مختبر «غيغالب» في برلين: مصنع أبحاث يعمل بالذكاء الاصطناعي لاكتشاف مواد جديدة

تعتمد معظم الصناعات الحديثة—من البطاريات إلى أشباه الموصلات—على مواد متقدمة يتم اكتشافها وتطويرها في المختبرات. لكن هذه العملية تقليديًا بطيئة ومكلفة وقد تستغرق سنوات من التجارب. هنا تظهر شركة التكنولوجيا العميقة Dunia Innovations في برلين، التي تحاول تغيير هذا النموذج عبر دمج الذكاء الاصطناعي والروبوتات والأتمتة المخبرية في منصة واحدة لاكتشاف المواد.

أحد أبرز تصورات الشركة هو إنشاء منشأة بحثية كبيرة تُعرف غالبًا باسم "GigaLab" في برلين. ورغم أن التفاصيل الدقيقة حول الحجم النهائي والجدول الزمني للمشروع ما زالت محدودة في المصادر العامة، فإن التكنولوجيا التي تطورها الشركة وشبكة شركائها تعطي تصورًا واضحًا لكيفية عمل مثل هذا المختبر ولماذا قد يكون مهمًا للنظام الابتكاري الأوروبي.

الفكرة الأساسية: محرك اكتشاف مواد يعمل بشكل ذاتي

تعتمد منصة Dunia على مختبرات ذاتية التشغيل تضغط دورة البحث التقليدية في علم المواد—التصميم، التصنيع، الاختبار، والتحليل—داخل حلقة آلية مستمرة. تجمع المنصة بين التعلم الآلي المدعوم بمبادئ الفيزياء والروبوتات وجمع البيانات التجريبية لتسريع اكتشاف مواد جديدة.

في المختبرات التقليدية، تتم كل خطوة يدويًا تقريبًا ويستغرق التحقق من كل فرضية وقتًا طويلًا. أما في نموذج Dunia، فيقترح الذكاء الاصطناعي مواد مرشحة جديدة، ثم تقوم معدات آلية بتصنيعها واختبارها بسرعة، وتُعاد النتائج إلى النموذج لتحسين التوقعات في الجولة التالية.

هذا النظام المغلق يهدف إلى تقليص ما يسمى فجوة المحاكاة إلى الواقع (Sim2Real)—أي الفرق بين النتائج النظرية في الحاسوب والأداء الحقيقي للمادة في العالم الواقعي.

كيف يمكن أن يعمل «غيغالب» في برلين

الفكرة وراء مختبر GigaLab هي تحويل اكتشاف المواد إلى عملية شبه صناعية تشبه خطوط الإنتاج. ويتوقع أن يعتمد على عدة طبقات تقنية مترابطة:

1. تصميم المواد بالذكاء الاصطناعي

أنظمة التعلم الآلي تولّد تركيبات جديدة للمواد وتتوقع خصائصها وأداءها اعتمادًا على نماذج فيزيائية وقواعد بيانات تجريبية.

2. الروبوتات والأتمتة المخبرية

روبوتات ومعدات مختبرية تقوم بعمليات التركيب الكيميائي ونقل العينات والقياس بشكل مستمر، وهو اتجاه يتوسع في قطاعات مثل الصناعات الكيميائية والعلوم الحيوية.

3. الاختبار والتحليل عالي الإنتاجية

أجهزة القياس تقوم بتحليل الخصائص الفيزيائية والكيميائية بسرعة كبيرة، ما ينتج كميات ضخمة من البيانات اللازمة للتحقق من توقعات الذكاء الاصطناعي.

4. المحاكاة والتوائم الرقمية

يمكن تدريب الروبوتات واختبار العمليات الصناعية في بيئات محاكاة متقدمة قبل تنفيذها فعليًا. على سبيل المثال، تعمل منصات الروبوتات الصناعية على دمج أدوات محاكاة مثل NVIDIA Omniverse لإنشاء بيئات رقمية واقعية لتدريب الروبوتات وتحسين العمليات.

النتيجة هي خط عمل متواصل: الذكاء الاصطناعي يقترح → الروبوتات تصنع → الأجهزة تختبر → البيانات تعيد تدريب الذكاء الاصطناعي.

شراكات صناعية ضمن النظام الأوروبي

ترتبط Dunia بعدة مبادرات وتعاونات صناعية في مجال اكتشاف المواد المتقدمة.

• Hitachi High‑Tech Europe — أعلنت الشركة شراكة استراتيجية مع Dunia لتسريع تطوير وتوصيف المواد الوظيفية الجديدة المستخدمة في الوقود المستدام والمواد الكيميائية وتقنيات الطاقة النظيفة.

