الذكاء الاصطناعي يحل أصعب مشاكل كيمياء الكم!

في دراسة رائدة نُشرت في مجلة (Science)، حقق باحثون من إمبريال كوليدج لندن وجوجل ديب مايند (Google DeepMind) تقدمًا كبيرًا في مجال كيمياء الكم، حيث قاموا بمعالجة أحد أصعب التحديات في هذا المجال. بقيادة الدكتور ديفيد بفاو، عالم من جوجل ديب مايند وقسم الفيزياء في جامعة إمبريال، نجح الفريق في استخدام الذكاء الاصطناعي لنمذجة حالات الجزيئات. في الكيمياء والفيزياء، تُستخدم نمذجة حالات الجزيئات لفهم كيفية تنظيم الجزيئات وتصرفها في حالات مختلفة. ولفهم كيفية تفاعل الجزيئات مع بعضها البعض

يستخدم النهج المبتكر للباحثين شبكة عصبونية اصطناعية (neural networks)، وهي شكل من أشكال الذكاء الاصطناعي المستوحى من الدماغ، تسمى الشبكة العصبية الفرميونية (FermiNet)، والتي تم اختبارها على مجموعة من الأنظمة الجزيئية المعقدة وحصلت على نتائج واعدة. يمكن أن يؤدي هذا إلى تطبيقات عملية في المستقبل، مما يمكّن الباحثين من إنشاء نماذج أولية لمواد جديدة وتوليفات كيميائية باستخدام المحاكاة الحاسوبية قبل محاولة إنشائها في المختبر.

الجزيئات في حالة الإثارة

عندما تمتص الجزيئات والمواد الطاقة، مثل الضوء أو الحرارة، يتم دفع إلكتروناتها إلى توزيع جديد مؤقت (ترتيب الإلكترونات في ذرة أو في جزيء. وبالتحديد هو مكان وجود الإلكترونات في المدارات الذرية أو الجزيئية) (electron configuration)، يُعرف بالحالة المثارة (excited state). قد يبدو هذا مفهومًا بسيطًا، لكنه يمثل مشكلة أساسية في كيمياء الكم. لأن الإلكترونات المثارة ذات طبيعة كمومية، مما يعني أن مواقعها داخل الجزيئات ليست مؤكدة أبدًا ولا يمكن التعبير عنها إلا كاحتمالات. مبدأ عدم اليقين هذا، وهو السمة المميزة لميكانيكا الكم، يجعل نمذجة سلوك الجزيئات في الحالات المثارة مهمة شاقة.

إن الكمية الدقيقة من الطاقة التي يتم امتصاصها وإطلاقها أثناء انتقال الجزيئات بين التوزيعات تخلق بصمة فريدة للجزيئات والمواد المختلفة. تؤثر هذه البصمة على أداء التقنيات التي تتراوح بين الألواح الشمسية ومصابيح LED إلى أشباه الموصلات والمحفزات الضوئية. كما أنه يلعب دورًا حاسمًا في العمليات البيولوجية التي تشمل الضوء، بما في ذلك عملية التمثيل الضوئي والرؤية. ومع ذلك، فإن تمثيل حالة الإلكترونات في النظام الكمي أمر صعب للغاية.

تاريخ كيمياء الكم

تتمتع كيمياء الكم، وهي دراسة سلوك الجزيئات والذرات على المستوى الذري ودون الذري، بتاريخ غني يعود تاريخه إلى أوائل القرن العشرين. ومع ذلك، كان أحد أكبر التحديات في هذا المجال هو النمذجة الدقيقة للحالات الجزيئية، خاصة عندما تنتقل من وإلى “الحالات المثارة”. لقد حيرت هذه المشكلة العلماء لعقود من الزمن، حيث أن الطبيعة الكمومية للإلكترونات تجعل من الصعب للغاية التنبؤ بسلوكها.

في عشرينيات وثلاثينيات القرن العشرين، وضع رواد مثل شرودنغر وهايزنبرغ أسس ميكانيكا الكم، التي أحدثت ثورة في فهمنا للعالم الذري. ومع ذلك، مع تعمق الأبحاث في تعقيدات التفاعلات الجزيئية، أصبحت القيود المفروضة على الأساليب الحسابية التقليدية واضحة. إن العدد الهائل من التكوينات المحتملة للإلكترون في الأنظمة الجزيئية المعقدة جعل من المستحيل تقريبًا تصميمها بدقة.

وعلى الرغم من التقدم الكبير في القوة الحسابية والمنهجية، فإن التحدي المتمثل في نمذجة الحالات الجزيئية ظل دون حل. لقد وفّر تطور نظرية الكثافة الوظيفية (أحد أهم الطرق المستعملة في الفيزياء والكيمياء النظريين وبواسطتها نستطيع أن نحدد خصائص نظام متعدد الجسيمات. وهي واحدة من أكثر الطرق استخداما في العمليات الحسابية الكمومية) (DFT) في ستينيات وسبعينيات القرن الماضي بعض الحلول، لكن دقتها كانت محدودة، وغالبًا ما فشلت في فهم التفاصيل الدقيقة للحالات المثارة. كانت الحاجة إلى نهج أكثر قوة ودقة واضحة.

