ابتكر باحثون بريطانيون أداة ذكاء اصطناعي قوية قد تُحدث ثورة في طريقة اكتشاف وتصميم المواد الجديدة من قبل العلماء.
فقد كشف فريق من جامعة ليفربول وجامعة ساوثهامبتون عن نموذج CrystalGPT، المعروف رسمياً باسم «تمثيل البلورات الجزيئية باستخدام المحولات» (MCRT). وقد تم تدريب هذا النموذج القائم على تقنية المحولات مسبقاً على 706,126 بنية بلورية تجريبية من قاعدة بيانات كامبريدج للهياكل، ما أتاح له تعلم اللغة المعقدة للبلورات الجزيئية ذاتياً.
ما يميز CrystalGPT هو نهجه المزدوج في التمثيل؛ حيث يجمع بين تحليل الروابط الذرية المعتمد على الرسوم البيانية وقدرات التصوير الطوبولوجي، مما يمكّنه من معالجة البنى الجزيئية الدقيقة والأنماط العامة في الوقت نفسه. يمنح هذا النهج متعدد الوسائط الذكاء الاصطناعي فهماً شاملاً لخصائص البلورات على المستويين الدقيق والكلي.
ويشرح عضو الفريق زينوفون إيفانجيلوبولوس من جامعة ليفربول قائلاً: «كان الهدف من MCRT أن يكون نموذجاً أساسياً يمكن ضبطه بسهولة وفقاً للمشكلة المطروحة، حتى مع توفر كميات قليلة من البيانات». وتعد هذه القدرة على العمل بفعالية مع بيانات محدودة ذات قيمة كبيرة في مجال الكيمياء، حيث تكون التجارب المخبرية والحسابات مكلفة وتستغرق وقتاً طويلاً.
يعتمد النموذج على أربع مهام تدريبية مختلفة لاستخلاص التمثيلات المحلية والعالمية من البلورات. وعند ضبطه لتطبيقات محددة، يمكن لـ CrystalGPT التنبؤ بدقة ملحوظة بخصائص المواد الرئيسية مثل الكثافة والمسامية والتماثل، باستخدام جزء بسيط فقط من البيانات المطلوبة تقليدياً.
وتحمل هذه التقنية آثاراً كبيرة على علوم المواد؛ إذ أن الطرق الحسابية التقليدية للتنبؤ بهياكل وخصائص البلورات تتطلب موارد هائلة. أما CrystalGPT فيتجاوز هذه القيود، ما قد يسرّع من وتيرة الاكتشافات في مجالات الأدوية والإلكترونيات العضوية وتطوير البطاريات والمواد المسامية لتخزين الغازات. وكما يشير البروفيسور آندي كوبر من ليفربول، فقد «تعلم النموذج الأنماط الأكثر تميزاً داخل هذه البلورات» و«كيف ترتبط هذه الأنماط بالخصائص العملية»، مما يجعله أداة قوية للابتكار في مجال المواد.