5 إنجازات للذكاء الاصطناعي تُحوّل اكتشاف المواد اليوم

الذكاء الاصطناعي (AI) يواصل تحويل العالم وإعادة تشكيل مستقبل البشرية.

تُحدث التقنية تغييرات في جميع القطاعات تقريبًا من خلال أداء مهام عادةً ما تتطلب الذكاء البشري. تستخدم أنظمة الذكاء الاصطناعي كميات هائلة من البيانات لتحديد الأنماط واتخاذ القرارات. 

بهذه الطريقة، يستطيع الذكاء الاصطناعي محاكاة مستويات معينة من التفكير والعمليات المعرفية الشبيهة بالبشر.

وفقًا لـ تقرير التجارة العالمية، يمكن لمكاسب الإنتاجية وفوائد التكلفة التي يحققها الذكاء الاصطناعي أن تعزز الناتج المحلي الإجمالي العالمي بنسبة 12-13٪ بحلول عام 2040.

من خلال تقليص الفجوة في البنية التحتية الرقمية مع الاقتصادات ذات الدخل المرتفع بنسبة 50٪ وتبني الذكاء الاصطناعي على نطاق أوسع، يمكن للاقتصادات ذات الدخل المنخفض والمتوسط أن تشهد زيادة تصل إلى 15٪ في دخلها.

إلى جانب مساعدة الدول على تعزيز إنتاجيتها وتجارةها وموقعها الاقتصادي، يمكن للذكاء الاصطناعي أن يساعد المجتمع من خلال دفع الابتكارات عبر الصناعات. أحد الطرق التي تُحدث بها التقنية ذلك حاليًا هو عبر اكتشاف المواد. 

وعد الذكاء الاصطناعي في اكتشاف المواد

كان اكتشاف المواد دائمًا مفتاح الابتكار. منذ قرون عديدة، أدى خلط النحاس والقصدير إلى عصر البرونز، عندما تحولت الأدوات والأسلحة الأقوى إلى تجارٍ ومجتمعات.

ثم جاء عصر الحديد، عندما أعاد إتقان الحديد تشكيل الاقتصادات. ومع تقدمنا إلى القرن التاسع عشر، انتشرت الفولاذ على نطاق واسع. سبيكة من الحديد والكربون، كان الفولاذ العمود الفقري للسكك الحديدية، ناطحات السحاب، السفن والآلات، مما غذى الثورة الصناعية والتوسع العالمي.

في أواخر القرن العشرين، حوّل عصر السيليكون العالم من خلال اكتشاف وتحسين أشباه الموصلات التي تشكل أساس الإلكترونيات الحديثة. نحن الآن في عصر المواد المتقدمة، حيث يفتح الجرافين، وأنابيب الكربون النانوية، والمواد الكمومية أبوابًا للطاقة النظيفة، والطائرات الأخف وزنًا، والحوسبة الأسرع.

يساهم ظهور الذكاء الاصطناعي وتعلم الآلة (ML) في الابتكار في المواد، وبالتالي في مختلف الصناعات، من خلال تسريع عملية اكتشاف المواد وتصميمها وتحسينها بشكل كبير.

لهذا، يستخدم الذكاء الاصطناعي خوارزميات ونماذج لفحص قواعد بيانات ضخمة من المرشحين لتلبية احتياجات تطبيقات محددة. هنا، تُعد نماذج التعلم العميق مثل شبكات الأعصاب الرسومية (GNNs) والشبكات العصبية المتكررة (RNNs) أساسية لتحليل مجموعات البيانات المعقدة التي توجد في علم المواد.

يمكنها أيضًا تحديد المواد الموجودة ذات الخصائص المطلوبة من هذه القواعد وتوقع خصائص المواد بناءً على تركيبتها وبنيتها. 

بمساعدة الذكاء الاصطناعي، يمكن لعلم مادة أن يتجاوز طرق التجربة والخطأ التقليدية، التي تستغرق وقتًا طويلاً وتكلفتها مرتفعة.

علاوةً على ذلك، يمكن لنماذج الذكاء الاصطناعي توليد هياكل مواد جديدة مُصممة لتلبية المتطلبات المحددة. عند دمجها مع منصات تجريبية مؤتمتة، يمكن للذكاء الاصطناعي تسريع العملية الطويلة لاكتشاف المواد إلى الإنتاج.

