نهاية العصر الإديسوني: الاكتشاف الحتمي في عصر الذكاء الاصطناعي مغلق الحلقة

الملخص التنفيذي

لقد تحدَّد تاريخ علوم المواد واكتشاف المستحضرات الدوائية بمنهجية واحدة مستمرة: النهج الإديسوني. وهذا الأسلوب، الذي يتسم بالتجربة والخطأ عاليَي الإنتاجية والحدس البشري والمصادفة، قد خدم البشرية لأكثر من قرن، مقدِّمًا ابتكارات تمتد من المصباح الكهربائي إلى الجيل الأول من الأدوية الاصطناعية. ومع ذلك، مع تزايد تعقيد المواد المطلوبة وجني "الثمار السهلة المنال" من الجزيئات الصغيرة، اصطدم النهج الإديسوني بجدار إحصائي واقتصادي. إذ يُقدَّر فضاء البحث الخاص بالجزيئات الشبيهة بالأدوية بما يتراوح بين $10^{60}$ و $10^{100}$ ¹، وهو حجم يجعل الفحص الفيزيائي مستحيلًا من الناحية المادية ومدمِّرًا من الناحية الاقتصادية. إننا نشهد الآن أفول الاكتشاف القائم على الحدس وبزوغ فجر الاكتشاف الذاتي مغلق الحلقة، وهي منهجية تدمج التعلم النشط والتعلم الآلي المستنير بالفيزياء (PIML) والأتمتة الروبوتية في محرك موحَّد حتمي.

تقف Veriprajna في طليعة هذا التحول النموذجي. ونحن نرى أن مستقبل البحث والتطوير يكمن لا في مجرد استخدام الماصّات بوتيرة أسرع، بل في التنبؤ بذكاء أكبر. فبالانتقال من الحدس مفتوح الحلقة إلى الاختيار الخوارزمي مغلق الحلقة، تستطيع المؤسسات الإبحار في الاتساع الكيميائي الهائل بدقة، محوِّلةً "فن" الاكتشاف إلى تخصص هندسي صارم. وتعرض هذه الورقة البيضاء الضرورات المعمارية والرياضية والاقتصادية لتبنّي مختبرات الاكتشاف مغلقة الحلقة. كما تشرّح قيود الفحص عالي الإنتاجية (HTS) التقليدي، والتفوق الرياضي للتحسين البايزي على البحث العشوائي، والدور الحاسم والمبخوس القيمة لـ"البيانات السلبية"، والمتطلبات الهيكلية لبناء المختبرات ذاتية التشغيل. ونحن نتحدى الاعتماد السائد على "أغلفة الذكاء الاصطناعي التوليدي" وندعو إلى حلول ذكاء اصطناعي عميقة ومتوافقة مع الفيزياء تعيد تعريف اقتصاديات الابتكار.

الرسالة إلى القطاع واضحة: "طريقة إديسون" قد عفا عليها الزمن. فإذا كنت تختبر مواد جديدة فيزيائيًا في مختبر رطب دون محاكاتها أولًا، فأنت تشعل النار في أموالك. لا تخمِّن وتتحقق. بل حاكِ واختر.

1. الاستحالة الإحصائية للاكتشاف الإديسوني

1.1 إرث التجربة والخطأ وحدوده الحديثة

كانت المنهجية المنسوبة إلى توماس إديسون—اختبار آلاف الفتائل الكربونية للعثور على واحدة تتوهج—متجذرة في عصر تخلَّف فيه الفهم النظري كثيرًا عن القدرة التجريبية. وقد أدرك إديسون نفسه، ومعاصروه من أمثال نيكولا تسلا، انعدام الكفاءة الفادح لهذا النهج حتى في القرن التاسع عشر. وقد اشتهر تسلا بانتقاده لمنهجية إديسون، مشيرًا إلى أن "قليلًا من النظرية والحساب" كان من شأنه أن يوفر 90% من الجهد. ³ وفي حين تبنّى إديسون في نهاية المطاف مناهج أكثر تنظيمًا، فإن إرثه في البحث والتطوير الحديث لا يزال قائمًا بوصفه أسلوب "القوة الغاشمة": تخليق واختبار مكتبات ضخمة من المركّبات على أمل العثور على "إصابة".

في القرن الحادي والعشرين، لم يعد هذا النهج قابلًا للاستمرار. فانعدام الكفاءة ينبع من الانفصال الجوهري بين النظرية والتجربة، مما يؤدي إلى ظاهرة تُعرف باسم "التطور المتقطع". ⁴ في هذا النموذج، لا تنقطع الفترات الطويلة من التحسين التدريجي إلا بقفزات نادرة وليدة المصادفة تُكتشف غالبًا عن طريق الخطأ. ففي مجال مواد الطاقة، على سبيل المثال، تبقى أفكار مشكوك فيها حية لسنوات بسبب غياب التحقق المسبق الصارم، مما يؤدي إلى إهدار رأس المال على مواد تنتهك الإمكانات الديناميكية الحرارية. ⁴ وشعار "افشل سريعًا"، رغم شيوعه، كثيرًا ما يُطبَّق في مرحلة متأخرة جدًا من العملية. ففي المختبر الرطب التقليدي، الفشل مكلف. فالكواشف ووقت التخليق واستخدام المعدات كلها تحرق رأس المال.

