الذكاء الاصطناعي يسرّع البحث عن مواد تبريد مستدامة من الجيل التالي

في عالم المواد، تُعد النانوفوتونيات الحرارية أمرًا حيويًا لتمكين الاختراقات الأساسية عبر التطبيقات التكنولوجية.

تجمع النانوفوتونيات الحرارية بين النانوفوتونيات والعلوم الحرارية للتلاعب والتحكم في انتقال الحرارة على المستوى النانوي. تستخدم الهياكل والمواد النانوية لتخصيص الإشعاع الحراري وتدفق الحرارة، مما يؤدي إلى تقدم في تطبيقات متعددة، بما في ذلك جمع الطاقة، وإدارة الحرارة، والاستشعار.

تتعامل النانوفوتونيات مع سلوك الضوء على مقياس النانومتر. وفي الوقت نفسه، توفر المواد النانوية الضوئية تحكمًا طيفيًا واتجاهيًا في الانبعاث الحراري.

تُعوق الطريقة التقليدية للعثور على هذه المواد نهج التجربة والخطأ، لكن ظهور التعلم الآلي (ML) والذكاء الاصطناعي (AI) قد أحدث ثورة في مجال علوم المواد من خلال تسريع عمليات اكتشاف المواد وتصميمها وتحسينها بشكل كبير.

على الرغم من أن التقنية أظهرت قدراتها القوية في تصميم المواد النانوية الضوئية والمواد الميتا، إلا أن تطوير منهجية تصميم عامة لتخصيص مُشعّات نانوية ضوئية عالية الأداء مع تحكم فائق النطاق وتحديد نطاق دقيق يُعد تحديًا.

ويرجع ذلك إلى القيود المفروضة من قبل الخوارزميات التقليدية، وفخاخ التحسين المحلي، والهياكل والمواد المحددة مسبقًا.

ومع ذلك، يتم الآن معالجة ذلك من قبل العلماء في جامعة تكساس في أوستن، الذين تعاونوا مع باحثين من جامعة أومي في السويد، والجامعة الوطنية في سنغافورة، وجامعة شنغهاي جياوتونغ.

معًا، قاموا بتصميم تقنية تعلم آلي¹ لتصميم مُشعّات ميتا حرارية ثلاثية الأبعاد معقدة.

المُشعّات الميتا هي مواد مُهندسة صُممت للتحكم وتعديل الإشعاع الكهرومغناطيسي، وتوفر تطبيقات في كفاءة الطاقة وإدارة الحرارة.

“يمثل إطار عمل التعلم الآلي لدينا قفزة كبيرة إلى الأمام في تصميم المُشعّات الميتا الحرارية. من خلال أتمتة العملية وتوسيع مساحة التصميم، يمكننا إنشاء مواد ذات أداء فائق كان من المستحيل تخيله سابقًا.”

– يوبينغ تشنغ، قائد مشارك في الدراسة، أستاذ في كلية كوكريل للهندسة، قسم ووكر للميكانيكا

المواد المدعومة بالذكاء الاصطناعي لتصميم حضري مقاوم للمناخ

نُشرت الدراسة في مجلة Nature، وتفصل الإطار القائم على التعلم الآلي الذي ساعد في تصميم مواد يمكنها خفض درجات الحرارة داخل المباني، وبالتالي تقليل تكاليف الطاقة.

باستخدام إطارهم، تمكن العلماء فعليًا من توليد أكثر من 1,500 مادة جديدة يمكنها انبعاث الحرارة بشكل انتقائي ومتحكم فيه. كما يمكنها تقديم دقة أعلى في التدفئة والتبريد لتحقيق كفاءة طاقة محسنة.

يمكن لإطارهم تصميم مُشعّات ميتا حرارية فائقة النطاق وتحديد النطاق من خلال تحسين عدة معلمات ببيانات محدودة تغطي تنوع المواد وتعقيد البنية ثلاثية الأبعاد.