على الرغم من هذه الفوائد، لا تزال هناك تحديات متعلقة بنقص البيانات عالية الجودة والكمية الكبيرة للمواد المحددة. إن نجاح تخليق المواد المكتشفة والمصممة حديثًا في المختبر يُعد تحديًا كبيرًا آخر.

كما أشار عالم المواد أنتوني تشيثام من جامعة كاليفورنيا في سانتا باربارا في مجلة نيتشر¹ بعد دراسة قائمة على أداة GNoME للذكاء الاصطناعي من DeepMind، شركة تابعة لألفابت (جوجل)، “إن اكتشاف مركب ما شيء، واكتشاف مادة وظيفية جديدة شيء مختلف تمامًا.”

مُشيرًا إلى عدم عمليةية العديد من المركبات التي تنبأت بها الذكاء الاصطناعي، قال تشيثام::

“وجدنا الكثير من الأشياء التي كانت سخيفة.”

هذا يُظهر الفجوة بين التنبؤ والتحقق العملي. ما يتطلبه هذا الفجوة هو الجمع بين الذكاء الاصطناعي والخبرة البشرية والعلوم التجريبية.

مع ذلك، لا يمكن تجاهل وعد الذكاء الاصطناعي في إحداث ثورة في علم المواد. نظرًا لقدرته على تسريع تطوير مواد للطاقة والرعاية الصحية والسيارات والفضاء وتطبيقات أخرى حاسمة، فإن تأثيره كبير جدًا لا يمكن إغفاله.

لذا، دعونا نلقي نظرة على بعض أبرز أمثلة تطبيق الذكاء الاصطناعي في علم المواد التي تُظهر إمكاناته في دفع حدود اكتشاف المواد والابتكار. 

اسحب للتمرير →

1. خلايا شمسية من البيروفسكايت: مواد ومعالجة محسّنة بالذكاء الاصطناعي

أحد أكثر الحلول وعدًا لتحقيق الطاقة المستدامة هو الطاقة الشمسية، وتزداد تبنيها بسرعة. في عام 2024، سجل العالم تركيب رقم قياسي ~600 جيجاواط من الطاقة الشمسية, ارتفاعًا 33٪ عن 2023. من المتوقع أن يصل هذا إلى ~1 تيراواط سنويًا بحلول نهاية العقد.

يخلق الطلب المتزايد على الطاقة الشمسية الحاجة إلى مواد أكثر كفاءة وتنوعًا وتكلفة منخفضة للخلايا الشمسية.

البيروفسكايت هو أحد هذه المواد التي تقدم بنية بلورية فريدة. يمكن الآن إعادة إنشاء المعدن الطبيعي صناعياً. من خلال خلط عناصر عضوية وغير عضوية، يخلق العلماء بيروفسكايت صناعي يتمتع بخصائص امتصاص ضوئي ملحوظة، مما يجعله مناسبًا جدًا للتطبيقات الشمسية.

إلى جانب الكفاءة العالية، توفر هذه المواد مرونة وقابلية تعديل فجوة الطاقة، لكن قضايا القابلية للتوسع والاستقرار لا تزال قائمة؛ لذا يستمر البحث عن تركيبات جديدة.

لذلك، لجأ الباحثون إلى الذكاء الاصطناعي لربط أداء خلايا البيروفسكايت الشمسية (PSCs) بخصائص المواد وعمليات تحويل الطاقة منذ أكثر من عقد من الزمن . ثم استخدموا التقنية لتحسين تركيبة المادة، وتطوير استراتيجيات التصميم، وتوقع الأداء.

في عام 2019، راجع باحثون من جامعة وسط فلوريدا ما أكثر من 2,000 منشور محكم² حول البيروفسكايت لجمع أكثر من 200 نقطة بيانات، والتي تم تغذيتها إلى نظام الذكاء الاصطناعي الذي أنشأوه للحصول على أفضل تركيبة لخلايا البيروفسكايت الشمسية (PSC). في نفس العام، طور علماء في معهد ماساتشوستس للتكنولوجيا نموذجًا³ لتسريع تخليق وتحليل مركبات جديدة بمقدار عشرة أضعاف واكتشفوا بيروفسكايتين خاليتين من الرصاص تستحقان مزيدًا من البحث.