يكمن العيب الجوهري للنهج الإديسوني في اعتماده على "الفحص" بدلًا من "التصميم". فالفحص يفترض أن الإجابة تكمن داخل مكتبة مخلَّقة مسبقًا. لكن مع توغلنا في المستحضرات البيولوجية المعقدة والسبائك متعددة العناصر والواجهات ذات البنية النانوية، فإن احتمال وجود الحل الأمثل داخل مكتبة يمكن التعامل معها فيزيائيًا ينخفض إلى ما يقارب الصفر. يحاول النهج الإديسوني إحلال الجهد محل الذكاء، وهي استراتيجية تتضاءل فعاليتها أُسّيًا مع تزايد تعقيد فضاء المشكلة.

1.2 الحجم الفلكي للفضاء الكيميائي

لفهم عبثية التجربة والخطأ الفيزيائيين، لا بد من إدراك الحجم الهائل لمشكلة البحث. يشير مفهوم "الفضاء الكيميائي" إلى فضاء الخصائص الذي تمتد عبره جميع الجزيئات والمركّبات الكيميائية الممكنة الملتزمة بمجموعة معينة من مبادئ البناء والشروط الحدّية. ¹ ويُقدَّر عدد الجزيئات الصغيرة النشطة دوائيًا الملتزمة بقواعد ليبينسكي (الوزن الجزيئي < 500، وأنواع ذرات مقيَّدة) بنحو $10^{60}$. ¹ وعند توسيع ذلك ليشمل فضاء الكيمياء العضوية الأوسع، بما في ذلك الهالوجينات والبنى الحلقية المعقدة والمستحضرات البيولوجية الأكبر حجمًا، يقترب العدد من $10^{100}$. ³

ولوضع ذلك في سياقه، فإن عدد الذرات في الكون المرصود يبلغ تقريبًا $10^{80}$. وقد تختبر حملة قياسية للفحص عالي الإنتاجية (HTS) نحو $10^{6}$ (أي مليون) مركّب. وحتى لو فحص عملاق صيدلاني مليار مركّب ($10^9$)، فلن يكون قد استكشف سوى $0.000000000000000000000000000000000000000000000000001%$ من الفضاء المتاح. إن "كون الجزيئات الصغيرة" فلكي الأبعاد. وعندما يبحث فيه الكيميائيون بالحدس أو الفحص العشوائي، فإنهم تائهون فعليًا. ²

و"طريقة إديسون" في هذا السياق أشبه بمحاولة رسم خريطة للمحيط الهادئ بغمس ملعقة صغيرة في الماء على فترات عشوائية. فمن دون خريطة—أي نموذج تنبؤي—يكون البحث محكومًا رياضيًا بعدم الكفاءة. وتظل الغالبية العظمى من هذا الفضاء غير مستكشفة، بمثابة "المادة المظلمة" في الكيمياء—مركّبات مستقرة نظريًا لكنها لم تُخلَّق أو تُختبر قط. والسبيل الوحيد للإبحار في هذا الاتساع هو الانتقال من الاستكشاف الفيزيائي إلى الاستكشاف الحاسوبي، حيث تُقاس تكلفة اختبار الفرضية في ميلي ثوانٍ من زمن الحوسبة بدلاً من أيام من الزمن المختبري.

1.3 العواقب الاقتصادية للحدس

إن التداعيات المالية لهذا القصور مذهلة. فقد ارتفعت تكلفة تطوير دواء جديد إلى ما يقارب 2.23 مليار دولار لكل أصل اعتباراً من عام 2024. ⁵ ويشمل هذا الرقم تكلفة آلاف الإخفاقات التي تسبق نجاحاً واحداً. أما معدل العائد الداخلي (IRR) للبحث والتطوير الصيدلاني، فرغم إظهاره مؤخراً بوادر تعافٍ، فقد بلغ أدنى مستوى له في 12 عاماً عند 1.2% في عام 2022 قبل أن يرتد إلى 5.9% في عام 2024، مدفوعاً إلى حد كبير بحالات استثنائية مثل ناهضات GLP-1. ⁶ وهذا التراجع في إنتاجية البحث والتطوير، الذي كثيراً ما يُسمى «قانون إيروم» (وهو قانون مور مكتوباً بالمقلوب)، هو نتيجة مباشرة لتزايد صعوبة الأهداف واستنفاد ما يسهل اكتشافه من الجزيئات.

