الاختراق المناخي القادم قد يأتي من مواد أصغر من أن تُرى

• تحدث الاختناقات الشائعة التي تعيق تطوير تقنيات نظيفة متينة، إلى جانب تحديات عالمية أخرى، عند واجهات غير مرئية بين المواد.
• ويمكن لمادة الواجهة أن تساعد في إطالة عمر المنتجات، وتقليل معدلات الفشل، وتحسين مردود التصنيع.
• ويحتاج الابتكار في مجال المواد إلى تجاوز أسلوب التجربة والخطأ البطيء، من خلال ربط الذكاء الاصطناعي بالتجارب الفيزيائية وبنظام تعلّم متكامل، من أجل تحقيق نتائج أكثر استقلالية.

عندما يتخيل الناس التقنيات التي ستشكّل العصر الصناعي المقبل، غالباً ما يتصورون أشياء مرئية بالكامل: مزارع الطاقة الشمسية، والمركبات الكهربائية، وتوربينات الرياح، ومصانع أشباه الموصلات، والأقمار الصناعية، والروبوتات، أو الأجهزة الطبية.

لكن كثيراً من الاختراقات التي تحدد ما إذا كانت هذه التقنيات ستنجح تحدث على مقاييس تكاد تكون غير مرئية للعين البشرية.

إنها تحدث عند الواجهات: حيث تلتقي مادة بأخرى.

تفقد الخلية الشمسية كفاءتها لأن طبقة رقيقة تتدهور. ويفشل موصل نحاسي في تقنيات التغليف المتقدمة للرقائق لأن التصاقه بالركيزة الزجاجية ليس قوياً بما يكفي. ويتآكل مستشعر داخل جسم الإنسان لأن طلاءه الواقي غير مثالي.

قد تبدو هذه مشكلات هندسية متخصصة. لكنها ليست كذلك. إنها اختناقات في مسار التحول العالمي نحو طاقة أنظف، وسلاسل إمداد أكثر مرونة، ورعاية صحية أفضل، وتقنيات أكثر تقدماً.

لقد بدأ العالم يدرك بالفعل أن التحول في مجال الطاقة هو أيضاً تحول في مجال المواد. فقد أظهرت وكالة الطاقة الدولية أن تقنيات الطاقة النظيفة، من الألواح الشمسية وتوربينات الرياح إلى المركبات الكهربائية وتخزين البطاريات، تتطلب مجموعة واسعة من المعادن والفلزات.

وكان التحدي يتمثل في إنتاج المزيد من التقنيات النظيفة، لكن علينا أيضاً أن نجعلها أكثر متانة وكفاءة ووعياً باستخدام الموارد.

تختلف احتياجات المعادن الحرجة باختلاف تقنيات الطاقة النظيفة

الصورة: وكالة الطاقة الدولية

لا يمكن أن يكمن الحل ببساطة في الاستخراج. فنحن بحاجة إلى تعدين أكثر مسؤولية، وإعادة تدوير، وسلاسل إمداد دائرية، لكن البشرية تحتاج أيضاً إلى مواد أفضل قادرة على إنجاز المزيد بموارد أقل.

كيف يمكن لمواد الواجهة أن تعزز التقنيات النظيفة

هنا يأتي دور مواد الواجهة.

غالباً ما تكون مادة الواجهة رقيقة للغاية، لكن تأثيرها قد يكون كبيراً. فهي يمكن أن تساعد سطحين على الالتصاق، وأن تحمي مكوّناً حساساً من الأكسجين أو الماء أو الحرارة أو التآكل، وأن توجّه حركة الإلكترونات داخل الجهاز، وتدعم نقل الشحنة.

ويمكنها أن تطيل عمر المنتج، وتقلل معدلات الفشل، وتحسن مردود التصنيع. فقد تحدد طبقة صغيرة من المادة ما إذا كانت تقنية كبيرة ستصبح عملية وميسورة التكلفة ومتينة.

بعض هذه المواد تحمل بالفعل أسماء مألوفة لدى العلماء، وإن لم تكن مألوفة بعد لدى عامة الناس. فالطبقات الأحادية ذاتية التجمع، التي تُعرف غالباً باسم SAMs، هي طبقات جزيئية تنتظم على الأسطح، ويمكنها ضبط طريقة نمو مواد أخرى، أو نقل الشحنة، أو مقاومة التدهور.

ويمكن لعوامل الاقتران السيلانية أن تساعد في ربط الزجاج والأكاسيد والبوليمرات والمعادن، مما يحسّن الالتصاق في الإلكترونيات والطلاءات والتغليف. كما يمكن لمواد التغليف أو الحواجز فائقة الرقة أن تحمي الأجهزة الحساسة من الماء أو الأكسجين أو الأيونات أو السوائل البيولوجية.

قد تُقاس هذه المواد بالنانومترات، لكن نتائجها يمكن أن تُقاس بسنوات من عمر المنتج، ونقاط مئوية من الكفاءة، وأطنان من النفايات التي يتم تجنبها، ومليارات الدولارات من القيمة التصنيعية.

والدرس هنا هو أنه كلما كانت المادة أصغر، أصبح فهم النظام المحيط بها أكثر أهمية.

فالجزيء الواعد وحده لا يكفي. يجب أن يعمل على ركيزة حقيقية، وأن يصمد أمام عملية تصنيع حقيقية، وأن يظل مجدياً من حيث التكلفة، وآمناً، وقابلاً للتوسع، وأن يؤدي بشكل موثوق بمرور الوقت. ولهذا السبب، يحتاج الابتكار في المواد إلى تجاوز أسلوب التجربة والخطأ البطيء.

يمكن للذكاء الاصطناعي أن يساعد في تقليص هذا الجدول الزمني، ولكن فقط إذا كان متصلاً بالتجارب الفيزيائية. ففي علم المواد، غالباً ما تكون البيانات مجزأة أو ناقصة أو غير متسقة.

ولن يقدم النموذج المدرّب على بيانات تجريبية ضعيفة إجابات موثوقة من تلقاء نفسه. وتكمن الفرصة الحقيقية في بناء أنظمة ذات حلقة مغلقة: يقترح الذكاء الاصطناعي مرشحين، وتختبرهم التجارب الآلية أو عالية الإنتاجية، ثم تُعاد النتائج إلى النموذج، ويوجه العلماء الجولة التالية.

ويُوصف هذا النهج أحياناً باسم «المختبر ذاتي القيادة». وقد أظهرت أبحاث منشورة في مجلة Nature كيف يمكن للمختبرات المستقلة أن تجمع بين الحوسبة، والبيانات المستخلصة من الأدبيات العلمية، والتعلم الآلي، والتعلم النشط، والروبوتات، لتسريع تخليق المواد.

وتشير هذه الأنظمة إلى مستقبل لا تكون فيه التجارب أحداثاً منفصلة، بل جزءاً من حلقة تعلم مستمرة. ومع ذلك، فإن الاختناق الحقيقي لا يتمثل فقط في نموذج الذكاء الاصطناعي، بل في جودة المعرفة التي تتدفق إليه.

لا تزال العديد من المختبرات تسجل تجاربها في شكل جداول بيانات منفصلة، وملاحظات دفترية، وصور، وملفات أجهزة. لكن بالنسبة إلى الذكاء الاصطناعي، لا تكون النتيجة مفيدة إلا إذا كانت مرتبطة بسياقها.

ما الركيزة المستخدمة؟ كيف تم تنظيفها؟ ما مستوى الرطوبة؟ أي دفعة من المواد الأولية استُخدمت؟ ما ظروف الطلاء، ومدة التجفيف، وحالة المعدات، والمتغيرات البيئية؟

من دون بيانات منظمة، قد تبدو تجربتان متطابقتين على الورق، بينما تكونان في الواقع مختلفتين تماماً.

كيف يمكننا تسريع الابتكار في مواد الواجهة

لهذا السبب، لا ينبغي أن يعني إجراء التجارب عالية الإنتاجية ببساطة تنفيذ مزيد من التجارب بسرعة أكبر. بل ينبغي أن يعني تصميم التجارب بحيث تنتج كل تجربة معرفة قابلة لإعادة الاستخدام. ويجب أن يدمج مختبر المواد في المستقبل الجزيئات، والمعدات، وبيانات العمليات، ونتائج الأداء في نظام تعلم واحد.

ويتجلى نظام التعلم ذي الحلقة المغلقة هذا في منصة Pheno لاكتشاف المواد بمساعدة الذكاء الاصطناعي، حيث يتم الجمع بين التجارب عالية الإنتاجية، والتصميم الجزيئي المدعوم بالذكاء الاصطناعي، والبيانات التجريبية المنظمة، ضمن حلقة تغذية راجعة مستمرة.

يمكن اقتراح الجزيئات المرشحة، أو تخليقها، أو اختيارها، ثم اختبارها عبر ركائز وظروف معالجة ذات صلة، وبعد ذلك تقييمها من خلال بيانات الأداء والموثوقية.

وتساعد كل نتيجة على تحسين الجولة التالية من التصميم، مما يسمح باكتشاف مواد الواجهة وتحسينها بسرعة أكبر بكثير من الطرق التقليدية القائمة على التجربة والخطأ.

ومن خلال ربط التصميم والتجريب والتغذية الراجعة في دورة تعلم واحدة، يمكن لهذا النظام أن يختصر اكتشاف المواد من عملية كانت تتطلب في السابق سنوات من البحث إلى بضعة أشهر فقط.