في عام 2022، أفاد باحثون من معهد ماساتشوستس للتكنولوجيا وجامعة ستانفورد بأنهم استخدموا⁴ الذكاء الاصطناعي لتوسيع نطاق تصنيع الخلايا الشمسية المتقدمة.

لتحقيق ذلك، تم إنشاء نظام، تم تطويره لعدة سنوات، لدمج البيانات من التجارب السابقة بالإضافة إلى المعلومات المستقاة من ملاحظات العاملين ذوي الخبرة. هذا الدمج جعل النتائج أكثر دقة وأدى إلى تصنيع خلايا بيروفسكايت بكفاءة تحويل طاقة تبلغ 18.5٪.

هذا يختلف عن معظم أنظمة التعلم الآلي، التي تستخدم البيانات الخام في المقام الأول وعادةً لا تدمج الخبرة البشرية. لتضمين معلومات خارجية في نموذجهم، استخدموا عامل احتمالي قائم على التحسين البايزي، مما مكنهم من “اكتشاف اتجاهات لم نتمكن من رؤيتها من قبل.”

اكتشاف تقنية بيروفسكايت الشمسية المتقدمة بمساعدة الذكاء الاصطناعي مستمر ويكتسب سرعة لزيادة كفاءة الخلايا الشمسية (PSC). في إحدى الدراسات⁵، ارتفعت الكفاءة إلى 26.2٪ مع توفير “كمية هائلة من الوقت والموارد”.

⬆ عودة إلى الجدول

2. محفزات إلكتروليتية للهدروجين مكتشفة بالذكاء الاصطناعي

بديل واعد للوقود الأحفوري غير المتجدد الذي يُعزى إلى مسؤول عن كميات هائلة من انبعاثات الغازات الدفيئة (GHG) هو الهيدروجين. أكثر العناصر وفرة في الكون، الهيدروجين، ظهر كمصدر طاقة نظيف ومتجدد.

مع ذلك، فإن إنتاج الهيدروجين بكفاءة لتلبية الطلب التجاري الضخم يُعد تحديًا جديًا. هنا، يقدم التحليل الكهربائي لتقسيم الماء مسارًا واعدًا، حيث يلعب التحفيز الكهربائي دورًا حيويًا. هذا يجعل تطوير محفزات كهربائية منخفضة التكلفة، نشطة، ومستقرة شرطًا أساسيًا للحصول على إنتاج هيدروجين كهربائي مرغوب من خلال التحليل الكهربائي للماء.

تُسرّع المحفزات الكهربائية إنتاج الهيدروجين عن طريق خفض الطاقة المطلوبة لتقسيم الماء باستخدام معادن ثمينة مكلفة مثل البلاتين أو بدائل أكثر تكلفة مثل النيكل، الكوبالت، الجرافين، MXenes، وغيرها.

بالإضافة إلى خصائص المادة وتكلفتها، يُختار محفز معين بناءً على ما إذا كان التفاعل حمضيًا، قاعديًا، أو يعمل في درجات حرارة مرتفعة. 

ومع ذلك، إن استخدام طريقة التجربة والخطأ التقليدية للبحث عن مواد مناسبة موجودة وجديدة لتحسين التفاعلات يستغرق وقتًا طويلاً ومكلفًا، لذا يُستَخدم الذكاء الاصطناعي⁶ لتجاوز قيود الأساليب التقليدية، واكتشاف مرشحين جدد، وتحسين المنتجات المعروفة.

أفادت دراسة حديثة بأن الذكاء الاصطناعي المصفى بالانتروبي، المدرب على مجموعة بيانات DoE، فحص 16.2 مليون تركيبة كيميائية لتحديد Fe12Co28Ni33Mo17Pd5Pt5 كأفضل تركيبة لتقسيم الماء.⁷ تُظهر السبيكة جهودًا فائقة منخفضة لكل من التفاعلات التحفيزية الأساسية، HER و OER، مع استقرار قوي.

في الوقت نفسه، قبل بضع سنوات، ساهم مختبر جوجل للذكاء الاصطناعي DeepMind في إضافة 380,000 مركب جديد إلى مشروع المواد، وهو منصة تدعم العديد من عمليات البحث عن المحفزات والتجارب الذاتية. 

