نظام ذكاء اصطناعي يصمم الجزيئات أسرع بعشر مرات من الطرق التقليدية

في مختبرات الكيمياء الحاسوبية، لا يكون التقدم دائمًا صاخبًا. أحيانًا يأتي على شكل اختصار بسيط في الوقت، أو مسار أقصر بين فكرة ونتيجة. هذا ما يحاول فريق من الباحثين في جامعتي فلوريدا ونيويورك تحقيقه من خلال نظام ذكاء اصطناعي جديد يعد بتغيير الطريقة التي نبحث بها عن أدوية ومواد متقدمة.

النظام الجديد يحمل اسم PropMolFlow، وهو اختصار لعبارة Property guided Molecular Flow. فكرته الأساسية ليست في توليد جزيئات أسرع فحسب، بل في قلب المسار التقليدي للاكتشاف العلمي. بدل البدء بمركبات معروفة وتعديلها تدريجيًا، يمكن للباحث أن يحدد الخصائص المطلوبة أولًا، مثل القطبية أو العزم ثنائي القطب، ثم يترك للنموذج مهمة اقتراح البنية الجزيئية المناسبة.

هذا التحوّل يبدو بسيطًا على الورق، لكنه يعكس فهمًا أعمق لكيفية توظيف النماذج التوليدية في الكيمياء والفيزياء، حيث لا يكون الشكل مهمًا بذاته بقدر ما يحققه من سلوك وخصائص.

بحسب الدراسة المنشورة في Nature Computational Science، يحتاج PropMolFlow إلى نحو مئة خطوة حسابية فقط لتوليد جزيئات صالحة، مقارنةً بما يقارب الألف خطوة في نماذج الانتشار المعتمدة سابقًا. الفارق هنا ليس تقنيًا فقط، بل عملي أيضًا، فكل خطوة أقل تعني زمنًا أقصر، وتكلفة حوسبة أدنى، وقدرة أكبر على التجربة والتكرار.

السر يكمن في اعتماد خوارزمية تُعرف باسم flow matching، والتي تتعامل مع الانتقال من الضوضاء العشوائية إلى بنية جزيئية منتظمة كمسار مستمر وحتمي، لا كسلسلة طويلة من التحولات الاحتمالية.

أحد الانتقادات الشائعة للذكاء الاصطناعي في الكيمياء هو ميله لإنتاج تراكيب تبدو صحيحة ظاهريًا لكنها تخالف قواعد أساسية في الترابط الكيميائي. الباحثون هنا واجهوا ذلك مباشرة، إذ أظهرت الاختبارات أن أكثر من 90 بالمئة من الجزيئات المنتجة كانت صالحة كيميائيًا، مع معدلات خطأ منخفضة في خصائص حساسة مثل القابلية للاستقطاب.

هذا التركيز على الصحة العلمية يعكس نضجًا في المجال، حيث لم يعد كافيًا أن ينتج النموذج مخرجات مقنعة بصريًا، بل يجب أن تصمد أمام القياس والتحقق.

لتجنب مشكلة أن يقيم الذكاء الاصطناعي نفسه بنفسه، لجأ الفريق إلى استخدام نظرية الكثافة الوظيفية، وهي طريقة من ميكانيكا الكم لحساب الخصائص الجزيئية من المبادئ الأولى. هذا النوع من التحقق المستقل يضفي ثقلًا علميًا على النتائج، ويجعلها أقرب للاستخدام الفعلي في صناعة الأدوية وتطوير المواد.

ما يقدمه PropMolFlow ليس بديلاً عن الكيميائي أو الفيزيائي، بل مضاعفًا لقدراته. القدرة على توليد آلاف المرشحين في دقائق تعني أن الباحث يمكنه التفكير على نطاق أوسع، وتصفيق الخيارات بسرعة، ثم العودة إلى المختبر مع عدد أقل من الفرضيات وأكثرها وعدًا.

رغم أن توسيع النموذج ليشمل جزيئات أكبر وأكثر تعقيدًا لا يزال تحديًا مفتوحًا، إلا أن المنهجية نفسها تلمح إلى مستقبل يصبح فيه الذكاء الاصطناعي جزءًا طبيعيًا من دورة الاكتشاف، لا أداة تجريبية على الهامش.

في النهاية، لا يتعلق الأمر بسرعة الحواسيب وحدها، بل بإعادة التفكير في الطريقة التي ننتقل بها من الحاجة إلى الحل. وربما يكون هذا التدفق الجديد بين الخصائص والبنية خطوة هادئة، لكنها مؤثرة، في مسار العلم التطبيقي.