الذكاء الاصطناعي يُعزز البحث عن مواد تبريد مستدامة من الجيل التالي

في عالم المواد، تعتبر تقنية النانو فوتونيات الحرارية أمراً بالغ الأهمية لتمكين تحقيق اختراقات أساسية في مختلف التطبيقات التكنولوجية.

تجمع الفوتونيات النانوية الحرارية بين الفوتونيات النانوية والعلوم الحرارية للتحكم في انتقال الحرارة على المستوى النانوي والتحكم فيه. وتستخدم البنى النانوية والمواد لتكييف الإشعاع الحراري وتدفق الحرارة، مما يُحدث تطورات في تطبيقات متنوعة، بما في ذلك حصاد الطاقة، والإدارة الحرارية، والاستشعار.

تُعنى الفوتونات النانوية بسلوك الضوء على مقياس النانومتر. أما المواد الفوتونية النانوية، فتُتيح تحكمًا طيفيًا واتجاهيًا بالانبعاث الحراري.

إن الطريقة التقليدية للعثور على مثل هذه المواد تعوقها أساليب التجربة والخطأ، ولكن ظهور التعلم الآلي والذكاء الاصطناعي أحدث ثورة في مجال علم المواد من خلال تسريع عمليات اكتشاف المواد وتصميمها وتحسينها بشكل كبير.

وفي حين أظهرت التكنولوجيا قدراتها القوية في تصميم المواد النانوية الفوتونية والمواد الخارقة، فإن تطوير منهجية تصميم عامة لتخصيص بواعث النانو الفوتونية عالية الأداء مع التحكم في النطاق العريض للغاية والانتقائية الدقيقة للنطاق يمثل تحديًا. 

ويرجع ذلك إلى التقييد بالخوارزميات التقليدية، وفخاخ التحسين المحلية، والأشكال الهندسية والمواد المحددة مسبقًا. 

ومع ذلك، فإن هذا الأمر يتم معالجته الآن من قبل علماء من جامعة تكساس في أوستن، والذين تعاونوا مع باحثين من جامعة أوميا في السويد، والجامعة الوطنية في سنغافورة، وجامعة شنغهاي جياو تونغ.

معا، لديهم صمم تقنية التعلم الآلي¹ لتصميم باعثات حرارية معقدة ثلاثية الأبعاد. 

المواد الباعثة للإشعاع هي مواد مصممة للتحكم في الإشعاع الكهرومغناطيسي والتلاعب به، وتوفر تطبيقات في كفاءة الطاقة والإدارة الحرارية. 

يُمثل إطار عملنا للتعلم الآلي نقلة نوعية في تصميم الباعثات الحرارية الفائقة. فمن خلال أتمتة العملية وتوسيع مساحة التصميم، يُمكننا ابتكار مواد ذات أداء فائق لم يكن من الممكن تصوره من قبل.

- Sيوي بينج تشنغ، الأستاذ المشارك في الدراسة في قسم ووكر للهندسة الميكانيكية بكلية كوكريل للهندسة

مواد مدعومة بالذكاء الاصطناعي لتصميم حضري مقاوم لتغير المناخ

نُشرت الدراسة في مجلة Nature، وهي تتناول بالتفصيل الإطار الجديد القائم على التعلم الآلي والذي ساعد في تصميم مواد يمكنها خفض درجات الحرارة في الأماكن المغلقة، وبالتالي خفض تكاليف الطاقة.

باستخدام إطار عملهم، تمكّن العلماء من إنتاج أكثر من 1,500 مادة جديدة قادرة على إصدار الحرارة بشكل انتقائي وبطريقة مُتحكّم فيها. كما يُمكنها توفير دقة أعلى في التدفئة والتبريد، مما يُحسّن كفاءة الطاقة.

يمكن لإطار عملهم تصميم أجهزة إرسال حرارية فائقة النطاق وانتقائية النطاق من خلال تحسين معلمات متعددة باستخدام بيانات محدودة تغطي تنوع المواد وتعقيد البنية ثلاثية الأبعاد.

وفقًا للدراسة، تُمكّن بنيتها من قدرات تصميم مزدوجة. أولًا، تُؤتمت التصميم العكسي للعديد من البنى الفوقية المُحتملة، بالإضافة إلى تركيبات المواد لتخصيص الطيف. ثانيًا، تتمتع بقدرة غير مسبوقة على تصميم مُصدرات إشعاعية ثلاثية الأبعاد مُختلفة من خلال تطبيق طريقة نمذجة ثلاثية الأبعاد تتغلب على قيود البنى التقليدية المُسطحة ثنائية الأبعاد. 

