في عالم المواد النانوية، تتزايد الحاجة لتطوير مواد جديدة تتسم بالكفاءة والقدرة على تلبية متطلبات التطبيقات المستدامة. ومع ذلك، فإن الفضاء الكيميائي الواسع الذي يغطيه تصميم هذه المواد يشكل تحديًا كبيرًا.

هنا يأتي دور التعلم الآلي (Machine Learning) كعنصر رئيسي في تسريع عملية الاستكشاف. ولكن، العديد من النماذج الحالية تفتقر إما إلى القدرة على الفهم (Interpretability) أو إلى الدقة في توضيح العلاقة بين الهندسة البلورية (Crystal Geometry) وخصائص المواد.

نقدم في هذا المقال طريقة مبتكرة لجمع بيانات ثلاثية الأبعاد تسهل تصميم المواد النانوية. حيث تقوم هذه الطريقة بتقسيم الهياكل النانوية الكبيرة إلى مواقع جغرافية محلية، مما يسمح بالتنبؤ بالمواصفات وقياس مساهمات كل موقع بدقة.

بفضل قاعدة بيانات تم إنشاؤها بعناية، بالإضافة إلى مجموعة من البيانات المسترجعة، تمكنا من تدريب نموذج يحقق دقة غير مسبوقة وكفاءة بيانات عالية في توقع الخصائص مثل تخزين الغاز (Gas Storage) والفصل (Separation) والتوصيل الكهربائي (Electrical Conduction).

تقدم هذه الطريقة أيضًا إمكانية تفسير نتائج التوقعات، مما يمكّن من التعرف على المواقع الجغرافية الهامة المستهدفة للخصائص الخاصة. من خلال تحديد المواقع العالية الأداء القابلة للنقل بين الأشكال المختلفة للمواد النانوية، يمهد نموذجنا الطريق نحو تصميم مواد نانوية متكاملة وقابلة للتفسير، وهو ما يمكن أن يمتد أيضاً إلى مواد أخرى مثل البلورات الجزيئية.