وفقًا للدراسة، تمكّن هندستهم من قدرات تصميم مزدوجة. أولاً، تُؤتمت عملية التصميم العكسي لعدد كبير من الميتا‑هياكل المحتملة وتوليفات المواد لتخصيص الطيف. ثانيًا، تمتلك “قدرة غير مسبوقة” على تصميم مُشعّات ميتا ثلاثية الأبعاد مختلفة عبر تطبيق طريقة نمذجة ثلاثية المستويات التي تتجاوز قيود الهياكل التقليدية المسطحة ثنائية الأبعاد.

في دراستهم، يقدم الفريق سبعة مُشعّات ميتا تجريبية تُظهر أداءً فائقًا في التبريد البصري والإشعاعي، متفوقة على التصاميم المتقدمة الحالية. تم تخصيص الفئات السبع للمُشعّات الميتا لتؤدي وظائف محددة.

الإطار القابل للتعميم الذي تم تطويره يهدف إلى تصنيع مواد نانوية فوتونية ثلاثية الأبعاد، وقد أشار الباحثون إلى أنه “يسهّل التحسين الشامل من خلال توسيع الحرية الهندسية والأبعاد وقاعدة بيانات شاملة للمواد.”

الآن، لتقييم جدوى نظام التصميم الخاص بهم، قام الباحثون بإنتاج أربعة مواد عينة ثم اختبروا أدائها.

تم تطبيق أحد مواد المُشعّات الميتا على سقف منزل نموذجي. لتحليل قدرته على التبريد، قُورنت المادة مع الدهانات البيضاء والرمادية التجارية القياسية. ما لاحظه الباحثون بعد تعرض السقف لأربع ساعات من أشعة الشمس المباشرة في منتصف النهار هو أن المادة الجديدة كانت، في المتوسط، أبرد بمقدار 5 إلى 20 درجة مئوية مقارنةً بالدهانات التقليدية.

استنادًا إلى ذلك، يقدّر الفريق أن مادته ستوفر تقريبًا 15,800 كيلواط‑ساعة (kWh) سنويًا في تكاليف التبريد لمبنى سكني في مدينة حارة مثل بانكوك. عادةً ما يستهلك وحدة تكييف قياسية حوالي 1,500 kWh سنويًا.

وبالتالي، يمكن استخدام المواد التي أنشأها الفريق لتوفير الطاقة في السكن والتجارة. في المدن، يمكنها المساعدة في خفض درجات الحرارة عن طريق عكس ضوء الشمس وإطلاق الحرارة عند أطوال موجية مستهدفة. بهذه الطريقة، قد تقلل المادة من ظاهرة جزيرة الحرارة الحضرية الناتجة عن نقص الخضرة والكثافة الخرسانية.

لكن هذا ليس الحد الأقصى لاستخدامها. يمكن أيضًا استخدام المادة في التطبيقات الفضائية، حيث تدير بفعالية الإشعاع الشمسي الوارد والحرارة المنبعثة، مما يساعد على تنظيم درجات حرارة المركبة الفضائية.

تمتد حالات استخدام المُشعّات الميتا الحرارية إلى ما هو أبعد من ذلك. على سبيل المثال، من خلال دمجها في الأقمشة والملابس، يمكننا تحسين تقنية التبريد في الملابس والمعدات الخارجية.

السيارات هي مثال آخر. من خلال تغليف السيارات بالمُشعّات الميتا الحرارية وإدماجها في المواد الداخلية، يمكن تقليل الحرارة التي تتراكم عندما تقف السيارات تحت الشمس.

على الرغم من مزاياها العديدة، لم تتمكن هذه المواد من الحصول على تبني واسع النطاق بسبب عملية التصميم المتعبة، وحتى الخيارات المؤتمتة واجهت صعوبة في التعامل مع هياكلها الهرمية ثلاثية الأبعاد المعقدة. لكن كل ذلك يمكن أن يتغير أخيرًا مع أحدث إطار عمل للذكاء الاصطناعي.