تواجه الصناعة «هاوية براءات الاختراع» ومنافسة متزايدة، مما يستلزم التحول من الصدفة إلى القابلية للتنبؤ. ⁷ كان يُفترض أن يحل الفرز عالي الإنتاجية (HTS) هذه المشكلة عبر إضفاء الطابع الصناعي على عملية التجربة والخطأ. غير أن HTS كثيراً ما يعطي معدلات مرتفعة من النتائج الإيجابية الكاذبة ويحدد مركبات ذات خصائص فيزيائية كيميائية رديئة (مثل الذوبانية والسمّية) لأن الفرز عشوائي وليس رشيداً. ⁸ وعلاوة على ذلك، فإن النفقات الرأسمالية اللازمة للحفاظ على مكتبات فيزيائية ضخمة من المركبات وعلى بنية تحتية للفرز الآلي باهظة إلى حد لا تقدر عليه سوى أكبر المؤسسات. ⁹

الواقع الاقتصادي هو أن التجريب الفيزيائي هو أغلى مراحل البحث والتطوير. فاختبار مواد غير مستقرة ديناميكياً حرارياً أو تخليق جزيئات سامة — في حين كان يمكن التنبؤ بهذه الخصائص — هو بمثابة «إشعال النار في المال». ¹¹ ولكي نستعيد اقتصاديات الاكتشاف، علينا قلب القمع رأساً على عقب: إجراء عمليات ضخمة وزهيدة التكلفة من الفرز بالمحاكاة الحاسوبية (in silico) لتحديد المرشحين ذوي الاحتمالية الأعلى، وادخار المختبر الرطب المكلف للتحقق لا للبحث.

1.4 خدعة «البطارية الأفضل» وإخفاقات المواد

تبرز حدود النهج الإديسوني بحدة خاصة في علم المواد، حيث توضح خدعة «البطارية الأفضل» مزالق البحث الموجَّه بالحدس. ففي السعي إلى كثافة طاقة أعلى، كثيراً ما يسعى الباحثون وراء مواد توفر نظرياً أداءً عالياً لكنها تنتهك عملياً الاستقرار الديناميكي الحراري أو القيود الحركية. ⁴ ولأن هذه المواد تُختبر فيزيائياً دون محاكاة صارمة، فإن «الطرق المسدودة» لا تُكتشف إلا بعد استثمار كبير.

تُظهر الملاحظات التاريخية أن تطوير مواد البطاريات يمضي عبر «التطور المتقطع»، حيث تحدث قفزات كبيرة عند اكتشاف فئة جديدة من المواد (مثل LiFePO4)، تليها فترات طويلة من التحسين التدريجي. ⁴ والنهج الإديسوني فعال بدرجة معقولة في مرحلة التحسين (التطور التدريجي) لكنه من غير المرجح إحصائياً أن يجد «القفزة الكبيرة» التالية (التطور المتقطع) لأن فضاء البحث الخاص بفئات المواد الجديدة أوسع من أن تغطيه المعاينة العشوائية. وفي المقابل، يستطيع الذكاء الاصطناعي التنبؤي مسح كامل قاعدة بيانات البنى البلورية غير العضوية المعروفة والافتراضية لتحديد مرشحين مستقرين ديناميكياً حرارياً قبل تخليق غرام واحد. ¹¹

2. الحتمية الحاسوبية: المحاكاة قبل التخليق

2.1 التعلم الآلي المستنير بالفيزياء (PIML) مقابل الذكاء الاصطناعي ذي الصندوق الأسود

للإفلات من الفخ الإديسوني، يجب أن ينتقل البحث والتطوير إلى الوسط الحاسوبي (in silico). لكن نماذج الذكاء الاصطناعي ليست جميعها سواء. فالسوق مغمورة حالياً بنماذج ذكاء اصطناعي من نوع «الصندوق الأسود» تتعلم حصراً من ارتباطات البيانات. وهذه النماذج غير كافية للاكتشاف العلمي لأن البيانات التجريبية في المجالات المستجدة كثيراً ما تكون شحيحة ومشوّشة ومكلفة الاقتناء. وعلاوة على ذلك، فإن نماذج التعلم الآلي القياسية تكافح للاستقراء — فهي تؤدي جيداً ضمن حدود بيانات تدريبها لكنها تفشل فشلاً كارثياً عندما يُطلب منها التنبؤ بخصائص فئات جديدة كلياً من المواد.

أما الحل، وهو جوهر ما تقدمه Veriprajna، فهو التعلم الآلي المستنير بالفيزياء (PIML). يدمج PIML القوانين الفيزيائية الأساسية — حفظ الكتلة والطاقة والديناميكا الحرارية وميكانيكا الكم — مباشرةً في بنية الشبكة العصبية أو دوال الخسارة. ¹³ فبدلاً من مطالبة الذكاء الاصطناعي بتعلم الفيزياء من الصفر باستخدام ملايين نقاط البيانات (وهي غير موجودة أصلاً للمواد المستجدة)، فإننا نُضمِّن المعادلات التفاضلية الجزئية (PDEs) التي تحكم النظام داخل النموذج.

