كيف يساعد الذكاء الاصطناعي في ابتكار المواد – من الاكتشاف إلى التصميم

• يوفر سوق المواد الجديدة فرصًا للذكاء الاصطناعي في مجال العلوم لإحداث ثورة في البحث والتطوير.
• أصبح اكتشاف المواد المدفوع بالبيانات ودمج المعدات المؤتمتة هو النموذج الجديد في مجال البحث والتطوير للمواد.
• من خلال الاستفادة من كل من الخبرة الميدانية والرؤى المستندة إلى البيانات، فإن المنصات المدعومة بالذكاء الاصطناعي على وشك إحداث تحول في علوم المواد.

تخيل هذا السيناريو: ديفيد، عالم مواد في مختبر متقدم مدعوم بالذكاء الاصطناعي، يتعاون مع منصة ذكاء اصطناعي لتصميم مركب جديد عالي الأداء. تقوم المنصة على الفور بإنشاء ملايين التركيبات الجزيئية غير المسبوقة، وتفحص جدواها، وتتنبأ بخصائصها وتقترح مسارات تصنيع منخفضة التكلفة.

ثم تقوم تلقائيًا بإنشاء مهام التخليق الكيميائي وتوزيعها على معدات تجريبية عالية الإنتاجية. من خلال دورات تكرارية مستنيرة بتغذية راجعة سريعة من الذكاء الاصطناعي، يحقق ديفيد تركيبة مبتكرة. يقوم النظام بتقييم نتائجه، ويقترح تحسينات إضافية ويُبلغ مدير المشروع لبدء الإنتاج على نطاق واسع.

من المحتمل أن يصبح هذا السيناريو يومًا عاديًا لشركات التكنولوجيا المتقدمة التي تطور مواد جديدة في المستقبل القريب. بفضل التقدم في الذكاء الاصطناعي، يحقق علماء المواد اليوم إنجازات غير مسبوقة، استجابةً للحاجة الملحة إلى مواد جديدة تمكّن إزالة الكربون في جميع القطاعات. غالبًا ما تكون المواد التقليدية غير كافية لتقنيات الجيل القادم الصديقة للبيئة، مما يخلق عنق زجاجة في جهود الاستجابة للتغير المناخي.

ومع ذلك، كما ورد في تقرير المنتدى الاقتصادي العالمي "أفضل 10 تقنيات ناشئة لعام 2024"، فإن الذكاء الاصطناعي يعيد تشكيل كيفية اكتشافنا للمعرفة وتطبيقها، مما قد يفتح الباب أمام المواد المتقدمة المطلوبة لخلايا شمسية أكثر كفاءة، وبطاريات ذات سعة أعلى، وتقنيات فعالة لاحتجاز الكربون – مما يسرّع مسارنا نحو الحياد الكربوني.

تأتي هذه التحولات التكنولوجية في لحظة حاسمة. فمع اشتداد التنافس العالمي على الموارد المحدودة، وازدياد الحاجة إلى مواجهة التحديات المناخية، ستصبح الابتكارات في المواد المتقدمة حجر الأساس لتقنيات أكثر نظافة ومرونة.

الذكاء الاصطناعي كخبير عام في المواد
الأساليب التقليدية لتطوير المواد – والتي تعتمد بالأساس على الخبرة، والحدس، ومنهجيات التجربة والخطأ – لم تعد كافية لمواجهة التحديات الحالية. يواجه علماء ومهندسو المواد اليوم عدة عقبات حرجة:

• تحديد الجزيئات المستهدفة الواعدة من بين عشرات الملايين من التركيبات المحتملة.

• تصميم مسارات تصنيع فعالة من الناحية الاقتصادية ومستدامة بيئيًا.

• تحسين تركيبات المنتجات لتلبية متطلبات السوق المعقدة.

• تحويل العمليات من المختبر إلى الإنتاج الصناعي بكفاءة.

وهنا بالضبط يأتي دور الذكاء الاصطناعي من أجل العلوم (AI4S) ليقدم إمكانيات تحولية. فالنماذج المتقدمة للتعلم الآلي المدربة على مجموعات ضخمة من البيانات، إلى جانب أساليب حسابية عالية الإنتاجية، يمكنها التنبؤ بخصائص العديد من المواد خلال وقت قصير، مما يسمح بفرز سريع للمرشحين وفقًا للمعايير المطلوبة.

وبعيدًا عن النماذج التنبؤية التي تحدد خصائص المواد، يمكن للنماذج التوليدية تصميم الهياكل الجزيئية مباشرة بناءً على الخصائص المطلوبة، مما يُمكّن من توليد جزيئات جديدة حسب الحاجة.

على سبيل المثال، يمكن لنموذج ReactGen التوليدي الجديد من Deep Principle اقتراح مسارات تفاعل كيميائية جديدة ومعقدة من خلال تعلم المبادئ الأساسية للتفاعلات، مما يمكّن من اكتشاف مسارات تخليق فعالة ومبتكرة.

تستطيع هذه النماذج أيضًا استكشاف مسارات تخليق متنوعة بشكل تكراري، وتضمين المعلومات الكيميائية والقيود الفيزيائية لتوصية بمسارات تفاعل قابلة للتنفيذ. أما في مجال صياغة المنتجات، فيمكن للذكاء الاصطناعي تحسين عدة أهداف في آن واحد لتلبية متطلبات السوق المعقدة بدقة، مما يوفر الكثير من الموارد البشرية والمواد والوقت.

السباق العالمي نحو ابتكار المواد بواسطة الذكاء الاصطناعي
أطلقت شركات تكنولوجيا عالمية مثل Microsoft وGoogle ومختبر لورانس بيركلي الوطني مبادرات جريئة مثل MatterGen وGNOME، لتوسيع نطاق ودقة أبحاث المواد باستخدام الذكاء الاصطناعي.

بالتوازي، بدأت شركات ناشئة مثل XtalPi ببناء منظومات متكاملة لتوليد البيانات والاستدلال – تجمع بين المختبرات المؤتمتة والذكاء الاصطناعي المتقدم – لتمكين اكتشاف تكراري متسارع وغير مسبوق في المجال.

ووفقًا لتقرير سنوي أعده Chenru Duan ومنظمو مجتمع الذكاء الاصطناعي للعلوم، شهد عام 2024 طفرة في الشركات الناشئة في مجال الذكاء الاصطناعي للعلوم، خاصة في مجالات التكنولوجيا الحيوية والكيمياء وعلوم المواد.

في قطاع التكنولوجيا الحيوية والأدوية، تم تحقيق عدة إنجازات كبرى. طرحت XtalPi أسهمها للاكتتاب العام بقيمة 2.5 مليار دولار، كما جمعت شركات أخرى مثل Terray Therapeutics وIambic Therapeutics جولات تمويل كبيرة.

ومن أبرز الحالات كانت شركة Isomorphic Labs، المنبثقة عن Google DeepMind، والتي أبرمت شراكات استراتيجية مع Eli Lilly وNovartis، حيث حصلت على 82.5 مليون دولار مقدمًا، مع إمكانية وصول القيمة الإجمالية إلى 3 مليارات دولار (دون احتساب العوائد).

وفي موازاة ذلك، بدأت شركات ناشئة تركز على الكيمياء وعلوم المواد في الظهور. أصدرت شركات مثل Orbital Materials وDP Technology نماذج تعلم آلي ضخمة مسبقة التدريب – Orb وDPA-2 – لتسريع محاكاة الديناميكيات الجزيئية بدقة أعلى.

كما أغلقت شركات جديدة مثل CuspAI وLila Sciences وDeep Principle جولات تمويل أولية بنجاح، وكل منها يطمح لإعادة تشكيل اكتشاف المواد والكيمياء.

في حالة Deep Principle، نقوم بتحويل ابتكار المواد من الاكتشاف إلى التصميم من خلال استخدام نماذج الذكاء الاصطناعي التوليدية. نحن ندمج الذكاء الاصطناعي التوليدي والكيمياء الكمومية والتجريب المؤتمت في سير عمل موحد لتحقيق سلسلة متكاملة من توليد الجزيئات وتصميم التخليق إلى تحسين التفاعل والتركيبة، حيث تعتبر منصتنا التوليدية المطورة داخليًا أحد مفاتيح النجاح.

ردم الفجوات لعصر جديد من المواد
رغم الوعود الكبيرة لهذا النموذج الجديد، لا تزال هناك تحديات كبيرة تعيق التطبيق الصناعي واسع النطاق لـ AI4S:

• قيود البيانات: تعتمد فعالية نماذج الذكاء الاصطناعي بشكل أساسي على توفر كميات ضخمة من البيانات التجريبية عالية الجودة، إلا أن مجموعات البيانات في تطوير المواد غالبًا ما تكون غير مكتملة وغير متناسقة وغير دقيقة.

• بيئات الإنتاج المعقدة: تختلف خصائص أداء المواد بشكل كبير حسب ظروف التصنيع وتطبيقاتها، مما يحد من قدرة النماذج على التعميم خارج نطاق التجارب المعملية.

• ارتفاع تكاليف التطوير: يتطلب هذا المجال استثمارات مالية كبيرة وعمليات تطوير تقنية مستمرة، بالإضافة إلى فرق متعددة التخصصات تجمع بين الكيمياء والذكاء الاصطناعي وعلوم المواد والتطبيقات العملية.

وللتغلب على هذه العقبات، تميل الشركات والمؤسسات البحثية إلى بناء شراكات تعاونية لإنشاء مجموعات بيانات شاملة، وتحسين الخوارزميات بشكل مستمر من خلال دورات تطوير تكرارية.

من الضروري كذلك دمج المناهج القائمة على البيانات مع المبادئ الأساسية للعلوم، إذ تساعد هذه الأخيرة على تعميم النماذج في المناطق التي تفتقر إلى البيانات التجريبية، بينما تتفوق خوارزميات التعلم العميق في استيعاب الأنماط من البيانات المتوفرة.

الذكاء الاصطناعي يقود عصرًا جديدًا في ابتكار المواد
يُصبح الذكاء الاصطناعي بسرعة قوة محورية تُدخل عصرًا جديدًا في ابتكار المواد. فبفضل قدرته الفريدة على استكشاف وتحليل كم هائل من التركيبات المعروفة، يمكّن العلماء من تحديد المواد المثلى بسرعة، وهي عملية كانت قد تستغرق سنوات أو عقودًا سابقًا.

وتذهب النماذج التوليدية خطوة أبعد، إذ تنشئ جزيئات جديدة ومسارات تفاعل مخصصة لتطبيقات محددة، مما يفتح آفاقًا غير مسبوقة في التصميم العكسي والابتكار. وعند دمجها مع منصات تجريبية مؤتمتة، تتيح الذكاء الاصطناعي دورات سريعة وفعالة من الفرضية إلى التنبؤ فالتحقق، مما يُسرّع الانتقال من الاكتشاف النظري إلى الإنتاج الصناعي.

فهذا النوع من السرعة ليس مجرد راحة إضافية، بل استجابة مباشرة للعنق الزجاجي الذي طالما عرقل أبحاث وتطوير المواد التقليدية، والتي تتسم بالبطء وكثافة اليد العاملة وانخفاض نسب النجاح – وهو أمر لم يعد مقبولًا في أسواق سريعة التغير.

من خلال تعزيز التعاون متعدد التخصصات وعبر الحدود، والاستفادة من الخبرة العميقة والرؤى الواسعة المستندة إلى البيانات، فإن المنصات المدعومة بالذكاء الاصطناعي مهيأة لإحداث ثورة في علوم المواد – وتقديم ابتكارات جوهرية لبناء مستقبل أكثر استدامة ومتانة للجميع.