“تقليديًا، كان تصميم هذه المواد بطيئًا ومجهدًا، يعتمد على أساليب التجربة والخطأ. غالبًا ما يؤدي هذا النهج إلى تصاميم دون المستوى المثالي ويقيد القدرة على إنشاء مواد بالخصائص اللازمة لتكون فعّالة.”

– تشنغ

لذلك، سيستمر الباحثون في العمل على تقنيتهم، وتحسينها وتطبيقها على جوانب إضافية من النانوفوتونيات.

“قد لا يكون التعلم الآلي هو الحل لكل شيء، لكن المتطلبات الطيفية الفريدة لإدارة الحرارة تجعل منه مناسبًا بشكل خاص لتصميم مُشعّات حرارية عالية الأداء.”

– المؤلف المشارك كان ياو

كيف يسرّع الذكاء الاصطناعي اكتشاف مواد جديدة

مع التركيز على بنية المواد وخصائصها ومعالجتها وأدائها، تُشكل علوم المواد الأساس لكل شيء من الفضاء الجوي والإلكترونيات والطاقة إلى الطب والعديد من المجالات الأخرى. 

في الواقع، كان اكتشاف وتطوير مواد جديدة أمرًا حاسمًا في تشكيل تاريخ البشرية لقرون، وتقدم التكنولوجيا.

لعدة عقود، اعتمدنا على نهج التجربة والخطأ للعثور على مواد غير عضوية جديدة ذات خصائص ملائمة. هذا النهج مستهلك للموارد بشكل هائل، ويتطلب مئات الآلاف من ساعات التجارب لتحديد ثم تصنيع عدد قليل من المواد المحتملة.

إن تعقيد المواد على المستوى الجزيئي والذري هو ما يجعل اكتشاف مواد جديدة عملية طويلة ومكلفة. لذا، غيرت توفر الحواسيب الفائقة علوم المواد من خلال السماح بمحاكاة سلوك المواد.

والآن، أدى وصول الذكاء الاصطناعي إلى ثورة في المجال من خلال تسريع النهج الحاسوبي لعلوم المواد. من خلال توفير الخصائص المطلوبة للمادة بالإضافة إلى القيود، يمكن لأنظمة الذكاء الاصطناعي التوليدية الآن إنشاء مواد جديدة تمامًا.

في النهاية، النماذج المتقدمة اليوم، المدربة على مجموعات بيانات ضخمة، عند دمجها مع الحوسبة عالية الإنتاجية، قادرة على فحص المرشحين للمواد بسرعة وفقًا للمعايير المطلوبة، وبالتالي توقع خصائص العديد من المواد في وقت قصير جدًا.

ليس فقط أن الذكاء الاصطناعي يمكنه توفير وقت تطوير كبير وموارد بشرية ومادية، بل يمكنه أيضًا القيام بذلك مع تلبية متطلبات السوق المعقدة والمتنوعة بدقة.

كما قالت كريستين بيرسون، أستاذة علوم المواد في جامعة كاليفورنيا، بيركلي، أشارت إلى أننا نعيش حاليًا في نموذج يُقَدِّم فيه العلم البيانات الضخمة والذكاء الاصطناعي. اليوم، لدينا ما يكفي من البيانات لتدريب خوارزميات التعلم الآلي، و“هذا يجلب مستوى جديدًا تمامًا من السرعة في الابتكار”، كما قالت.

ومن المثير للاهتمام، يستفيد الذكاء الاصطناعي أيضًا من اكتشاف مواد جديدة. فالذكاء الاصطناعي يستهلك كميات هائلة من البيانات، ومجال علوم المواد يفتقر إلى البيانات. باستخدام هذه التقنية، يمكن محاكاة خصائص المواد، واستخدام البيانات الناتجة لتدريب نماذج التعلم الآلي.