في دراستهم، قدم الفريق سبعة أجهزة بث ميتا تجريبية تثبت أداء تبريد بصري وإشعاعي متفوق، متجاوزة التصميمات المتقدمة الحالية. تم تصميم الفئات السبع من الباعثات الفوقية لتتناسب مع وظائف محددة.

تم تطوير الإطار العام لتصنيع مواد نانوية فوتونية ثلاثية الأبعاد، والتي لاحظ الباحثون أنها "تسهل التحسين العالمي من خلال الحرية الهندسية الموسعة والأبعاد وقاعدة بيانات شاملة للمواد".

والآن، لتقييم جدوى نظام التصميم الخاص بهم، أنتج الباحثون أربع مواد عينة ثم اختبروا أدائها. 

طُبِّقت إحدى مواد مُصدر الطاقة فوق البنفسجية على سقف منزل نموذجي. ولتحليل قدرتها على التبريد، قورنت هذه المادة بالدهانات التجارية القياسية البيضاء والرمادية. وما لاحظه الباحثون بعد تعرض السقف لأشعة الشمس المباشرة في منتصف النهار لمدة أربع ساعات هو أن المادة المُصنّعة حديثًا كانت، في المتوسط، أبرد من الدهانات التقليدية بما يتراوح بين 5 و20 درجة مئوية.

وبناءً على ذلك، يقدر الفريق أن مادتهم ستوفر ما يقرب من 15,800 كيلووات في الساعة سنويًا في تكاليف التبريد لمبنى سكني في مدينة حارة مثل بانكوك. تستهلك وحدة تكييف الهواء القياسية عادة حوالي 1,500 كيلووات ساعة سنويًا.

لذا، يُمكن استخدام المواد التي ابتكرها الفريق لتوفير الطاقة في القطاعين السكني والتجاري. ففي المدن، يُمكن لهذه المواد أن تُساعد في خفض درجات الحرارة من خلال عكس أشعة الشمس وإطلاق الحرارة بأطوال موجية مُحددة. وبهذه الطريقة، يُمكن لهذه المواد أن تُقلل من تأثير الجزيرة الحرارية الحضرية الناتج عن قلة المساحات الخضراء وكثافة الهياكل الخرسانية.

لكن هذا ليس نطاق استخدامها. يمكن استخدام هذه المادة أيضًا في التطبيقات الفضائية، حيث تُدير بكفاءة الإشعاع الشمسي الوارد والحرارة المنبعثة، مما يُساعد في تنظيم درجات حرارة المركبات الفضائية.

تتجاوز استخدامات الباعثات الحرارية الفائقة هذا بكثير. فعلى سبيل المثال، من خلال دمجها في الأقمشة والمنسوجات، يُمكننا تحسين تقنية التبريد في الملابس والمعدات الخارجية. 

السيارات مثال آخر. بتغليف السيارات بباعثات حرارية فائقة ودمجها في مواد داخلية، يمكن أيضًا تقليل الحرارة المتراكمة عند ترك السيارات تحت أشعة الشمس.

على الرغم من مزاياها العديدة، لم تحظَ هذه المواد باعتماد واسع النطاق نظرًا لعملية تصميمها المُرهِقة، حتى الخيارات الآلية واجهت صعوبة في التعامل مع هيكلها الهرمي ثلاثي الأبعاد المُعقّد. لكن كل هذا قد يتغير أخيرًا مع أحدث أطر عمل الذكاء الاصطناعي.

تقليديًا، كان تصميم هذه المواد بطيئًا ويتطلب جهدًا مكثفًا، ويعتمد على أساليب التجربة والخطأ. غالبًا ما يؤدي هذا النهج إلى تصميمات دون المستوى الأمثل، ويحد من القدرة على إنتاج مواد بالخصائص اللازمة لتكون فعالة.

– تشنغ

ولذلك، سيواصل الباحثون العمل على تقنياتهم، وتحسينها وتطبيقها على جوانب إضافية من الفوتونيات النانوية.

"قد لا يكون التعلم الآلي هو الحل لكل شيء، ولكن المتطلبات الطيفية الفريدة لإدارة الحرارة تجعله مناسبًا بشكل خاص لتصميم الباعثات الحرارية عالية الأداء."