اُستخدمت قاعدة البيانات المفتوحة التي أسسها مختبر بيركلي التابع لوزارة الطاقة من قبل الباحثين لتأكيد خصائص مفيدة في مواد جديدة تُظهر إمكانات للاستخدام في احتجاز الكربون وكمحفزات ضوئية، ومواد حرارية، وموصلات شفافة.

تتضمن قاعدة البيانات كيفية ترتيب ذرات المادة ومدى استقرارها. تم تدريب GNoME باستخدام البيانات وسير العمل التي طُورت من قبل المشروع ثم تحسينه من خلال التعلم النشط.

باستخدام الحسابات من GNoME الخاص بـ DeepMind إلى جانب بيانات مشروع المواد، اختبر الباحثون مختبر A‑Lab في بيركلي، حيث يوجه الذكاء الاصطناعي الروبوتات لصنع مواد جديدة. نجح A‑Lab في إنتاج⁸ 41 مركبًا جديدًا.

⬆ عودة إلى الجدول

3. مواد فائقة الصلابة: اكتشاف موجه بالـML يتجاوز الألماس

تتطلب صناعات مثل العسكرية، والفضاء، وإنتاج الطاقة مواد فائقة الصلابة، وهي صلبات لا يمكن ضغطها تقريبًا. تتجاوز قيمة صلابة هذه المواد 40 جيجا باسكال على مقياس فيكرز، وتتمتع بارتفاع التساهمية الكربونية وكثافة إلكترونية عالية.

الألماس هو أصعب مادة معروفة حتى الآن، حيث تتراوح قيمة صلابته بين 70-150 جيجا باسكال. وهذا يعني أنه يلزم ضغط يتجاوز هذا النطاق (70-150 جيجا باسكال) لترك انطباع على سطح الألماس. نتيجةً لذلك، يُستخدم في أدوات القطع، والمواد الكاشطة، والطلاءات المقاومة للتآكل، ولإنشاء تجارب ضغط عالية.

هذه الأحجار الكريمة، التي هي شكل صلب لعنصر الكربون مع ذراته المرتبة في بنية بلورية مكعبة ماسية، تُستَخدم أيضًا من قبل العلماء للعثور على مواد مناسبة جديدة. لكن الذكاء الاصطناعي غير ذلك.

على مر السنين، وجد عدة باحثين مراحل جديدة فائقة الصلابة⁹، حيث أبلغ أحدهم عن¹⁰ BC10N، B4C5N3، وB2C3N التي تُظهر طوريات مستقرة ديناميكياً ذات قيم صلابة > 40 جيجا باسكال.

في عام 2020، استخدم باحثون من جامعة هيوستن وكلية مانهاتن نموذجًا تعلميًا آليًا¹¹ لتوقع صلابة مواد جديدة بدقة، مما مكنهم من العثور على مركبات مناسبة بسرعة أكبر.

كمية الضغط العالي المطلوبة لترك أي علامة على سطح المادة تجعلها نادرة، و”تحديد مواد جديدة أمر صعب”. وهذا هو السبب بالضبط، “فالمواد مثل الألماس الصناعي ما زالت تُستَخدم رغم صعوبة تكلفتها وصعوبة تصنيعها”، قال المؤلف المشارك جاكوا برغوتش، أستاذ الكيمياء في جامعة هيوستن.

عامل معقّد هنا هو اعتماد الصلابة على الحمل، مما يعني أن صلابة المادة قد تختلف حسب مقدار الضغط المطبق. هذا يجعل اختبار المادة تجريبيًا معقدًا. حتى استخدام النمذجة الحاسوبية يكاد يكون مستحيلًا، لذا أنشأ الباحثون نموذجًا يتغلب على هذه الصعوبة من خلال توقع صلابة فيكرز المعتمدة على الحمل بناءً على التركيب الكيميائي للمادة فقط.

كان الخوارزم يعتمد على قاعدة بيانات شملت 560 مركبًا مختلفًا تطلبت مراجعة مئات الأوراق الأكاديمية. “جميع مشاريع التعلم الآلي الجيدة تبدأ بقاعدة بيانات جيدة”، قال برغوتش. “النجاح الحقيقي يكمن إلى حد كبير في تطوير هذه القاعدة.”