يوفر هذا النهج ثلاث مزايا حاسمة:

1.​ كفاءة البيانات: تتطلب نماذج PIML قدراً أقل بكثير من بيانات التدريب لأن «قواعد اللعبة» (الفيزياء) معروفة مسبقاً. فعلى سبيل المثال، في توصيف تلف المواد، حققت أطر PIML دقة تنبؤية عالية بمجموعات بيانات مختزلة عبر فرض توازن الإجهاد وتوافق الانفعال والإزاحة كقيود. ¹⁴

2.​ قابلية التعميم: تفشل النماذج القائمة على البيانات وحدها عندما يُطلب منها التنبؤ خارج توزيع تدريبها (الاستقراء). أما نماذج PIML، المقيَّدة بالقوانين الفيزيائية، فتستقرئ على نحو أفضل بكثير، بما يضمن بقاء التنبؤات معقولة فيزيائياً حتى في مناطق غير مستكشفة من الفضاء الكيميائي. ¹⁵

3.​ الاتساق الفيزيائي: يمكن للذكاء الاصطناعي التوليدي القياسي أن «يهلوس» جزيئات تنتهك قواعد التكافؤ أو حفظ الكتلة. يضمن PIML أن تتعقب الأنظمة كل إلكترون، بما يمنع استحداث المادة أو حذفها زوراً أثناء التنبؤ بالتفاعلات. فعلى سبيل المثال، يتعقب نظام «FlowER» (Flow matching for Electron Redistribution، أي مطابقة التدفق لإعادة توزيع الإلكترونات) صراحةً إعادة توزيع الإلكترونات لضمان حفظ الكتلة والشحنة في التنبؤات بالتفاعلات الكيميائية، وهو إنجاز يستحيل على نماذج اللغة الكبيرة القياسية. ¹⁶

2.2 تجاوز نظرية دالة الكثافة (DFT) بالذكاء الاصطناعي

لقد ظلت نظرية دالة الكثافة (DFT) حصان العمل في الكيمياء الحاسوبية طوال عقود، إذ أتاحت حساب البنى الإلكترونية انطلاقاً من المبادئ الأولى. ومع ذلك، تُعد DFT مكلفة حسابياً وتتدرج بشكل سيئ مع حجم النظام، عادةً من $O(N^3)$ إلى $O(N^4)$. ويمكن لحساب DFT واحد عالي الدقة لجزيء معقد أو سطح بلوري أن يستغرق أياماً على عنقود حوسبة عالي الأداء. ¹⁷ وتقصر هذه التكلفة الحسابية استخدام DFT على التحقق من عدد صغير من المرشحات بدلاً من مسح فضاء البحث بأكمله.

يستخدم سير العمل الحديث الذكاء الاصطناعي لتقريب دقة DFT بجزء يسير من التكلفة. فمن خلال تدريب الشبكات العصبية البيانية (GNNs) على بيانات DFT الموجودة، ننشئ "نماذج بديلة" أو جهود التعلم الآلي (MLPs). ¹⁷ يمكن لهذه النماذج التنبؤ بأسطح الطاقة الكامنة والقوى في غضون ميلي ثوانٍ بدلاً من ساعات، محققةً تسريعات بمقدار $1000\times$ أو أكثر.

●​ مثال على ذلك: حقق جهد ANI-1x، الذي طُوِّر باستخدام التعلم النشط، دقة بمستوى DFT في الاختبارات المعيارية الجزيئية مع استخدام 10% فقط من البيانات التي يتطلبها الأسلوب الساذج في أخذ العينات العشوائي. ¹⁸

●​ اكتمال البحث: يتيح الجمع بين DFT والتعلم الآلي حساب "اكتمال البحث"—أي تقدير النسبة التي جرى العثور عليها من المركبات المستقرة القابلة للاكتشاف بالفعل. وينقل هذا اكتشاف المواد من مطاردة مفتوحة النهاية إلى مسألة تحسين محدودة النطاق. ¹⁹ فمن خلال استخدام نماذج إحصائية بايزية لتحليل توزيع طاقات DFT، يمكن للباحثين تحديد الوقت الذي يبلغ فيه البحث في فضاء كيميائي محدد مرحلة تناقص العوائد، بما يحسّن تخصيص الموارد الحسابية. ¹⁹

2.3 دور الشبكات العصبية البيانية (GNNs) مقابل نماذج اللغة الكبيرة (LLMs)

ثمة اعتقاد خاطئ واسع الانتشار بأن نماذج اللغة الكبيرة (LLMs) مثل GPT-4 وClaude وGemini هي الحل الشامل لجميع مشكلات الذكاء الاصطناعي، بما في ذلك العلوم. وبينما تتفوق نماذج اللغة الكبيرة في معالجة النصوص ويمكنها المساعدة في مراجعة الأدبيات أو توليد البروتوكولات أو البرمجة، فإنها تعاني في جوهرها مع الطبيعة الهندسية والطوبولوجية للجزيئات. ²⁰ فالجزيئات ليست جملاً؛ بل هي رسوم بيانية ثلاثية الأبعاد تحددها عُقد (ذرات) وحواف (روابط) ذات قيود هندسية محددة وكيرالية وخصائص إلكترونية لا تُنقل خطياً إلى سلاسل نصية.