تقود بيرسون حاليًا الجهد متعدد المؤسسات والمتعدد الجنسيات المسمى “مشروع المواد”، الذي يستخدم الحوسبة الفائقة والطرق المتقدمة لحساب خصائص جميع المواد غير العضوية المعروفة وما بعدها. تُتاح البيانات مجانًا لتصميم مواد جديدة.

انقر هنا لتعرف عن بلاط الأسطح التكيفية الذي يمكن أن يساعد في تقليل استهلاك طاقة التدفئة/التبريد.

الإنجازات في اكتشاف المواد المدفوعة بالذكاء الاصطناعي

قدم الباحثون من كلية الهندسة بجامعة تورنتو أداة جديدة² مؤخراً تتنبأ بكيفية أفضل استخدام لمادة جديدة لتقليل الفجوة بين اكتشاف المادة وتطبيقها.

تستخدم أداة الذكاء الاصطناعي متعددة الأنماط بيانات المراحل المبكرة لتوقع الاستخدام الواقعي المحتمل لمادة جديدة مع التركيز على فئة محددة من المواد المسامية تُسمى الأطر المعدنية العضوية (MOFs).

في العام الماضي فقط، طور الباحثون أكثر من 5,000 نوع مختلف من هذه المواد، التي تتمتع بخصائص قابلة للتعديل، وفقًا لبروفيسور سيّد محمّد موسافي من جامعة تورنتو (ChemE). وأضاف أن التحدي هو أن إطار MOF المُصمم لتطبيق معين غالبًا ما يتبين أنه يمتلك خصائص مناسبة لتطبيق مختلف تمامًا.

“في اكتشاف المواد، السؤال التقليدي هو: ‘ما هي أفضل مادة لهذا التطبيق؟’” قال موسافي. “قلبنا السؤال وسألنا: ‘ما هو أفضل تطبيق لهذه المادة الجديدة؟’ مع وجود العديد من المواد التي تُصنع كل يوم، نريد تحويل التركيز من ‘ما هي المادة التي نصنعها بعد ذلك’ إلى ‘ما هو التقييم الذي يجب أن نقوم به بعد ذلك.’”

لذا، طور طالب الدكتوراه في ChemE سارتاج خان نظام تعلم آلي متعدد الأنماط تم تدريبه على أنواع مختلفة من البيانات. كانت تعدد الأنماط مفتاحًا هنا لأنه أعطى النموذج “صورة أكثر اكتمالًا” لإجراء توقعات أكثر دقة دون الحاجة إلى ما بعد‑التصنيع.

في الوقت نفسه، استخدم الباحثون من مختبر أرغون الوطني نموذج انتشار للذكاء الاصطناعي التوليدي لإنشاء أكثر من 120,000 مرشح MOF³ في غضون نصف ساعة تقريبًا باستخدام حاسوب فائق. قلل الشبكة العصبية المعدلة عدد الـ MOFs إلى 364، والتي يُعتقد أنها ذات أداء عالٍ.

بعد بضعة أيام إضافية ومزيد من التحليل الحاسوبي، وجد الفريق 102 MOF ثابتة في مجموعة البيانات. 6 منها تمتلك سعة CO2 ضمن أعلى 5٪ من المواد في قاعدة بيانات hMOF الشهيرة.

في مثال آخر، استخدم العلماء الذكاء الاصطناعي لتصميم مواد نانوية جديدة تمامًا⁴ خفيفة كالستايروفوم وتتمتع بقوة الصلب الكربوني.

عادةً ما تكون القوة والمتانة متعارضتين في العديد من المواد، بما في ذلك المواد النانوية المُهندسة، التي تتكون من كتل بناء فائقة الصغر. عندما تتكرر هذه الكتل، تجعل المادة قوية، لكنها قد تتسبب أيضًا في تركيزات إجهاد تؤدي إلى انكسارات مفاجئة.