وبالتالي، وجدوا أكثر من 10 طوريات بوروكربيد مستقرة، ومع دقة النموذج التي بلغت 97٪، يشعرون بالتفاؤل بشأن تحقيق النجاح في المختبر.

الذكاء الاصطناعي ليس خالٍ من قيوده، كما أشار برغوتش، “فكرة استخدام التعلم الآلي ليست القول، ‘هذه هي المادة العظيمة التالية’، بل مساعدة توجيه بحثنا التجريبي.” ما يفعله التقنية هو “إخبارك أين يجب أن تبحث”.

⬆ عودة إلى الجدول

4. عوازل بوليمرية: مواد تخزين طاقة مسرّعة بالذكاء الاصطناعي

مكوّن أساسي لتخزين الطاقة الحديثة هو العوازل، وهي مواد غير موصلة مثل الهواء، والزجاج، والبلاستيك. 

اختيار مادة العازل هو ما يحدد كثافة الطاقة للمكثفات، وتُستَخدم العوازل البوليمرية على نطاق واسع لتخزين الطاقة بسبب تكلفتها المنخفضة، ومرونتها الميكانيكية، وموثوقيتها، وسرعة تفريغها، وسهولة معالجتها. لكن مرة أخرى، كثافتها الطاقية المنخفضة تُعد مشكلة.

وبالتالي، يواصل الباحثون البحث عن تحسين الأداء من خلال تطوير عوازل بوليمرية جديدة لزيادة سعتها التخزينية لتطبيقات أنظمة الطاقة، والإلكترونيات، والمركبات الكهربائية (EVs).

حقق الذكاء الاصطناعي تقدمًا مذهلًا في مواد البوليمر. على سبيل المثال، قبل بضعة أشهر فقط، تعاون باحثون في معهد ماساتشوستس للتكنولوجيا وجامعة ديوك لإنشاء بوليمرات أكثر متانة¹² من خلال دمج جزيئات ربط استجابة للضغط تم تحديدها بالذكاء الاصطناعي. كما بنى باحثو MIT أيضًا نظامًا¹³ يكتشف، ويخلط، ويختبر ما يصل إلى 700 مزيج بوليمري جديد يوميًا لتطبيقات مثل إلكتروليتات البطاريات، وتثبيت البروتينات، أو مواد توصيل الأدوية.

تصميم مزيجات بوليمرية جديدة يطرح مشكلة عدد لا نهائي تقريبًا من البوليمرات الممكنة للبدء بها، ومتى يتم اختيار عدد قليل منها للخلط، ثم يجب اختيار تركيبة كل بوليمر، بالإضافة إلى تركيز البوليمرات في المزيج.

“يتطلب هذا النطاق الواسع من التصميم حلولًا خوارزمية وتدفقات عمل عالية الإنتاجية لأنك ببساطة لا تستطيع اختبار جميع التركيبات بالقوة الغاشمة.”

– المؤلف الرئيسي للورقة، كونور كولي

قدّم نظام الذكاء الاصطناعي الخاص بهم مزيجات مثالية، حيث كان أفضلها يُظهر أداءً أعلى بنسبة 18٪ مقارنةً بمكوّناته الفردية.

نظرًا للفعالية التي يوفرها الذكاء الاصطناعي في تقديم خيارات بوليمرية ومزيجات جديدة، من المنطقي تطبيق التقنية¹⁴ لتحديد عوازل بوليمرية أفضل¹⁵.

قام فريق من الباحثين بذلك واكتشف عوازل¹⁶ ذات كثافة طاقة تصل إلى 11 مرة أعلى من البدائل التجارية عند درجات حرارة مرتفعة.

تم تطوير الخوارزمية المبتكرة لتوقع خصائص وصيغ البوليمرات قبل إنشائها فعليًا. لهذا، عرّفوا أولاً المتطلبات المحددة ثم درّبوا نماذج التعلم الآلي على بيانات “الخصائص-المادية” الموجودة لتوقع النتائج المطلوبة.

إلى جانب الذكاء الاصطناعي، استخدم الباحثون كيمياء بوليمرية راسخة وهندسة جزيئية لاكتشاف مجموعة من العوازل في عائلتي البولينوربنين والبوليميد، حيث أظهرت العديد من العوازل المكتشفة كثافة طاقة عالية وثبات حراري عالي على مدى نطاق واسع من درجات الحرارة. 

