تمكنت تقنية Machine Learning للتو من اكتشاف مادتين جديدتين فائقتَي التوصيل، لكن طريقة البحث تكتسب أهمية أكبر من المواد نفسها.

منذ اكتشاف ظاهرة الموصلية الفائقة في عام 1911، عثرت البشرية على حوالي 7000 مادة فائقة التوصيل. كلها تقريبًا اكتشفت بالصدفة — أحيانًا كان باحث يختبر مركبًا لخاصية غير مرتبطة، فيلاحظ فجأة فقدانه للمقاومة الكهربائية عند درجات حرارة منخفضة. أقل من 20 مادة منها تمكن العلماء من التنبؤ بها نظريًا قبل تأكيد وجودها في المختبر. هذه النسبة هي القصة الحقيقية وراء إعلان يوليو 2026 من اتحاد SuperC، وهو تعاون بحثي دولي تقوده بيفي تورما من جامعة آلتو: مادتان جديدتان فائقتا التوصيل، YRu3B2 و LuRu3B2، لم تُكتشفا بالمصادفة، بل بطريقة بحث تعتمد على Machine Learning صُممت لجعل التنبؤ هو القاعدة وليس الاستثناء.

لماذا ظل اكتشاف الموصلات الفائقة بطيئًا

الموصلية الفائقة ظاهرة كمومية — فعند درجة حرارة أقل من حرجة، تنخفض المقاومة الكهربائية للمادة إلى الصفر تمامًا، ويمكنها حمل التيار الكهربائي إلى ما لا نهاية دون فقدان الطاقة كحرارة. هذه الخاصية قيمة بما يكفي لجعل العثور على مادة فائقة التوصيل قرب درجة حرارة الغرفة، بدلًا من قرب الصفر المطلق، أحد أهم المسائل المفتوحة في الفيزياء. سيعني ذلك نقل طاقة دون فقدان، ومراكز بيانات أكثر كفاءة بشكل كبير، وأجهزة حاسوب لا تحتاج إلى تبريد بالتبريد العميق.

العقبة لم تكن أبدًا غياب الطموح. بل حجم فضاء البحث. هناك مليارات من التركيبات المحتملة للمواد، وحساب ما إذا كانت أي منها ستكون فائقة التوصيل يتطلب محاكاة ميكانيكا كم مكلفة حسابيًا. إجراء هذا الحساب على كل مرشح هو أمر غير معالج — ولهذا السبب حدثت معظم الاكتشافات بالحظ وليس بالبحث المنهجي.

كيف يعمل الفرز الأولي باستخدام Machine Learning

يقسم نهج SuperC المشكلة إلى مرحلتين بدلًا من مرحلة واحدة. أولًا، نموذج Machine Learning — مدرب على فيزياء الموصلات الفائقة المعروفة — يمسح فضاءً واسعًا من المواد المرشحة، ويحدد تلك التي من المحتمل بنيويًا أن تكون فائقة التوصيل، دون إجراء المحاكاة الكمومية الكاملة المكلفة على كل منها. فقط المجموعة الفرعية الصغيرة التي تجتاز هذا الفلتر الأول تنتقل إلى حسابات كمومية مفصلة. هذا هو نفس النمط الذي سرع اكتشاف الأدوية وطي البروتينات: استخدم نموذجًا رخيصًا وسريعًا لخفض فضاء بحث كبير إلى قائمة مختصرة قابلة للإدارة، ثم أنفق الحوسبة المكلفة فقط حيث يحتمل أن تؤتي ثمارها.

المادتان اللتان كشفت عنهما هذه الطريقة، YRu3B2 و LuRu3B2، تشتركان في ميزة هيكلية محددة: موصليتهما الفائقة تأتي من إلكترونات تشغل ما يسميه الفيزيائيون "نطاقات مسطحة" داخل شبكة كاغوم — ترتيب هندسي سداسي سُمي على اسم نمط نسج ياباني تقليدي للسلال. في النطاق المسطح، يمكن للإلكترونات أن تشغل حالات طاقة لا تتغير تقريبًا عبر المادة، مما يركز تفاعلاتها ويمكن أن يتيح بالضبط النوع من السلوك الزوجي الذي ينتج الموصلية الفائقة. أصبحت مواد شبكة كاغوم واحدة من أكثر العائلات الهيكلية الواعدة في أبحاث الموصلات الفائقة خلال السنوات القليلة الماضية، وامتلاك طريقة بحث يمكنها التنقيب بشكل منهجي عبر تنويعات هذا الهيكل — بدلًا من العثور عليها بشكل فردي — هو التقدم الفعلي هنا.

ما الذي يغيره هذا، وما الذي لا يغيره

تأسس اتحاد SuperC في عام 2023 بهدف واضح وطموح: العثور على موصل فائق عند درجة حرارة الغرفة بحلول عام 2033. مادتان جديدتان لا توصّلان المجال إلى هناك بمفردهما — فـ YRu3B2 و LuRu3B2 لا تزالان تتطلبان درجات حرارة منخفضة للغاية للتوصيل الفائق، مثل كل ما اكتشف قبلهما تقريبًا. ما يتغير هو معدل الاكتشاف. إذا كان بإمكان Pipeline فرز أولي معتمد باستخدام Machine Learning معالجة المرشحين على نطاق لا تستطيع أي مجموعة بحثية بشرية تقييمه يدويًا، فإن المجال ينتقل من عدد صغير من فرق البحث التي تحقق اكتشافات محظوظة عرضية إلى بحث منهجي يمكنه، من حيث المبدأ، العمل من خلال جزء أكبر بكثير من الفضاء المادي المعقول.

هذا فرق مهم لأي شخص يتابع هذا المجال. موصل فائق جديد واحد هو مجرد نقطة بيانات. طريقة بحث تحول اكتشاف الموصلات الفائقة من الصدفة إلى Pipeline قابل للتكرار هي بنية تحتية — نوع من التغيير في الأدوات يتراكم على مر السنين بدلًا من إنتاج عنوان رئيسي واحد ثم الصمت. الأمور التالية التي يجب متابعتها هي ما إذا كان SuperC أو المجموعات المنافسة سينشرون نتائج على نطاق أكبر بشكل ملحوظ (عشرات أو مئات من المرشحين الجدد بدلًا من اثنين)، وما إذا كانت عائلة نطاق كاغوم المسطح ستستمر في إنتاج النتائج أم ستتحول إلى عرق أضيق مما كان مأمولًا.

الخلاصة

بالنسبة للباحثين والمهندسين العاملين في المجالات القريبة من علم المواد، الإشارة القابلة للتنفيذ هنا ليست "ترقبوا الموصلات الفائقة في درجة حرارة الغرفة" — فذلك لا يزال على الأرجح بعيدًا بسنوات حتى في ظل جدول زمني متفائل. بل هي أن الفرز الأولي الموجه بـ Machine Learning أصبح الآن معتمدًا بما يكفي للوثوق به كفلتر أول قبل المحاكاة الكمومية المكلفة، في هذا المجال وربما في المجالات المجاورة. الفرق التي تملك فضاءات كبيرة غير مستكشفة من المرشحين في مجالات أخرى من علم المواد يجب أن تسأل عما إذا كان النمط نفسه المكون من مرحلتين — نموذج رخيص، ومحاكاة مكلفة فقط للناجين — ينطبق على مشكلة البحث الخاصة بهم.