– المؤلف المشارك كان ياو

كيف يُسرّع الذكاء الاصطناعي اكتشاف مواد جديدة

يركز علم المواد على بنية المواد وخصائصها ومعالجتها وأدائها، ويشكل الأساس لكل شيء بدءًا من الفضاء والإلكترونيات والطاقة وحتى الطب والعديد من المجالات الأخرى. 

في الواقع، كان اكتشاف وتطوير مواد جديدة أمراً حاسماً في تشكيل التاريخ البشري لعدة قرون، وفي تقدم التكنولوجيا.

لعقود، اعتمدنا على أسلوب التجربة والخطأ لإيجاد مواد غير عضوية جديدة ذات خصائص مُرضية. هذا الأسلوب مُكلف للغاية، إذ يتطلب مئات الآلاف من ساعات التجارب لتحديد عدد قليل من المواد الجديدة المُحتملة، ثم تصنيعها.

إن تعقيد المواد على المستويين الجزيئي والذري هو ما يجعل اكتشاف مواد جديدة عمليةً طويلةً ومكلفة. لذا، غيّر تزايد توفر الحواسيب العملاقة علم المواد من خلال السماح بمحاكاة سلوك المواد.

والآن، يُحدث ظهور الذكاء الاصطناعي ثورةً في هذا المجال بتسريعه النهج الحاسوبي في علم المواد. فمن خلال توفير الخصائص المطلوبة للمادة، بالإضافة إلى القيود، يُمكن لأنظمة الذكاء الاصطناعي التوليدي الآن ابتكار مواد جديدة كليًا.

وبعد كل شيء، فإن النماذج المتقدمة اليوم، والتي تم تدريبها على مجموعات بيانات ضخمة، عندما يتم دمجها مع الحوسبة عالية الإنتاجية، قادرة على فحص المواد المرشحة بسرعة مقابل المعلمات المرغوبة، وبالتالي التنبؤ بخصائص العديد من المواد في وقت قصير للغاية.

لا يمكن للذكاء الاصطناعي أن يوفر وقت التطوير والموارد البشرية والمادية فحسب، بل يمكنه أيضًا القيام بذلك مع تلبية متطلبات السوق المعقدة والمتنوعة بدقة.

كما تقول كريستين بيرسون، أستاذة علم المواد في جامعة كاليفورنيا، بيركلي: وأشارنحن حاليًا في عصرٍ يعتمد فيه العلم على البيانات الضخمة والذكاء الاصطناعي. واليوم، لدينا ما يكفي من البيانات لتدريب خوارزميات التعلم الآلي، وهذا "يُحدث نقلة نوعية في سرعة الابتكار"، على حد قولها.

من المثير للاهتمام أن الذكاء الاصطناعي يستفيد أيضًا من اكتشاف مواد جديدة. فالذكاء الاصطناعي يتطلّب بيانات كثيرة، بينما يفتقر مجال علوم المواد إلى البيانات. باستخدام هذه التقنية، يمكن محاكاة خصائص المواد، واستخدام البيانات الناتجة لتدريب نماذج التعلم الآلي.

يقود بيرسون حاليًا مشروعًا متعدد المؤسسات والجنسيات يُسمى "مشروع المواد"، والذي يستخدم الحوسبة الفائقة والأساليب المُحفَّزة المتقدمة لحساب خصائص جميع المواد غير العضوية المعروفة وما بعدها. تُتاح البيانات مجانًا لتصميم مواد جديدة.

انقر هنا لمعرفة المزيد عن بلاط السقف التكيفي الذي يمكن أن يساعد في تقليل استهلاك الطاقة للتدفئة/التبريد.

إنجازات في اكتشاف المواد المدعومة بالذكاء الاصطناعي

باحثون من كلية الهندسة بجامعة تورنتو تم تقديم أداة جديدة² ظهرت مؤخرًا دراسة تتنبأ بكيفية استخدام مادة جديدة على النحو الأمثل من أجل تقليل الفجوة بين اكتشاف مادة ما ونشرها.

تستخدم أداة الذكاء الاصطناعي المتعددة الوسائط بيانات المرحلة المبكرة للتنبؤ بالاستخدام المحتمل في العالم الحقيقي لمادة جديدة مع التركيز على فئة محددة من المواد المسامية تسمى الأطر المعدنية العضوية (MOFs). 

في العام الماضي فقط، طوّر الباحثون أكثر من 5,000 نوع مختلف من هذه المواد، ذات خصائص قابلة للتعديل، وفقًا لما أشار إليه البروفيسور سيد محمد موسوي، قائد الدراسة من جامعة تورنتو (ChemE). وأضاف أن التحدي يكمن في أن الإطار العضوي المعدني المُصمّم لتطبيق معين غالبًا ما يتبيّن أنه يمتلك خصائص مناسبة لتطبيق مختلف تمامًا.

قال موسافي: "في مجال اكتشاف المواد، يكون السؤال الشائع هو: ما هي أفضل مادة لهذا التطبيق؟ لكننا قلبنا هذا السؤال وسألنا: ما هو أفضل تطبيق لهذه المادة الجديدة؟ مع إنتاج كميات كبيرة من المواد يوميًا، نريد أن نحوّل تركيزنا من "ما هي المادة التي سنصنعها لاحقًا" إلى "ما هو التقييم الذي يجب أن نجريه لاحقًا".

لذا، طوّر طالب الدكتوراه في الهندسة الكيميائية، سرتاج خان، نظام تعلّم آلي متعدد الوسائط مُدرّب على أنواع مختلفة من البيانات. كان تعدد الوسائط أساسيًا هنا، إذ منح النموذج "صورةً أكثر اكتمالًا" لتقديم تنبؤات أدقّ دون الحاجة إلى إجراء عمليات تركيب لاحقة.

وفي الوقت نفسه، استخدم باحثون من مختبر أرجون الوطني نموذج انتشار الذكاء الاصطناعي التوليدي لـ توليد أكثر من 120,000 MOF³ تم اختيار المرشحين في غضون نصف ساعة تقريبًا باستخدام حاسوب فائق. وقد قلصت الشبكة العصبية المعدلة عدد الأطر العضوية المعدنية إلى 364، والتي كان يُعتقد أنها عالية الأداء.

وبعد بضعة أيام أخرى ومزيد من التحليل الحسابي، وجد الفريق 102 من مركبات MOF المستقرة في مجموعة البيانات. وكان لدى 6 من هذه المركبات قدرة على استيعاب ثاني أكسيد الكربون، وهي من بين أعلى 2% من المواد في قاعدة بيانات hMOF الشهيرة.

وفي مثال آخر، استخدم العلماء الذكاء الاصطناعي لـ تصميم مواد نانوية جديدة كليًا⁴ التي تكون خفيفة مثل البوليسترين مع امتلاكها قوة الفولاذ الكربوني. 

تتعارض القوة والمتانة في العديد من المواد، بما في ذلك المواد النانوية، المكونة من وحدات بناء فائقة الصغر. عند تكرارها، تُعزز هذه الوحدات قوة المادة، ولكنها قد تُسبب أيضًا تركيزات إجهاد تؤدي إلى كسور مفاجئة. 

ولإيجاد طرق أفضل لتصميم المواد النانوية، قام الباحثون بمحاكاة الأشكال الهندسية المحتملة ثم قاموا بتشغيلها من خلال خوارزمية تعلمت من تصميماتها للتنبؤ بأفضل الأشكال لتوزيع الضغوط المطبقة بالتساوي أثناء حمل حمولة ثقيلة.

واستخدم الباحثون طابعة ثلاثية الأبعاد لإضفاء الحياة على هذه الأشكال، ووجدوا أنها قادرة على تحمل ضغط يبلغ 3 ميجا باسكال (MPa) لكل متر مكعب لكل كيلوغرام، وهو ما يزيد خمس مرات عن ضغط التيتانيوم.

ويرى الباحثون أن تطبيقهم المحتمل هو مكونات خفيفة الوزن للغاية في تطبيقات الطيران لتقليل الطلب على الوقود والبصمة الكربونية العالية للطيران.

وفقًا للمؤلف الأول بيتر سيرليس، وهو باحث هندسي في معهد كاليفورنيا للتكنولوجيا:

هذه هي المرة الأولى التي يُطبّق فيها التعلم الآلي لتحسين المواد ذات الهندسة النانوية، وقد أذهلتنا التحسينات. لم يقتصر الأمر على تكرار الأشكال الهندسية الناجحة من بيانات التدريب فحسب، بل تعلّم أيضًا من التغييرات التي أُجريت على الأشكال والتي لم تُنفّذ، مما مكّنه من التنبؤ بهندسة شبكية جديدة كليًا.