لكن واحدة على وجه الخصوص أظهرت كثافة طاقة قدرها 8.3 J cc⁻¹ عند 200 °C، وهو ما هو أعلى بكثير من العازل البوليمري المتاح تجاريًا.

“في الأيام الأولى للذكاء الاصطناعي في علم المواد، المدعوم بمبادرة البيت الأبيض للجنوم المادي قبل أكثر من عقد من الزمن، كان البحث في هذا المجال مدفوعًا بالفضول إلى حد كبير. فقط في السنوات الأخيرة بدأنا نرى قصص نجاح ملموسة في الواقع، حيث يسرّع الذكاء الاصطناعي اكتشاف البوليمرات.” قال المؤلف المشارك رامبي رامبرساد، أستاذ في معهد جورجيا للتكنولوجيا. “هذه النجاحات الآن تُلهم تحولات كبيرة في مشهد البحث والتطوير الصناعي للمواد.”

⬆ عودة إلى الجدول

5. إلكتروليتات صلبة الحالة: الذكاء الاصطناعي لبطاريات أكثر أمانًا وكثافة أعلى

بدافع من الاعتماد المتزايد على الأجهزة المحمولة والمركبات الكهربائية والطلب المتصاعد على حلول تخزين الطاقة المتجددة، يتقدم سوق البطاريات العالمي بسرعة¹⁷. نظرًا للدور المهم الذي تلعبه البطاريات في العالم الحديث، يسعى العلماء باستمرار إلى تطوير تكنولوجيا بطاريات أكثر كفاءة وأمانًا.

بينما تُستخدم بطاريات الليثيوم‑آيون على نطاق واسع اليوم، فإن لها عمرًا محدودًا ومخاطر أمان، والتي تم معالجتها بواسطة بطاريات الحالة الصلبة (SSBs). 

تستبدل هذه البطاريات الإلكتروليتات السائلة بإلكتروليتات صلبة الحالة لتقليل خطر الاشتعال عند درجات حرارة مرتفعة مع تمكين كثافة طاقة أعلى وتحسين المتانة، مما يخلق بطاريات أكثر أمانًا وقوة.

لكن هذه البطاريات ذات الإلكتروليتات الصلبة تواجه تحدياتها الخاصة، مثل انخفاض التوصيل الأيوني، توافق واجهة القطب، الاستقرار الميكانيكي والكيميائي، وتكلفة التصنيع الفعّالة. لذا، يستكشف الباحثون موادًا يمكنها التغلب على هذه المشكلات عبر الذكاء الاصطناعي.

على عكس المجالات الأخرى التي ناقشناها اليوم، تُعد البطاريات أحد أكثر المجالات حرارةً حيث تطبيق الذكاء الاصطناعي¹⁸ انفجر بفضل مشاركة صانعي السيارات الرائدين والشركات الناشئة التي تستثمر أموالًا في أبحاث بطاريات الحالة الصلبة. إلى جانب مخاطر الأمان، جمعت الصناعة أيضًا قواعد بيانات ضخمة، غنية بما يكفي لتدريب نماذج التعلم الآلي.

حتى الحكومات أدرجت بطاريات الحالة الصلبة كأولوية استراتيجية لضمان سلاسل الإمداد المحلية وتحقيق أهداف الطاقة والمناخ الوطنية.

لذلك، هناك حالات متعددة حيث ساعد الذكاء الاصطناعي الباحثين والشركات¹⁹ على اكتشاف إلكتروليتات صلبة جديدة.

في العام الماضي، استخدم باحثو مايكروسوفت الذكاء الاصطناعي إلى جانب الحواسيب الفائقة لتصفية 32 مليون مادة غير عضوية محتملة لـ العثور على 18 مرشحًا واعدًا²⁰ في غضون أيام قليلة. المادة الجديدة، N2116، هي إلكتروليت صلب يمكنه تقليل استخدام الليثيوم في البطاريات بنسبة 70٪ وقد تم اختبارها لتشغيل مصباح.

في الوقت نفسه، حددت أداة DeepMind للذكاء الاصطناعي GNoME 528 موصلًا ليثيوم‑آيون واعدًا²¹، قد تساعد بعضها في جعل البطاريات أكثر كفاءة. 

