يجب أن يربط الذكاء الاصطناعي دورة أبحاث الخلايا الشمسية القائمة على البيروفسكايت بأكملها

يساعد الذكاء الاصطناعي الباحثين على تحسين الخلايا الشمسية القائمة على البيروفسكايت، لكن فوائده لا تزال محصورة إلى حد كبير في الأنظمة المحددة التي دُرِّبت النماذج عليها. ويقول تحليل نشرته Nature Reviews Electrical Engineering على nature.com إن إحراز تقدم أوسع سيتطلب ربط أدوات الذكاء الاصطناعي عبر دورة الأبحاث بأكملها، بدلاً من الاعتماد على مهام التنبؤ أو التحسين المنعزلة.

تُعدّ بيروفسكايتات الهاليد جذابة لتقنيات الطاقة الشمسية لأن خصائصها البصرية والإلكترونية قابلة للضبط، في حين يمكن أن تكون تكاليف تصنيعها منخفضة. لكن تحويل هذه المزايا إلى تطبيق صناعي أمر صعب. إذ يعتمد سلوك الخلية على عدة خيارات مترابطة: فتركيب المادة يؤثر في سير المعالجة، والمعالجة تحدد البنية المجهرية الناتجة، وهذه البنية تؤثر بدورها في أداء الجهاز.

وبما أن هذه العوامل تتفاعل، فقد لا ينجح حلٌّ تم التوصل إليه في نظام مادي أو بيئة تصنيع معينة عند تغيير التركيب أو ظروف التصنيع أو بنية الجهاز. لذلك لا يتمثل التحدي ببساطة في العثور على أفضل قيمة لمعامل واحد، بل في فهم سلسلة من الاعتماديات وإدارتها، وهي سلسلة تمتد عبر مراحل مختلفة من التقنية ومقاييسها.

أين يساعد الذكاء الاصطناعي بالفعل

يُستخدم الذكاء الاصطناعي الآن في أربعة مجالات واسعة من أبحاث الخلايا الشمسية القائمة على البيروفسكايت: اكتشاف المواد، وهندسة الأجهزة، وتحسين عمليات التصنيع، ودراسة الاستقرار. وفي البيئات التي تتوافر فيها بيانات كافية، تستطيع النماذج تحديد العلاقات وتسريع التحسين. وقد يقلل ذلك الجهد اللازم لاستكشاف الخيارات المحتملة ضمن مشكلة بحثية محددة.

لكن المكاسب غير متساوية. فقد لا يقدم نموذج يحقق أداءً جيداً لمزيج معين من المواد والإجراءات القيمة نفسها لمزيج آخر. كما أن التنبؤ القوي لا يكشف بالضرورة عن الآلية المسؤولة عن النتيجة المرصودة. ووفقاً للتحليل، تتفوق الأنظمة الحالية في العثور على الارتباطات داخل الظروف المألوفة والغنية بالبيانات، على إنتاج رؤى تظل مفيدة عبر تراكيب أو بنيات أو ظروف تشغيل مختلفة.

وتكتسب هذه الفجوة أهمية لأن الخلايا الشمسية القائمة على البيروفسكايت لا تحكمها متغيرات مستقلة. فقد يؤثر تغيير في التركيب على المعالجة، ويمكن لتغيير في المعالجة أن يعدّل بنية المادة، كما قد يؤثر التغيير البنيوي في الأداء والموثوقية. ويخاطر الذكاء الاصطناعي الذي يتعامل مع كل مرحلة بوصفها مهمة منفصلة بفقدان معلومات قد تحدد ما إذا كان التحسن سينتقل إلى ما بعد التجربة الأصلية.

أربعة عوائق أمام تأثير أوسع

يحدد التحليل أربع مشكلات بنيوية متكررة. أولاً، المعلومات ذات الصلة مجزأة، كما أن مجموعات البيانات ليست قابلة للتشغيل البيني بسهولة. ولذلك قد يصعب الجمع بين النتائج الناتجة في أجزاء مختلفة من عملية البحث، مما يحد من قدرة النموذج على التعلم منها معاً.