استخدام الذكاء الاصطناعي لنمذجة حالات الجزيئات

يكمن النهج المبتكر للباحثين في مواجهة تحدي كيمياء الكم في تسخير قوة الشبكات العصبونية الاصطناعية. حيث طور الفريق إطارًا رياضيًا جديدًا وربطه بشبكة عصبية تسمى (FermiNet)، مصممة خصيصًا لحساب طاقة الذرات والجزيئات من المبادئ الأساسية. وقد سمح لهم ذلك بالاستفادة من قدرات المعالجة الهائلة للذكاء الاصطناعي لمعالجة التعقيد الهائل للأنظمة الكمومية.

إن بنية (FermiNet) متجذرة في أساسيات ميكانيكا الكم، مما يسمح لها بالتقاط تعقيدات سلوك الجزيئات. ومن خلال الاستفادة من قوة التعلم العميق، يمكن للشبكة حساب طاقة الذرات والجزيئات بدقة من المبادئ الأساسية، مما يلغي الحاجة إلى التقديرات التجريبية.

وقد تم اختبار النهج الذي اتبعه الفريق على مجموعة من الجزيئات المعقدة، وحصل على نتائج ملحوظة. على سبيل المثال، فيما يتعلق بثنائي الكربون (the carbon dimer)، وهو نظام معروف بصعوبة نمذجته، حققت شبكة (FermiNet) متوسط ​​خطأ مطلق (مقياس للأخطاء بين الملاحظات المزدوجة التي تعبر عن نفس الظاهرة) (mean absolute error) قدره 4 ميغا إلكترون فولت فقط، أي أقرب بخمس مرات إلى النتائج التجريبية من الطرق المعيارية الذهبية السابقة.

وهذا له آثار كبيرة على مجال كيمياء الكم، لأنه يمكّن الباحثين من محاكاة سلوك الجزيئات والمواد بدقة في ظل ظروف مختلفة. باستخدام (FermiNet)، يستطيع العلماء الآن استكشاف الحركة المعقدة للإلكترونات والنوى في الجزيئات، مما يفتح إمكانيات جديدة لتصميم المواد والتخليق الكيميائي. وكما أكد الدكتور بفاو، فإننا نجعل أحدث أعمالنا مفتوحة المصدر، ونأمل أن يبني مجتمع البحث على أساليبنا لاستكشاف الطرق غير المتوقعة التي تتفاعل بها المادة مع الضوء.

ومن خلال الاستفادة من نقاط قوة الشبكات العصبونية الاصطناعية في التعرف على الأنماط وتقريب الوظائف، تمكن الباحثون من تمثيل احتمالات تكوين الإلكترون بطريقة دقيقة وممكنة حسابيًا. وقد مكنهم هذا الإنجاز من محاكاة سلوك الجزيئات في الحالات المثارة بدقة غير مسبوقة، مما مهد الطريق لفهم أعمق للظواهر الكيميائية الكمومية.

• ما هي كيمياء السطوح وما أهم تطبيقاتها؟
• استخلاص وقود نظيف من أشعة الشمس
• ما هي تقنيات إنتاج الهيدروجين؟
• دراسة تظهر أن الفوتونات من بواعث النقاط الكمومية تكسر مبرهنة بيل
• أهم قواعد الدراسة من فم خبراء التعليم – الجزء الأول

مستقبل المواد والتركيبات الكيميائية

لنقل أنك قادر على تصميم واختبار مواد ومركبات كيميائية جديدة على جهاز محاكاة قبل أن تطأ قدمك المختبر. هذا هو المستقبل الذي يعد به التقدم في كيمياء الكم المعتمدة على الذكاء الاصطناعي. ومن خلال النمذجة الدقيقة للحالات المثارة للجزيئات، سيتمكن الباحثون من محاكاة سلوك الأنظمة الجزيئية المعقدة، والتنبؤ بكيفية تفاعلها مع الضوء والطاقة.

وهذا يعني أن العلماء سيكونون قادرين على وضع نماذج أولية للمواد الجديدة والتركيبات الكيميائية باستخدام المحاكاة الحاسوبية، وتبسيط عملية التطوير وتقليل الحاجة إلى التجارب المعملية المكلفة والمستهلكة للوقت. إن التطبيقات المحتملة واسعة النطاق، بدءًا من تصميم ألواح شمسية ومصابيح LED أكثر كفاءة إلى إنشاء محفزات ضوئية جديدة يمكن أن تساعد في مكافحة تغير المناخ.

ومع القدرة على محاكاة الواقع، سيتمكن الباحثون من استكشاف الإمكانيات الهائلة للتفاعلات الجزيئية، وكشف الظواهر الجديدة واكتشاف خصائص جديدة للمواد. وهذا من شأنه أن يفتح آفاقا جديدة للابتكار، وتحقيق اكتشافات في مجالات تتراوح من الطاقة والإلكترونيات إلى الطب الحيوي وما هو أبعد من ذلك.

المصادر

AI tackles one of the most difficult challenges in quantum chemistry | science daily

Accurate computation of quantum excited states with neural networks | science