ويتم أيضًا استخدام اكتشاف المواد المستند إلى الذكاء الاصطناعي على نطاق واسع في التخطيط الحضري. A البحوث التعاونية⁵ نجح فريق من جامعة بكين وجامعة جنوب الدنمارك في تطوير إطار عمل متقدم يدمج التعلم العميق مع الاستشعار عن بعد لتحديد مواد البناء بدقة غير مسبوقة.

بالإضافة إلى كفاءة الطاقة، يمكن للذكاء الاصطناعي أن يعزز التخطيط الحضري من خلال المساعدة في مراقبة البيئة والحفاظ عليها، وتطوير الإسكان والبنية التحتية، والسلامة العامة والاستجابة للكوارث.

انقر هنا لمعرفة المزيد عن توربينات الرياح الخالية من الشفرات، والتي يشار إليها غالبًا باسم مستقبل الطاقة النظيفة.

الاستثمار في اكتشاف المواد القائم على الذكاء الاصطناعي

إذا نظرنا إلى إمكانات الاستثمار في الذكاء الاصطناعي، فهي هائلة، مع وجود السوق من المتوقع أن تبلغ قيمتها تريليونات في السنوات القادمة. عندما يتعلق الأمر بالشركات الرائدة في هذا التقدم التكنولوجي، وخاصةً في مجال علوم المواد، يبرز اسمان: Microsoft (MSFT ) و جوجل (شركة الأبجدية) (GOOG )التي أطلقت نماذجها الخاصة لرفع مستوى دقة أبحاث المواد. مع ذلك، ولأغراض هذه المقالة، سنركز على شركة Alphabet Inc.

شركة الأبجدية (GOOG )

في أواخر عام ٢٠٢٣، أصدرت شركة DeepMind التابعة لشركة Google أداة ذكاء اصطناعي تُسمى Graph Networks for Materials Exploration (Gnome) لتسريع عملية اكتشاف المواد. في ذلك الوقت، وذكرت⁶ العثور على 2.2 مليون بلورة جديدة بمساعدة أداة التعلم العميق.

أشارت جوجل إلى أن هذا "يعادل نحو 800 عام من المعرفة، ويُظهر نطاقًا ومستوى غير مسبوقين من الدقة في التنبؤات". وتضمنت البلورات المكتشفة حديثًا 380,000 ألف مادة مستقرة، مما يجعلها مرشحة واعدة للتركيب التجريبي وقادرة على دعم تقنيات المستقبل.

نموذج جنوم هو نموذج شبكة عصبية بيانية (GNN)، حيث تُمثَّل بيانات الإدخال كرسم بياني. دُرِّب جنوم على بيانات من مشروع المواد، بما في ذلك هياكل البلورات واستقرارها، لتوليد بلورات جديدة مُرشَّحة والتنبؤ باستقرارها.

قامت جوجل بتقييم قدرتها التنبؤية من خلال فحص أدائها بشكل متكرر باستخدام نظرية الكثافة الوظيفية (DFT). أما في "عملية التدريب"، فقد استخدمت "التعلم النشط" حيث أُعيدت البيانات الناتجة إلى النموذج، مما عزز أداء جنوم بشكل ملحوظ. 

وفقًا لجوجل، ارتفعت دقة تنبؤات استقرار النموذج من ٥٠٪ إلى ٨٠٪. في الوقت نفسه، رُفعت كفاءة النموذج من أقل من ١٠٪ إلى أكثر من ٨٠٪.

علاوة على ذلك، قام باحثون خارجيون بتصنيع حوالي 736 مادة تنبأ بها الجينوم بشكل مستقل. كما تعاونت جوجل مع مختبر لورانس بيركلي الوطني لتصنيع 41 مادة جديدة، مما يؤكد قوة الأداة التنبؤية وفعالية التجارب المستقلة.

لنلقِ نظرة الآن على أداء عملاق القيمة السوقية، البالغة 2.2 تريليون دولار أمريكي. حتى كتابة هذه السطور، يُتداول سهم الشركة عند حوالي 182 دولارًا أمريكيًا، بانخفاض 3.86% منذ بداية العام. يبلغ ربح السهم (لآخر 8.97 سنوات) 20.29، ومضاعف الربحية (لآخر 0.46 سنوات) XNUMX. ويبلغ عائد توزيعات الأرباح المدفوعة XNUMX%.

أما بالنسبة للبيانات المالية للشركة، فقد أعلنت شركة ألفابت، الشركة الأم لجوجل، عن إيرادات بلغت 90.2 مليار دولار أمريكي للربع الأول المنتهي في 1 مارس 31. وبلغت أرباح السهم 2025 دولار أمريكي. وصرح الرئيس التنفيذي سوندار بيتشاي بأن هذه الأرقام "تعكس نموًا قويًا وزخمًا في جميع أنحاء الشركة. ويدعم هذا النمو نهجنا الفريد والمتكامل في مجال الذكاء الاصطناعي".

أحدث أخبار وتطورات أسهم شركة Alphabet Inc. (GOOG)

خاتمة

يُحدث الذكاء الاصطناعي تحولاً جذرياً في كل جانب من جوانب حياتنا، بما في ذلك كيفية تصميمنا للمواد التي تُشكل مستقبلنا. ويُمثل دمج هذه التكنولوجيا في علوم المواد نقلة نوعية حقيقية، إذ يُسرّع من وتيرة اكتشافات كانت تستغرق سنوات لتتحقق، بينما تستغرق الآن أياماً، بل وساعات.

وبعبارة بسيطة، فإن الذكاء الاصطناعي يقود مستقبل الابتكار في مجال المواد من خلال الاستفادة من مجموعات البيانات الضخمة، والحوسبة عالية الإنتاجية، والنماذج التوليدية، مما يسمح للباحثين بالتنبؤ بالمواد الجديدة وتصميمها وتحسينها بكفاءة ودقة غير مسبوقة.

انقر هنا لمعرفة المزيد عن أسهم الطاقة النظيفة ذات التركيز البيئي.

المراجع:

١. شياو، س.؛ ليو، م.؛ ياو، ك.؛ وآخرون. النطاق العريض الفائق والباعثات الحرارية الانتقائية النطاق باستخدام التعلم الآلي. مجلة نيتشر ٢٠٢٥، ٦٤٣، ٨٠-٨٨. https://doi.org/10.1038/s41586-025-09102-y
2. خان، إس تي؛ موسافي، إس إم: ربط تركيب الإطار المعدني العضوي بالتطبيقات باستخدام التعلم الآلي متعدد الوسائط. مجلة نيتشر كوميونيكيشنز ٢٠٢٥، ١٦، ٥٦٤٢. https://doi.org/10.1038/s41467-025-60796-0
3. بارك، هـ.؛ يان، كس.؛ تشو، ر.؛ وآخرون. إطار عمل ذكاء اصطناعي توليدي قائم على نموذج انتشار جزيئي لتصميم أطر معدنية عضوية لالتقاط الكربون. كيمياء الاتصالات 2024، 7، 21. https://doi.org/10.1038/s42004-023-01090-2
4. سيرليس، ص. يو، J.؛ هاتشي، م.؛ ديمينجوس، PG؛ كونغ، J .؛ كيفر، ب. دهوليبالا، س. كومرال، ب. جيا، ك. يانغ، س.؛ فنغ، T.؛ جيا، سي. أجيان، رئيس الوزراء؛ بورتيلا، سم؛ فيجنر، م. هاو، J.؛ سينغ، السيرة الذاتية؛ زو، Y.؛ ريو، S .؛ فيليتر، T. قوة نوعية فائقة عن طريق التحسين البايزي لشبكات الكربون النانوية. المواد المتقدمة 2025 37 (14) ، e2410651. https://doi.org/10.1002/adma.202410651
5. صن، ك.؛ لي، كيو.؛ ليو، كيو.؛ سونغ، جيه.؛ داي، إم.؛ تشيان، إكس.؛ جوميدي، إس آر بي؛ يو، بي.؛ كروتزيج، إف.؛ ليو، جي. فك تشفير النسيج الحضري: تحديد مواد البناء عالية الدقة من خلال التعلم العميق والاستشعار عن بعد. العلوم البيئية والتكنولوجيا البيئية 2025 24، 100538. https://doi.org/10.1016/j.ese.2025.100538
6. ميرشانت، أ.؛ باتزنر، س.؛ شوينهولز، س.؛ وآخرون. توسيع نطاق التعلم العميق لاكتشاف المواد. الطبيعة 2023, 62480-85. https://doi.org/10.1038/s41586-023-06735-9