• مبادرة ASCEND الأوروبية للمحفزات — تشارك Dunia في برنامج أوروبي بقيمة 30 مليون يورو مع شركات ومؤسسات مثل Siemens Energy وBASF ومركز Helmholtz‑Zentrum Berlin ومعهد Fritz Haber، بهدف تسريع ابتكار المحفزات باستخدام الذكاء الاصطناعي والأتمتة.

• نظم الروبوتات والمحاكاة الصناعية — تقنيات الروبوتات والمحاكاة من شركات مثل ABB Robotics وNVIDIA تُستخدم على نطاق واسع في الأتمتة الصناعية والمختبرية، ما يوضح كيف يمكن للبيئات الرقمية الواقعية تسريع نشر الأنظمة الروبوتية المعقدة.

مع ذلك، لا تؤكد المصادر العامة أن جميع الشركات التي تُذكر أحيانًا في سياق المشروع—مثل AWS أو NVIDIA أو ABB أو Merck—هي شركاء رسميون في مختبر GigaLab نفسه.

لماذا لا يكفي الذكاء الاصطناعي وحده

حتى أفضل نماذج الذكاء الاصطناعي لا تستطيع استبدال التجارب الفيزيائية بالكامل. فقبل اعتماد أي مادة صناعيًا يجب التحقق منها في المختبر وعلى نطاق واسع.

هناك عدة أسباب لذلك:

تأثير طريقة التصنيع
قد تختلف خصائص المادة بحسب طريقة تصنيعها أو الشوائب أو البنية المجهرية.

اختبار الأداء الواقعي
يجب تقييم المواد تحت ظروف تشغيل حقيقية مثل درجات الحرارة العالية والضغط والتعرض الكيميائي.

إمكانية الإنتاج على نطاق صناعي
لا يكفي أن تعمل المادة في تجربة واحدة؛ يجب أن يكون إنتاجها قابلًا للتكرار وبكلفة مناسبة.

المختبرات المؤتمتة تساعد على حل هذه التحديات لأنها تستطيع إجراء آلاف التجارب المنظمة بسرعة، وتوليد مجموعات بيانات ضخمة لتحسين نماذج الذكاء الاصطناعي والتحقق من النتائج.

القطاعات المستهدفة

تركّز أعمال Dunia بشكل خاص على المحفزات الكهروكيميائية والعمليات الصناعية المرتبطة بانتقال الطاقة، مثل إنتاج الهيدروجين الأخضر والأمونيا وتحويل ثاني أكسيد الكربون إلى مواد كيميائية مفيدة.

وتعد المحفزات عنصرًا أساسيًا في الصناعة الكيميائية وإنتاج الوقود، إذ يمكن لتحسينات صغيرة في كفاءتها أن تؤدي إلى تأثير اقتصادي وبيئي كبير.

كما أن قطاعات أخرى مثل البطاريات وأشباه الموصلات وأنظمة تخزين الطاقة تعتمد أيضًا على اكتشاف مواد جديدة، رغم أن البرامج المحددة لهذه المجالات في منشأة برلين لم تُعلن رسميًا بعد.

ماذا قد يعني ذلك لأوروبا

إذا تم إنشاء مختبر ذاتي واسع النطاق مثل GigaLab، فقد يغيّر الطريقة التي تُجرى بها الأبحاث الصناعية في أوروبا.

بدل فرق بحثية صغيرة تعمل بتسلسل بطيء من التجارب، يمكن للمؤسسات الصناعية والجامعات الوصول إلى منصة اكتشاف تعمل مثل مصنع علمي قادر على اختبار عدد هائل من المواد بسرعة.

هذا قد يسرّع الابتكار في تقنيات مهمة للمناخ مثل الوقود النظيف والمواد الكيميائية المستدامة ومواد التصنيع المتقدمة.

بشكل أوسع، تشير استراتيجية Dunia—التي تجمع نماذج الذكاء الاصطناعي مع الروبوتات والتجارب الصناعية—إلى ظهور نوع جديد من البنية التحتية البحثية يمكن وصفه بأنه بحث علمي "مولود في عصر الذكاء الاصطناعي"، حيث تُصمَّم المختبرات نفسها لتعمل بشكل شبه ذاتي وتُسرّع عملية الاكتشاف العلمي.

ورغم أن كثيرًا من تفاصيل مشروع GigaLab—مثل حجمه النهائي أو تمويله الكامل أو موعد إطلاقه—ما زالت غير مؤكدة علنًا، فإن الفكرة تعكس اتجاهًا متناميًا عالميًا: بناء مختبرات مؤتمتة تعمل أقرب إلى المصانع منها إلى المختبرات التقليدية.

وبالنسبة لعلم المواد، قد يعني ذلك تقليص المسافة بين التنبؤات الحاسوبية والتطبيق الصناعي الواقعي بشكل كبير.