لإيجاد طرق أفضل لتصميم المواد النانوية، قام الباحثون بمحاكاة الأشكال المحتملة ثم تشغيلها عبر خوارزمية تعلمت من تصاميمهم لتوقع أفضل الأشكال لتوزيع الإجهادات المطبقة بشكل متساوٍ أثناء حمل وزن ثقيل.

استخدم الباحثون طابعة ثلاثية الأبعاد لإحياء هذه الأشكال ووجدوا أنها تستطيع تحمل إجهاد قدره 2.03 ميغاباسكال لكل متر مكعب لكل كيلوغرام، وهو أعلى بخمسة أضعاف من التيتانيوم.

يرى الباحثون تطبيقها المحتمل كعناصر خفيفة الوزن للغاية في تطبيقات الفضاء لتقليل استهلاك الوقود والبصمة الكربونية العالية للطيران.

وفقًا للباحث الأول بيتر سيرلز، باحث هندسة في كالتيك:

“هذه هي المرة الأولى التي يُطبق فيها التعلم الآلي لتحسين المواد ذات الهندسة النانوية، وقد صُدمنا بالتحسينات. لم يقتصر الأمر على تكرار الأشكال الناجحة من بيانات التدريب؛ بل تعلم من التغييرات التي نجحت في الأشكال وما لم تنجح، مما مكنه من توقع هياكل شبكية جديدة تمامًا.”

يُستخدم اكتشاف المواد القائم على الذكاء الاصطناعي أيضًا على نطاق واسع في التخطيط الحضري. بحث تعاوني⁵ بين جامعة بكين وجامعة الدنمارك الجنوبية طور إطارًا متقدمًا يدمج التعلم العميق مع الاستشعار عن بُعد لتحديد مواد المباني بدقة غير مسبوقة.

إلى جانب كفاءة الطاقة، يمكن للذكاء الاصطناعي رفع مستوى التخطيط الحضري من خلال المساعدة في مراقبة البيئة والحفاظ عليها، وتطوير السكن والبنية التحتية، والسلامة العامة والاستجابة للكوارث.

انقر هنا لتعرف عن توربينات الرياح بدون شفرات، التي يُشار إليها غالبًا بأنها مستقبل الطاقة النظيفة.

الاستثمار في اكتشاف المواد القائم على الذكاء الاصطناعي

إذا نظرنا إلى إمكانات الاستثمار في الذكاء الاصطناعي، فإنها هائلة، حيث من المتوقع أن تصل قيمة السوق إلى تريليونات في السنوات القادمة. عندما يتعلق الأمر بالشركات الرائدة في هذا التقدم التكنولوجي، خاصة في علوم المواد، يبرز اسمان: مايكروسوفت وGoogle (Alphabet Inc.)، اللذان أطلقا نماذجهما الخاصة لتعزيز نطاق ودقة أبحاث المواد. ومع ذلك، لأغراض هذه المقالة، سنركز على Alphabet Inc.

Alphabet Inc. (GOOG )

في أواخر عام 2023، أطلقت DeepMind التابعة لـ Google أداة ذكاء اصطناعي تُدعى Graph Networks for Materials Exploration (Gnome) لتسريع عملية اكتشاف المواد. في ذلك الوقت، أُبلغ⁶ عن اكتشاف 2.2 مليون بلورة جديدة بمساعدة أداة التعلم العميق.

وأشارت Google إلى أن ذلك “يعادل ما يقارب 800 سنة من المعرفة ويظهر نطاقًا غير مسبوق ومستوىً عاليًا من الدقة في التنبؤات.” شملت البلورات المكتشفة حديثًا 380,000 مادة ثابتة، مما يجعلها مرشحين واعدين للتصنيع التجريبي وقادرة على تشغيل تقنيات المستقبل.

نموذج Gnome هو نموذج شبكة عصبية بيانية (GNN)، حيث تُمثَّل بيانات الإدخال كرسمة بيانية. تم تدريب Gnome على بيانات من مشروع Materials Project، بما في ذلك هياكل البلورات واستقرارها، لتوليد بلورات مرشحة جديدة وتوقع استقرارها.

