اختراق علمي جديد: الذكاء الاصطناعي ينجح في إحصاء ذرات البلاتين بدقة فائقة

حقق مجال التعلم العميق للعناقيد النانوية قفزة نوعية بعد أن نجح فريق بحثي بقيادة كيزو تسوكاموتو وأتسوشي ناكاجيما في تطوير إطار عمل برمجي قادر على تحديد العدد الدقيق للذرات المكونة للهياكل المعدنية. نُشرت هذه الدراسة في السابع والعشرين من فبراير لعام 2026 في دورية npj Computational Materials، لتعالج تحدياً قديماً في علم المواد يتمثل في تحديد ذرية العناقيد النانوية لمعدن البلاتين (Platinum) بدقة مباشرة من خلال الصور عالية الدقة. من خلال الاستفادة من الشبكات العصبية المتقدمة، قام الفريق بأتمتة عملية كانت تعتمد سابقاً على التفسير اليدوي المعرض للأخطاء، مما يمهد الطريق لسير عمل مستقل في مجال تكنولوجيا النانو.

يعد هذا الإنجاز حيوياً بشكل خاص للباحثين وعلماء المواد الذين يركزون على التحفيز والخصائص الكمومية، حيث يتحكم عدد الذرات المحدد في سلوك المواد المعتمد على الحجم. تستخدم الدراسة صور مجهر المسح الإلكتروني النافذ (STEM)، التي تلتقط بيانات حقيقية تصل إلى المقياس الذري. ومع ذلك، كان استخراج الميزات الهيكلية الدقيقة مثل الشكل المسقط وتوزيع التباين أمراً صعباً تاريخياً بسبب الضوضاء والتعقيد. يحل نهج الذكاء الاصطناعي الجديد هذه المشكلة عن طريق تصنيف عناقيد البلاتين ($Pt_n$) بأعداد ذرية محددة تبلغ 19 و30 و41 و55 و70 ذرة، مما يحدث تحولاً في كيفية تحليلنا للهياكل الذرية.

يكمن جوهر هذا الابتكار في استخدام شبكة عصبية تلافيفية (CNN) مصممة لاستخراج الميزات الهيكلية من صور مجهر (STEM) المصححة للانحراف. ولضمان ألا يكون النموذج مجرد "صندوق أسود"، استخدم الباحثون تقنية (UMAP) لفصل الميزات بشكل مميز. علاوة على ذلك، قاموا بدمج تقنية (Grad-CAM) لتصور المكان الذي يركز عليه النموذج بالضبط داخل الصورة، مما يوفر قابلية للتفسير تعد ضرورية للتحقق العلمي. يسمح هذا النهج المزدوج للنظام بتحديد فئات ذرية محددة حتى عند تحليل عينات مختلطة تحتوي على أحجام عناقيد متباينة، مثل $Pt_{19}$ و $Pt_{41}$ و $Pt_{70}$، على ركيزة مشتركة.

لمواجهة المشكلة الشائعة المتمثلة في تحول المجال في بيانات التصوير، طبق الفريق تقنيات الضبط الدقيق باستخدام تسميات زائفة عالية الثقة، مما أدى إلى استعادة الأداء بشكل كبير أثناء الاختبار. ومن الميزات البارزة لمنهجيتهم النموذج ثنائي القناة الذي يدمج تصفية تطبيع التباين المحلي (LCN). أثبتت هذه الإضافة تفوقها على طرق التصنيف التقليدية القائمة على الحجم، حيث حققت معامل تحديد بنسبة ($R^2 = 0.94 \pm 0.03$). يؤكد هذا المستوى العالي من الدقة أن النموذج يمكنه التمييز بشكل موثوق بين العناقيد النانوية ذات الأعداد الذرية المتقاربة جداً، وهي مهمة صعبة للغاية للمحللين البشر. وقد تم توفير مجموعات البيانات والأكواد البرمجية لهذه الدراسة عبر منصة (Zenodo) لضمان إمكانية تكرار النتائج عبر المجتمع العلمي.

يمثل هذا التطور لحظة محورية لعلوم المواد الحاسوبية. من خلال الجمع بنجاح بين التعلم العميق القابل للتفسير والمجهر عالي الدقة، انتقل الباحثون إلى ما هو أبعد من مجرد التعرف البسيط على الصور إلى التحليل الكمي الدقيق على المستوى الذري. إن استخدام تقنية (Grad-CAM) للتحقق من نقاط تركيز الذكاء الاصطناعي يعالج الحاجة الماسة للثقة في الاكتشافات العلمية المعتمدة على الذكاء الاصطناعي. مع نضوج هذه التقنية، يمكننا أن نتوقع رؤيتها مدمجة في برمجيات المجاهر للتحليل في الوقت الفعلي، مما يسمح للعلماء بتوصيف المواد فورياً أثناء التجارب بدلاً من انتظار المعالجة اللاحقة.