في عالم المواد، تعد سبائك الفائض العالي (High-Entropy Alloys) واحدة من أكثر المجالات إثارة للاهتمام، حيث تقدم خصائص ميكانيكية وحرارية استثنائية نتيجة لتصميمها المعقد. في خطوة رائدة نحو تطوير وتقنية هذه المواد، اقترح فريق من الباحثين نموذج شبكة عصبية جديدة تُعرف باسم شبكة الجراف الكريستالية الجزئية (Crystal Fractional Graph Neural Network) التي تهدف إلى توقع طاقة سبائك الفائض العالي بدقة متناهية.

يتكون النموذج من ثلاثة مكونات رئيسية: أولاً، شبكة الجراف الكريستالية (Crystal Graph Neural Network) التي تستخدم طبقات الشبكات الانتباهية لفهم التفاعلات المحلية بين 16 ذرة داخل الشبكة الكريستالية. ثانياً، الشبكة العصبية الجزئية (Fractional Neural Network) وهي شبكة متصلة بالكامل تعمل على تضمين نسبة المكونات الأساسية. وأخيراً، شبكة دمج الميزات (Feature Fusion Neural Network) التي تجمع مخرجات النماذج الفرعية لضمان توقع الطاقة الكلية للكريستال.

تم تدريب النموذج على مجموعة بيانات تحتوي على 1,049 هيكل بلوري، وتمت عملية التحقق من الأداء على 198 هيكل رباعي، حيث تم تحسين جميع المعلمات الهامة باستخدام أداة Optuna. أظهرت النتائج أن النموذج يحقق خطأ جذر متوسط المربعات (RMSE) مقاربا للحسابات الأولية، مع الحفاظ على دقة عالية حتى في حالات الطاقة المنخفضة.

ومع ذلك، لا يزال هناك تحدٍ في معالجة خلايا كريستالية كبيرة، وهو ما يسعى الباحثون إلى معالجته مستقبلاً بهدف توسيع نطاق تطبيق ذلك النموذج ليشمل أنظمة أكثر تعقيدًا. قد تكون هذه التطورات بمثابة مفاتيح لفهم وتحسين خصائص المواد المتقدمة، مما يفتح الأبواب أمام تطبيقات جديدة في ميادين عدة مثل الصناعة الجوية والسيارات والطاقة.

ما رأيكم في هذه التقنية الثورية؟ هل تعتقدون أنها ستكون لها آثار إيجابية على تطور المواد الجديدة؟ شاركونا في التعليقات!