تتعامل نماذج اللغة الكبيرة عادةً مع الجزيئات كتمثيلات نصية (SMILES)، وهو ما قد يؤدي إلى "هلوسات"—أي توليد سلاسل تبدو صالحة لكنها تقابل بنى مستحيلة كيميائياً أو غير مستقرة. ²¹

●​ تفوق GNN: تُظهر الاختبارات المعيارية أن شبكات GNN، التي تنمذج صراحةً البنية البيانية للجزيئات وتمرر رسائل بين الذرات المتجاورة، تتفوق باستمرار على نماذج اللغة الكبيرة في مهام التنبؤ بالخصائص التي تنطوي على بنية هندسية. ²⁰ وتُعد شبكات GNN "ثابتة تجاه التبديل" (فترتيب الذرات غير مهم، على عكس السلسلة النصية) ويمكنها دمج الإحداثيات ثلاثية الأبعاد وزوايا الروابط مباشرةً.

●​ النهج الهجين: البنية المثالية، التي تدعو إليها Veriprajna، هي بنية هجينة. تعمل نماذج اللغة الكبيرة بوصفها "وكيل الاستدلال" أو "المنسق"، فتحلل الأدبيات العلمية من أجل استخلاص وصفات التخليق وتصميم بروتوكولات تجريبية عالية المستوى. وفي الوقت نفسه، تعمل شبكات GNN المتخصصة ونماذج PIML بوصفها "المحركات المتخصصة"، إذ تؤدي التنبؤ الصارم بالخصائص والتصميم العكسي وتحليل الاستقرار. ²⁴ ويستفيد نموذج "الطيار المساعد" هذا من الاستدلال الدلالي لنماذج اللغة الكبيرة مع الاعتماد على الدقة الهندسية لشبكات GNN في الأعمال الشاقة للتصميم الجزيئي. ²⁴

الميزة	نماذج اللغة الكبيرة (LLMs)	الشبكات العصبية البيانية (GNNs)	التعلم الآلي المستنير بالفيزياء (PIML)
تمثيل البيانات	سلاسل نصية أحادية البعد (SMILES)	رسوم بيانية ثلاثية الأبعاد (عُقد/حواف)	معادلات تفاضلية / موترات
نقطة القوة الرئيسية	الاستدلال، توليف الأدبيات، البرمجة	التنبؤ بالخصائص الطوبولوجية/ الهندسية	الاتساق الفيزيائي، الاستقراء الخارجي
نقطة الضعف	الهلوسة، انعدام الوعي ثلاثي الأبعاد	فهم دلالي محدود	تعقيد التنفيذ، الحلّالات
الدور المثالي	المنسق / الوكيل	متنبئ الخصائص	القيود / محرك المحاكاة

3. بنية الاستقلالية: الاكتشاف مغلق الحلقة

3.1 "دولاب الموازنة" للتعلم النشط

الانتقال من النهج الإديسوني إلى النهج الحاسوبي ليس سوى الخطوة الأولى. أما القفزة الكبرى فهي مختبر الاكتشاف مغلق الحلقة، الذي يُشار إليه غالبًا باسم المختبر ذاتي التشغيل (SDL). في هذا النموذج، لا يكون الذكاء الاصطناعي مجرد محلل سلبي بل مُجرِّبًا نشطًا. يُغلق النظام الحلقة بين التنبؤ والتحقق، مُنشئًا دورة حميدة من التعلم تتسارع بشكل أُسّي.

يعمل سير العمل كدورة مستمرة، تُوصف غالبًا بأنها التصميم-التصنيع-الاختبار-التحليل (DMTA) ¹² :

1.​ توليد الفرضيات (التصميم): يتنبأ نموذج الذكاء الاصطناعي ("الوكيل") بمادة مرشحة ذات خصائص مُحسَّنة باستخدام فهمه الحالي لفضاء البحث. وهو لا يخمّن فحسب؛ بل يُحسِّن دالة اكتساب لاختيار التجربة التي تحقق أكبر قيمة.

2.​ التخليق الآلي (التصنيع): تتلقى منصة روبوتية تعليمات التصميم. تقوم أجهزة مناولة السوائل أو مفاعلات التدفق أو الطابعات ثلاثية الأبعاد بتخليق المادة دون تدخل بشري.

3.​ التوصيف (الاختبار): تقيس المستشعرات المدمجة (التحليل الطيفي، حيود الأشعة السينية XRD، الفحص المجهري) خصائص المادة المُخلَّقة.

4.​ التغذية الراجعة (التحليل): تُعاد النتيجة إلى نموذج الذكاء الاصطناعي. والأهم أن النموذج يُحدّث معتقداته الداخلية (النموذج البديل) بناءً على نقطة البيانات الجديدة هذه.

5.​ التكرار: تتكرر الدورة، مع اختيار الذكاء الاصطناعي للتجربة التالية.

يُسرّع تأثير "دولاب الموازنة" هذا الاكتشاف بمراتب عددية عدة. فمختبر A-Lab في بيركلي، على سبيل المثال، خلّق 41 مادة غير عضوية جديدة في 17 يومًا—وهو إنجاز كان سيستغرق من الباحثين البشر شهورًا أو سنوات. ²⁶ وقد صحّح وكيل الذكاء الاصطناعي بشكل مستقل وصفات التخليق بناءً على النتائج الوسيطة، مُظهرًا سلوكًا تكيفيًا حقيقيًا.

3.2 التعلم النشط: المحرك الرياضي

دماغ المختبر مغلق الحلقة هو التعلم النشط . فعلى عكس التعلم الخاضع للإشراف التقليدي، الذي يتطلب مجموعة بيانات موسومة ضخمة وثابتة، يبدأ التعلم النشط ببيانات صغيرة ثم يستعلم بشكل تكراري من "العرّاف" (التجربة) عن أثمن نقاط البيانات. ²⁸ وتنطوي الآلية الجوهرية على الموازنة بين الاستكشاف (البحث في المناطق المجهولة من الفضاء الكيميائي) والاستغلال (صقل المنطقة المحيطة بنتيجة ناجحة معروفة). ويتحقق ذلك عادةً من خلال التحسين البايزي.

3.2.1 التحسين البايزي (BO) والعمليات الغاوسية

التحسين البايزي هو الإطار الرياضي القياسي للتعلم النشط (AL) في الكيمياء. وهو يستخدم نموذجًا احتماليًا، عادةً عملية غاوسية (GP)، لتقريب دالة "الصندوق الأسود" المكلفة (التجربة). ³⁰ تتنبأ العملية الغاوسية بشيئين لكل نقطة في فضاء البحث:

1.​ المتوسط ($\mu$): قيمة الخاصية المتوقعة (مثل المردود، الموصلية).

2.​ التباين ($\sigma^2$): درجة عدم اليقين في ذلك التنبؤ.

هذا التقدير الكمي لعدم اليقين هو القوة الخارقة للتحسين البايزي. فهو يتيح للنظام تحديد المناطق "المظلمة" من فضاء البحث حيث لا يعرف النموذج شيئًا، والمناطق "المضيئة" حيث يكون واثقًا من الأداء العالي.

3.2.2 دوال الاكتساب: استراتيجية البحث

يستخدم النظام دالة اكتساب لتحديد التجربة التالية بناءً على تنبؤات العملية الغاوسية. ويحدد اختيار الدالة استراتيجية الذكاء الاصطناعي ³⁰ :

●​ حد الثقة الأعلى (UCB): هذه استراتيجية متفائلة. فهي تختار النقاط التي يمكن أن تكون مذهلة (عدم يقين مرتفع + متوسط مرتفع). وهي تقول فعليًا: "هذه المنطقة غير مؤكدة، لكن سقفها مرتفع، فلنتحقق منها." وتضبط المعلمة $\lambda$ التوازن بين الاستكشاف والاستغلال.

●​ التحسّن المتوقع (EI): تحسب هذه الدالة احتمال أن تتفوق نقطة جديدة على أفضل قيمة معروفة حاليًا، مرجّحًا بمقدار التحسّن. وهي استراتيجية أكثر تحفظًا وأشد ميلًا إلى الاستغلال.

●​ أخذ عينات طومسون: نهج احتمالي يأخذ عينة دالة من التوزيع اللاحق ويختار الحد الأقصى. وهو فعال بشكل خاص في التعامل مع التضاريس المعقدة غير المحدبة والتجريب الدفعي لأنه يعزز بشكل طبيعي التنوع في الدفعة المختارة. ³²

3.2.3 التحسين متعدد الدقة والمستنير بالتكلفة

تتفاوت التجارب الواقعية في التكلفة والدقة. فالمحاكاة الحاسوبية (DFT) رخيصة لكنها تقريبية؛ بينما التخليق في المختبر الرطب مكلف لكنه دقيق. وتدعو Veriprajna إلى التحسين البايزي متعدد الدقة (MF-BO) . ³⁴

●​ MF-BO: تدمج هذه الخوارزمية البيانات من مصادر منخفضة الدقة (المحاكاة) ومصادر عالية الدقة (التجارب). وهي تتعلم الارتباط بين الاثنين. فإذا كانت المحاكاة شديدة الارتباط بالواقع في منطقة معينة، فسيعتمد الذكاء الاصطناعي على المحاكاة الرخيصة لاستكشاف تلك المنطقة، ولا يُطلق تجربة مكلفة إلا عند الضرورة. ³⁴

●​ التحسين البايزي المستنير بالتكلفة (CIBO): يُدمج هذا المتغير صراحةً التكلفة النقدية أو الزمنية تكلفة التجربة في دالة الاكتساب. فإذا قدَّمت تجربتان مكاسب معلومات متشابهة، لكن إحداهما تتطلب كاشفًا بقيمة 5,000 دولار والأخرى كاشفًا بقيمة 50 دولارًا، فسيختار CIBO المسار الأرخص. وتُظهر الدراسات أن CIBO يمكنه خفض تكاليف التحسين بنسبة تصل إلى 90% مع تحقيق النتائج نفسها. ³⁶

3.3 قيمة البيانات السلبية

في النموذج الإديسوني، غالبًا ما تُهمَل النتائج السلبية (التجارب الفاشلة) أو تُدفن في دفاتر المختبر. أما في نموذج التعلم النشط، فالبيانات السلبية ذهب.

●​ حدود القرار: لتمييز "دواء" عن "غير دواء"، يجب أن يعرف الذكاء الاصطناعي كيف يبدو غير الدواء. وتُحكّم البيانات السلبية حدود قرار النموذج. ²⁹

●​ تقليل الهلوسة: يساعد تضمين البيانات السلبية في مجموعات التدريب على تثبيت النماذج التوليدية، ويمنعها من التنبؤ بتفاعلات مستحيلة من الناحية الديناميكية الحرارية. ³⁸

●​ رسم الطرق المسدودة: وباستكشاف الإخفاقات وتسجيلها بشكل منهجي، يرسم الذكاء الاصطناعي "الطرق المسدودة" في الكيمياء. وهذه المعرفة الطوبولوجية لمنظر الإخفاق ملكية فكرية دائمة تمنع المؤسسة من إهدار الموارد على تلك المسارات مرة أخرى. ³

4. البرمجيات الوسيطة والتكامل: الجهاز العصبي الرقمي

4.1 سد الفجوة: من الذكاء الاصطناعي إلى الأجهزة

يُعدّ التشتت في أجهزة المختبرات عائقًا رئيسيًا في نشر المختبرات الذاتية. فالمطيافات ومناولات السوائل ولوحات التسخين من مورّدين مختلفين تتحدث لغات ملكية مختلفة. لبناء حلقة مغلقة، نحتاج إلى طبقة ترجمة عالمية— البرمجيات الوسيطة للروبوتات . بدونها، يكون الذكاء الاصطناعي عقلًا في وعاء، عاجزًا عن التحكم في يديه.

4.2 معيار SiLA 2

برز التقييس في أتمتة المختبرات (SiLA 2) بوصفه المُمكِّن الحاسم للمختبرات الذاتية الحديثة. وعلى عكس المعايير الصناعية مثل OPC UA، التي تكون ثقيلة، ومركَّزة على المصانع، ومعقَّدة التنفيذ لسير عمل علوم الحياة، صُمِّم SiLA 2 خصيصًا لعلوم الحياة وهو مبني على بروتوكولات الويب الحديثة. ⁴⁰

●​ معمارية الخدمات المصغّرة: يعامل SiLA 2 كل جهاز كخدمة مصغّرة. وهذا يسمح لوكيل الذكاء الاصطناعي بإرسال أمر عالٍ المستوى (مثل "اسكب 5 مل") دون الحاجة إلى معرفة أوامر المنفذ التسلسلي منخفضة المستوى لذراع الروبوت المحدد. ⁴⁰

●​ الاتصال السحابي: يتيح اتصالات آمنة يبدأها الخادم (HTTP/2، gRPC)، ما يسمح لعقول الذكاء الاصطناعي السحابية (مثل نماذج Veriprajna) بالتحكم في أجهزة المختبر المحلية بأمان عبر جدران الحماية. ⁴¹

●​ قابلية التشغيل البيني: يتيح دمج الأجهزة القديمة مع الروبوتات المتطورة. ويمكن لفصل HPLC عمره 20 عامًا أن يُغلَّف بمحرّك SiLA 2 ويصبح جزءًا من حلقة ذاتية متطورة. ⁴²

مقارنة: SiLA 2 مقابل OPC UA

الميزة	SiLA 2	OPC UA
المجال	علوم الحياة / البحث والتطوير	الأتمتة الصناعية / التصنيع
المعمارية	خدمات مصغّرة (gRPC/HTTP2)	عميل-خادم (ثنائي/XML)
التعقيد	منخفض (تعريف الميزات	مرتفع (نماذج معلومات