ثم هناك LBS²² (Li8B10S19) من باحثي ستانفورد، الذين وصفوه “أكثر إلكتروليت ليثيوم‑آيون ثابت قائم على الكبريت رأيناه تجريبيًا حتى الآن”. قام الباحثون أولاً بتحديد²³ الإلكتروليتات الصلبة التي قد تحل محل الإلكتروليتات السائلة القابلة للاشتعال في بطاريات الليثيوم‑آيون عبر الذكاء الاصطناعي قبل نحو عقد من الزمن.

⬆ عودة إلى الجدول

الخاتمة

تُظهر هذه الأمثلة أن الذكاء الاصطناعي يمكنه تسريع عملية اكتشاف مواد جديدة. التحدي الآن هو تحويل تنبؤات الحاسوب إلى نتائج واقعية، مما يعني الجمع بين الذكاء الاصطناعي والباحثين ذوي الخبرة والبيانات الموثوقة.

اسحب للتمرير →

ما نراه الآن هو الأيام الأولى. تدفعنا هذه الاكتشافات نحو طاقة أنظف، وتكنولوجيا أكثر أمانًا، ومواد أقوى، وصناعات لا تستنزف كوكبنا. الذكاء الاصطناعي يغيّر طريقة قيامنا بعلم المواد، وهذا مهم لما سيأتي لاحقًا.

انقر هنا لتتعرف على كل ما يتعلق بالاستثمار في الذكاء الاصطناعي.

المراجع

1. Peplow, M. (2025). AI is dreaming up millions of new materials. Are they any good? Nature, 646, 22–25. نُشر في 1 أكتوبر 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (2019, December 16). Artificial intelligence may help scientists make spray-on solar cells. ScienceDaily. نُشر في 16  ديسمبر 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). High-efficiency perovskite solar cells via single-source vapor deposition. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Machine learning with knowledge constraints for process optimization of open-air perovskite solar cell manufacturing. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez-Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells. Science, 386(6727), 1256-1264. نُشر في 13 ديسمبر 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Unlocking the potential: machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation. Chemical Society Reviews, 53, 11390–11461. نُشر في 9 أكتوبر 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). AI-driven design of multiprincipal element alloys for optimal water splitting. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. نُشر في 15 يوليو 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624, 86–91. نُشر في 29 نوفمبر 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Predicting superhard materials via a machine learning informed evolutionary structure search. npj Computational Materials, 5, 89. نُشر في 03 سبتمبر 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Machine learning and evolutionary prediction of superhard B-C-N compounds. npj Computational Materials, 7, 114. نُشر في 21 يوليو 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Finding the Next Superhard Material through Ensemble Learning. Advanced Materials, 33(5), e2005112. نُشر في 4 ديسمبر 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, August 5). AI helps chemists develop tougher plastics. MIT News. Retrieved 5 أغسطس 2025, from https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (2025, July 28). New system dramatically speeds the search for polymer materials. MIT News. Retrieved 5 أغسطس 2025, from https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, D. Q. (2020). The search for enhanced dielectric strength of polymer-based dielectrics: A focused review on polymer nanocomposites. Journal of Applied Polymer Science, 137, e49379. نُشر في 5 أبريل 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). High Dielectric Design of Polymer Composites by Using Artificial Neural Network. Applied Sciences, 12, 12592. نُشر في 25 ديسمبر 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). AI-assisted discovery of high-temperature dielectrics for energy storage. Nature Communications, 15(1), 6107. نُشر في 19 يوليو 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). The battery industry has entered a new phase. IEA Commentary. نُشر في 5 مارس 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Speeding up the development of solid state electrolyte by machine learning. Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). Artificial Intelligence Empowers Solid-State Batteries for Material Screening and Performance Evaluation. Nano-Micro Letters, 17, 287. نُشر في 6 يونيو 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMind’s Gnome is pushing AI into materials science. Time Magazine. نُشر في 6 يونيو 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). How AI and HPC are speeding up scientific discovery. Microsoft Source – Innovation Features. نُشر في 29 أكتوبر 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22. Ma, Y., Wan, J., Xu, X., … (2023). Experimental discovery of a fast and stable lithium thioborate solid electrolyte, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). No burning batteries: Stanford scientists turn to AI to create safer lithium-ion batteries. Stanford News. نُشر في 12 ديسمبر 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries