ملخص: تناقش هذه المقالة كيف يُحدث الذكاء الاصطناعي ثورة في علم المواد، من خلال تسريع اكتشاف وتصميم المواد الجديدة عبر نماذج توليدية وتجريب مؤتمت، ما يمكّن العلماء من تطوير تركيبات مبتكرة في وقت قياسي. وتستعرض المقالة سباقاً عالمياً تقوده شركات ناشئة وعملاقة لتوظيف الذكاء الاصطناعي في إنتاج مواد تدعم التقنيات الخضراء، مع تسليط الضوء على التحديات التي تواجه تعميم هذه الحلول وسبل تجاوزها نحو مستقبل أكثر استدامة.
- يقدم سوق المواد الجديدة فرصاً كبيرة للذكاء الاصطناعي في مجال العلوم لإحداث ثورة في البحث والتطوير.
- أصبح اكتشاف المواد المدفوع بالبيانات وتكامل المعدات المؤتمتة هو النموذج الجديد للبحث والتطوير في هذا المجال.
- من خلال الجمع بين الخبرة الميدانية والرؤى المستمدة من البيانات، تستعد المنصات المعززة بالذكاء الاصطناعي لتحويل علم المواد بشكل جذري.
تخيل هذا السيناريو: "ديفيد"، عالم مواد في أحد المختبرات المتقدمة التي تعتمد على الذكاء الاصطناعي، يتعاون مع منصة ذكاء اصطناعي لتصميم مركّب جديد عالي الأداء. تقوم المنصة على الفور بتوليد ملايين الهياكل الجزيئية غير المسبوقة، وتُجري فحصاً لإمكانية تطبيقها، وتتنبأ بخصائصها وتقترح مسارات تصنيع منخفضة التكلفة.
ثم تُولّد مهام التصنيع تلقائياً وتُرسلها إلى معدات تجريبية عالية الإنتاجية. ومن خلال دورات متكررة تُغذى بردود فورية من الذكاء الاصطناعي، يحقق ديفيد تركيبة رائدة. تقوم المنظومة بتقييم النتائج، واقتراح تحسينات إضافية، وتنبيه مدير المشروع لبدء الإنتاج على نطاق أوسع.
من المتوقع أن يصبح هذا السيناريو يوماً عادياً في الشركات التقنية المتقدمة التي تطوّر مواد جديدة في المستقبل القريب.
فبفضل تقدم الذكاء الاصطناعي، يحقق علماء المواد اليوم إنجازات غير مسبوقة، استجابةً للحاجة الماسة إلى مواد مبتكرة تتيح إزالة الكربون في جميع القطاعات. فالمواد التقليدية غالباً ما تكون غير كافية لتقنيات المستقبل الخضراء، مما يشكّل عائقاً أمام جهود مواجهة تغير المناخ.
لكن كما ورد في تقرير "أهم 10 تقنيات ناشئة لعام 2024" الصادر عن المنتدى الاقتصادي العالمي، فإن الذكاء الاصطناعي يُحدث ثورة في طريقة اكتشافنا وتطبيقنا للمعرفة الجديدة، ما قد يُطلق العنان للمواد المتقدمة المطلوبة لتقنيات مثل الخلايا الشمسية عالية الكفاءة، والبطاريات ذات السعة الكبيرة، وتقنيات التقاط الكربون – مما يسرّع طريقنا نحو الحياد الكربوني.
ويأتي هذا التحول التكنولوجي في لحظة حاسمة، حيث تزداد المنافسة العالمية على الموارد المحدودة، ويزداد الضغط لمواجهة التحديات المناخية.
فإن الابتكارات في المواد المتقدمة ستشكّل الأساس لتقديم تقنيات أنظف وأكثر قدرة على الصمود.
الذكاء الاصطناعي كأداة شاملة في علم المواد
الطرق التقليدية في تطوير المواد – المعتمدة أساساً على الخبرة والحدس والتجربة والخطأ – أصبحت غير كافية لمواجهة التحديات الحالية.
يواجه علماء المواد والمهندسون العديد من العقبات، أبرزها:
تحديد الجزيئات المستهدفة الواعدة من بين عشرات الملايين من التركيبات المحتملة.
تصميم مسارات تصنيع فعالة اقتصادياً ومستدامة بيئياً.
تحسين تركيبات المنتجات لتلبية متطلبات السوق المعقدة.
توسيع العمليات من المختبر إلى الإنتاج الصناعي بكفاءة.
وهنا يكمن الدور التحويلي للذكاء الاصطناعي للعلوم (AI4S).
فالنماذج المتقدمة للتعلم الآلي، المدربة على مجموعات بيانات ضخمة، والمقترنة بأساليب حسابية عالية الإنتاجية، يمكنها التنبؤ بخصائص عدد كبير من المواد في وقت قصير جداً، مما يسمح بفرز المرشحين بناءً على معايير محددة.
وبالإضافة إلى النماذج التنبؤية، يمكن للنماذج التوليدية تصميم هياكل جزيئية مباشرة استناداً إلى الخصائص المطلوبة.
على سبيل المثال، يمكن لنموذج ReactGen من شركة Deep Principle اقتراح مسارات تفاعلية كيميائية جديدة ومعقدة من خلال تعلم المبادئ الأساسية للتفاعلات، مما يمكّن من اكتشاف مسارات تصنيع فعالة ومبتكرة.
تقوم هذه النماذج أيضاً بتوليد واستكشاف مسارات تركيبية متنوعة بشكل تكراري، مع دمج المعلومات الكيميائية والقيود الفيزيائية، لتوصي بمسارات تفاعل قابلة للتطبيق.
وفي صياغة المنتجات، يمكّن الذكاء الاصطناعي تحسينات متعددة الأهداف لتلبية متطلبات السوق المعقدة والديناميكية بدقة، ما يوفر الكثير من الجهد البشري والموارد المادية ووقت التطوير.
السباق العالمي في ابتكار المواد المدفوعة بالذكاء الاصطناعي
أطلقت شركات التكنولوجيا العالمية مثل مايكروسوفت وجوجل والمختبر الوطني لورنس بيركلي مبادرات جريئة مثل MatterGen وGNOME، مستفيدة من الذكاء الاصطناعي لتوسيع نطاق ودقة أبحاث المواد بشكل كبير.
وفي الوقت ذاته، تبني شركات ناشئة مثل XtalPi أنظمة متكاملة لتوليد البيانات والتفسير – تجمع بين مختبرات مؤتمتة وذكاء اصطناعي متقدم – لتمكين الاكتشاف السريع والتكراري على نطاق غير مسبوق.
"لقد كان عام 2024 عاماً تحويلياً أيضاً للشركات الناشئة في نظام الذكاء الاصطناعي العلمي، خاصة في مجالات التكنولوجيا الحيوية والكيمياء وعلوم المواد"، كتب "تشينرو دوان" وآخرون من منسقي مجتمع AI4S في مراجعتهم السنوية.
ففي مجال التكنولوجيا الحيوية والأدوية، تم تحقيق عدة محطات رئيسية. طرحت شركة XtalPi أسهمها في السوق بقيمة 2.5 مليار دولار، وأكملت شركات أخرى مثل Terray Therapeutics وIambic Therapeutics جولات تمويل كبرى لتوسيع خطوط تطوير الأدوية الخاصة بها.
ومن بين أبرز الحالات، شركة Isomorphic Labs التابعة لـ DeepMind، التي أعلنت عن شراكات استراتيجية مع شركتي Eli Lilly وNovartis، وحصلت على 82.5 مليون دولار مقدماً مع توقعات ببلوغ العوائد الإجمالية 3 مليارات دولار (دون احتساب الإتاوات).
وتبرز هذه الشراكة القيمة التجارية الهائلة لنماذج الذكاء الاصطناعي المتخصصة، حتى بالنسبة للعمالقة الصيدلانيين الراسخين.
في الوقت ذاته، ظهرت شركات ناشئة تركز على الكيمياء وعلوم المواد. أطلقت شركات مثل Orbital Materials وDP Technology نماذج تعلم آلي مسبقة التدريب – Orb وDPA-2 – لتسريع المحاكاة الديناميكية الجزيئية بدقة أعلى.
كما نجحت شركات ناشئة جديدة مثل CuspAI وLila Sciences وشركتنا Deep Principle في إغلاق جولات تمويل أولي، وكل منها يحمل رؤية لإعادة تشكيل اكتشاف المواد والكيمياء.