قامت Google بتقييم قوة توقعها من خلال فحص أدائها مرارًا باستخدام نظرية الكثافة الوظيفية (DFT). بالنسبة لعملية ‘التدريب’، استخدمت ‘التعلم النشط’ حيث تم إرجاع البيانات الناتجة إلى النموذج، مما عزز أداء Gnome بشكل كبير.

وفقًا لـ Google، ارتفعت دقة توقع استقرار النموذج من 50٪ إلى 80٪. وفي الوقت نفسه، ارتفعت كفاءة النموذج من أقل من 10٪ إلى أكثر من 80٪.

علاوة على ذلك، تم تصنيع حوالي 736 مادة تنبأت بها Genome بشكل مستقل من قبل باحثين خارجيين. كما تعاونت Google مع مختبر لورانس بيركلي الوطني لتصنيع 41 مادة جديدة، مما يؤكد قوة التنبؤ للأداة وقوة التجارب الذاتية.

الآن، دعونا نلقي نظرة على أداء العملاق الذي تبلغ قيمته السوقية 2.2 تريليون دولار. في وقت كتابة هذه السطور، يتم تداول أسهمه بحوالي 182 دولارًا، بانخفاض قدره 3.86٪ منذ بداية العام. يمتلك ربحًا للسهم (TTM) قدره 8.97 ونسبة السعر إلى الأرباح (P/E) (TTM) تبلغ 20.29. نسبة العائد على الأرباح المدفوعة هي 0.46٪.

فيما يتعلق بالبيانات المالية للشركة، أفادت الشركة الأم لـ Google، Alphabet، بإيرادات قدرها 90.2 مليار دولار للربع الأول المنتهي في 31 مارس 2025. كان ربح السهم 2.81 دولار. وقال الرئيس التنفيذي سوندار بيتشاي إن هذه الأرقام “تعكس نموًا صحيًا وزخمًا عبر الأعمال. يدعم هذا النمو نهجنا الفريد المتكامل للذكاء الاصطناعي.”

أحدث أخبار وتطورات سهم Alphabet Inc. (GOOG)

الخلاصة

يُعيد الذكاء الاصطناعي تشكيل كل جانب من جوانب حياتنا، بما في ذلك كيفية تصميم المواد التي تشكّل مستقبلنا. يمثل دمج التقنية في علوم المواد تحولًا جذريًا حقيقيًا، حيث يسرّع الاكتشافات التي كانت تستغرق سنوات لتتحقق، لتصبح الآن في غضون أيام أو حتى ساعات.

ببساطة، يدفع الذكاء الاصطناعي مستقبل الابتكار في المواد من خلال الاستفادة من مجموعات بيانات ضخمة، والحوسبة عالية الإنتاجية، والنماذج التوليدية، مما يتيح للباحثين توقع وتصميم وتحسين مواد جديدة بكفاءة ودقة غير مسبوقتين.

انقر هنا لتعرف عن أسهم الطاقة النظيفة ذات التركيز البيئي.

المراجع:

1. Xiao, C.; Liu, M.; Yao, K.; et al. مُشعّات ميتا حرارية فائقة النطاق وتحديد النطاق بواسطة التعلم الآلي. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. ربط تخليق الأطر المعدنية العضوية بالتطبيقات باستخدام التعلم الآلي متعدد الأنماط. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. إطار ذكاء اصطناعي توليدي يعتمد على نموذج انتشار جزيئي لتصميم الأطر المعدنية العضوية لالتقاط الكربون. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. قوة نوعية فائقة من خلال تحسين بايزي لشبكات الكربون النانوية. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. فك شفرة النسيج الحضري: تحديد مواد البناء بدقة عالية عبر التعلم العميق والاستشعار عن بُعد. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. توسيع نطاق التعلم العميق لاكتشاف المواد. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9