ثانياً، غالباً ما تعمم النماذج نتائجها بشكل ضعيف بين الأنظمة. فالأنماط التي تتعلمها من مجموعة من التراكيب أو بيئات التصنيع أو تصاميم الأجهزة لا تنتقل تلقائياً إلى مجموعة أخرى. وهذا يحد من قيمة الذكاء الاصطناعي خارج الظروف الممثلة في بيانات تدريبه.

ثالثاً، تتيح نماذج كثيرة قدراً محدوداً من قابلية التفسير، كما تستند بدرجة ضعيفة إلى الأسس الفيزيائية. وقد يكون التنبؤ مفيداً من دون أن يفسر سبب صدوره، لكن غياب صلة واضحة بالسلوك الأساسي يجعل من الأصعب الحكم على ما إذا كان ينبغي تطبيق النتيجة في بيئة جديدة. كما يحد ذلك من استخلاص معرفة قائمة على الآليات يمكن أن توجه العمل المستقبلي.

أما المشكلة الرابعة فتتمثل في عدم التوافق بين ما يُطلب من الذكاء الاصطناعي تحسينه والقيود التي تشكل التصميم العملي. فقد يحسن النموذج هدفاً محدداً، لكنه يفشل في مراعاة المتطلبات الأوسع لتقنية خلايا شمسية عاملة. ويعرض المقال هذه الصعوبات بوصفها سمات مترابطة لبنية البحث، لا دليلاً على أن خوارزميات أفضل وحدها ستفضي إلى حل المشكلة.

من نماذج منفصلة إلى منظومة متكاملة

تتمثل الاستجابة المقترحة في بناء بنية تحتية بحثية توحد المعلومات والتغذية الراجعة عبر المجال. ويمكن لمجموعات البيانات متعددة الوسائط ومتعددة المستويات أن تجمع أشكال الأدلة المتولدة في مراحل مختلفة. كما يمكن للنماذج المستندة إلى الفيزياء والقابلة للتفسير أن تجعل التنبؤات أكثر ارتباطاً بالسلوك الذي يُفترض أن تمثله، مع تسهيل تقييم آليات استدلالها.

ويشير التحليل أيضاً إلى أنظمة مغلقة الحلقة تُربط فيها تنبؤات الذكاء الاصطناعي بالتغذية الراجعة التجريبية. وفي مثل هذه المنظومة، لا تقتصر نتائج التجارب على تقديم اختبار نهائي للنموذج؛ بل يمكنها المساعدة في تحديث النظام وإرشاد الخيارات اللاحقة. ومن شأن هذا الترتيب أن يتيح نقل المعرفة إلى الأمام بدلاً من تركها حبيسة تمرين تحسين واحد.

ويتمثل التحول المنشود في الانتقال من التنبؤ الخاص بمهمة معينة إلى ذكاء اصطناعي على مستوى النظام. ووفق هذا النهج، ستُنقل المعلومات من اكتشاف المواد وهندسة الأجهزة والمعالجة وتحليل الاستقرار باستمرار، وتُراجع وتُعاد الاستفادة منها. وسيصبح الذكاء الاصطناعي جزءاً من برنامج متكامل لاكتشاف المواد، وتحسين الأجهزة، وتقييم الموثوقية.

وبالنسبة إلى الخلايا الكهروضوئية القائمة على البيروفسكايت، تكمن الأهمية في قابلية نقل المعرفة. فالتحسين الأسرع ضمن نطاق ضيق واحد مفيد، لكن التقدم الصناعي يتطلب أساليب قادرة على التعامل مع القرارات المترابطة عبر التراكيب وظروف التصنيع وبنى الأجهزة. ويجادل تحليل Nature بأن اضطلاع الذكاء الاصطناعي بهذا الدور الأوسع سيتوقف على الحفاظ على المعرفة طوال دورة الأبحاث، لا على جعل النماذج الفردية أكثر دقة فحسب.