتة المنهجية وتعميمها أكثر. وقد أحرزوا بالفعل تقدما أساسيا نحو هذا الهدف في ورقة بحثية جديدة ستُقدَّم في مؤتمر عام 2021 لأنظمة معالجة المعلومات العصبية (NeurIPS). ويأمل العلماء في استخدام الخوارزميات الفريدة لتحسين البحث في أنواع أخرى من التطبيقات الواقعية، مثل تطوير المحفزات المستخدمة في العمليات الصناعية.
المادة المسامية النانوية هي مادة تحتوي على مسام يتراوح حجمها ضمن النطاق النانوي (~1-100 نانومتر). يُستخدم هذا المصطلح للدلالة على أن الخصائص المميزة للمادة (الاستشعارية والامتزازية والتحفيزية والانتشارية وغيرها) مرتبطة بوجود النانومسام. ومن هذه المواد معظم الأغشية والممتزات والمحفزات المعروفة.
توجد أنواع كثيرة من المواد النانوية المسامية في الطبيعة، لكن يمكن أيضا تصنيعها صناعيا. ولذلك يجب دمج بوليمرات ذات درجات انصهار مختلفة، بحيث يتحلل أحد البوليمرات عند التسخين. تمتلك المادة المسامية ذات المسام المتساوية الحجم خاصية السماح بمرور مواد معينة فقط، بينما تحجب غيرها.
تُستخدم المواد النانوية المسامية في أقنعة الغاز، وأنظمة دعم الحياة المستقلة في الغواصات ومحطات الفضاء المأهولة. ويمكن استخدامها في مرشحات لتنقية الهواء والمياه من الملوثات بدقة عالية (وبخاصة من المواد السامة الكيميائية والبكتيرية). ولكي تعمل المادة بكفاءة، من المهم تجاوز حد الترشيح، الذي تبدأ عنده المسام والقنوات غير المترابطة في تكوين ممرات عابرة لمرور السوائل.