في حالة Deep Principle، نحن نعيد ابتكار عملية المواد من الاكتشاف إلى التصميم من خلال استخدام نماذج توليدية مدعومة بالذكاء الاصطناعي. ندمج الذكاء الاصطناعي التوليدي والكيمياء الكمومية والتجريب المؤتمت ضمن سير عمل موحّد، لتحقيق سلسلة كاملة من توليد الجزيئات وتصميم التصنيع إلى تحسين التفاعلات والصيغ، حيث ستكون منصتنا التوليدية المطوّرة ذاتياً أحد المفاتيح الأساسية.
ردم الفجوات نحو عصر جديد من المواد
على الرغم من الوعود الكبيرة لهذا النموذج الجديد، لا تزال هناك تحديات كبيرة تعيق التنفيذ الصناعي الواسع لـ AI4S:
قيود البيانات: تعتمد فعالية النماذج بشكل كبير على توافر بيانات تجريبية عالية الجودة، إلا أن مجموعات البيانات في علم المواد تعاني غالباً من النقص والتفاوت وعدم الدقة. كما أن الإعدادات التجريبية عالية الإنتاجية لا تزال محدودة، في حين تبقى الصيغ الصناعية محمية بشدة، مما يصعّب الوصول إلى بيانات شاملة ودقيقة على نطاق واسع.
بيئات الإنتاج المعقدة: تختلف خصائص أداء المواد بشكل كبير تبعاً لبيئة التطبيق وظروف التصنيع، ما يصعّب على النماذج التعميم خارج المختبر.
ارتفاع تكاليف التطوير: يتطلب هذا المجال استثمارات رأسمالية كبيرة وتحديثاً تقنياً مستمراً، إلى جانب فرق متعددة التخصصات تجمع بين علم المواد والكيمياء وخوارزميات الذكاء الاصطناعي وخبرة التنفيذ العملي.
ولتجاوز هذه العقبات، تميل المؤسسات إلى إقامة شراكات تعاونية لإنشاء مجموعات بيانات شاملة، سواء كانت عامة أو متخصصة، مع تحسين مستمر للخوارزميات عبر دورات تطوير تكرارية.
الأهم من ذلك، أن الجمع بين الأساليب المستندة للبيانات والنُهج القائمة على المبادئ الأساسية يعزز قدرة النماذج على التعميم، حيث تبرع الخوارزميات العميقة في ملاءمة البيانات المتاحة، بينما يمكن للمبادئ الأولى والمعرفة المتخصصة استقراء النتائج في مناطق تفتقر إلى البيانات التجريبية.
الذكاء الاصطناعي يقود عصر الابتكار في المواد
أصبح الذكاء الاصطناعي بسرعة قوة محورية في دخول عصر جديد من الابتكار في المواد.
قدرته غير المسبوقة على مسح وتقييم مشاهد ضخمة من التركيبات المعروفة والاحتمالات تتيح للعلماء تحديد المواد المثلى بسرعة، وهي مواد كان اكتشافها يستغرق سنوات أو حتى عقود باستخدام الأساليب التقليدية.
وتذهب النماذج التوليدية إلى أبعد من ذلك، إذ تبتكر جزيئات جديدة ومسارات تفاعلية مخصصة لتطبيقات محددة، وتفتح آفاقاً غير مسبوقة في التصميم العكسي والابتكار.
وعند دمجها مع منصات تجريبية مؤتمتة، تمكّن هذه النماذج من دورة سريعة وفعالة تشمل الفرضيات، التنبؤات والتحقق، مما يسرّع بشكل كبير التحوّل من الاكتشاف النظري إلى الإنتاج الصناعي القابل للتوسّع.
هذا التحوّل ليس مجرد راحة إضافية، بل يستهدف بشكل مباشر نقاط الضعف القديمة في البحث والتطوير التقليدي للمواد، الذي غالباً ما يكون بطيئاً، كثيف العمالة، وذو معدلات نجاح منخفضة – وهي أمور لم تعد تتماشى مع احتياجات الأسواق السريعة التطور.
ومن خلال تعزيز التعاون بين التخصصات المختلفة، وحتى التعاون العابر للحدود، ومن خلال دمج الخبرة الميدانية مع قوة التحليل البياني، تستعد المنصات المدعومة بالذكاء الاصطناعي لإحداث تحول شامل في علم المواد – وتقديم ابتكارات ضرورية لمستقبل أكثر استدامة ومرونة للجميع.