Col1	اللغة)	معقَّدة)
الملاءمة للبحث والتطوير	مرتفعة (مرن، رشيق)	منخفضة (جامد، إعداد ثقيل)

4.3 التوائم الرقمية: المحاكاة قبل التنفيذ

قبل أن يحرّك الروبوت الفيزيائي عضلة، يجب محاكاة التجربة في توأم رقمي . والتوأم الرقمي نسخة افتراضية ديناميكية للمختبر الفيزيائي، تشمل الأجهزة والبيئة ولوجستيات العينات. ⁴³

●​ المحاكاة والتحقق: يمكن للذكاء الاصطناعي تشغيل آلاف "التجارب الافتراضية" في التوأم الرقمي للتحقق من المنطق والتوقيت ومسارات التصادم لبروتوكول قبل تنفيذه فيزيائيًا. وهذا يمنع الاصطدامات المكلفة وفقدان العينات. ⁴⁴

●​ اكتشاف الشذوذ: وبمقارنة بيانات المستشعرات في الوقت الفعلي من المختبر مع تنبؤات التوأم الرقمي، يمكن للنظام اكتشاف الشذوذ (مثل انسداد الماصّة يسبب ارتفاعًا في الضغط، أو انحراف مستشعر الحرارة) قبل أن يُفسد دفعة. ويعمل التوأم بوصفه "حقيقة مرجعية" للصحة التشغيلية. ⁴⁴

●​ تخطيط السعة: تتيح التوائم الرقمية لمديري المختبرات محاكاة نماذج التوظيف واستخدام المعدات، وتحديد الاختناقات في سير العمل (مثل تراكم أعمال الطرد المركزي) وتحسين الجدول لتحقيق أقصى إنتاجية. ⁴³

4.4 LIMS مدفوع بالذكاء الاصطناعي

نظام إدارة معلومات المختبر (LIMS) هو العمود الفقري للمختبر. وتُعدّ أنظمة LIMS التقليدية قواعد بيانات سلبية. أما الجيل الجديد فهو LIMS مدفوع بالذكاء الاصطناعي . ⁴⁵

●​ المراقبة النشطة: بدلًا من مجرد تخزين النتائج، يحلل LIMS بالذكاء الاصطناعي النتائج في الوقت الفعلي. ويمكنه الإبلاغ فورًا عن النتائج خارج المواصفات وتشغيل إعادة اختبار تلقائية أو إيقاف سير العمل. ⁴⁵

●​ الصيانة التنبؤية: وبمراقبة أنماط استخدام الأجهزة وبيانات الأداء المخزَّنة في LIMS، يمكن للذكاء الاصطناعي التنبؤ بموعد حاجة الجهاز إلى صيانة قبل أن يفشل، ما يقلل وقت التوقف. ⁴⁶

5. الأثر الاقتصادي: عائد الاستثمار للحلقة المغلقة

5.1 تحسين النفقات الرأسمالية مقابل التشغيلية

يُغيِّر الانتقال إلى البحث والتطوير المدفوع بالذكاء الاصطناعي هيكل التكلفة للاكتشاف جذريًا.

●​ خفض النفقات التشغيلية: يعتمد الفحص عالي الإنتاجية التقليدي بشكل كبير على النفقات التشغيلية (المواد الاستهلاكية والكواشف ووقت الموظفين). ويقلل التعلم النشط عدد التجارب الفيزيائية اللازمة لإيجاد نتيجة إيجابية بأوامر من الحجم (غالبًا تخفيض بمقدار 10x إلى 100x). على سبيل المثال، يمكن لاستراتيجيات CIBO خفض تكاليف الكواشف بنسبة 90%. ³⁶

●​ كفاءة النفقات الرأسمالية: وبينما يتطلب بناء مختبر روبوتي نفقات رأسمالية مقدَّمة، فإن معدل استخدام المعدات الذاتية يقترب من 100% (تعمل 24/7)، مقارنةً بـ 30-40% الاستخدام النموذجي للمختبرات التي يديرها البشر. وبالتالي يكون عائد الأصول (ROA) أعلى بكثير.

5.2 تسريع الوصول إلى السوق

السرعة هي العملة الأساسية في الأدوية وعلوم المواد. فـ"عمر براءة الاختراع" للدواء ثابت؛ وكل يوم يُوفَّر في البحث والتطوير هو يوم إضافي من الاحتكار في السوق.

●​ دراسة حالة (Exscientia): دخلت جزيئات صغيرة مصمَّمة بالذكاء الاصطناعي المرحلة الأولى من التجارب في نحو 12 شهرًا، مقارنةً بالمتوسط الصناعي البالغ 4-5 سنوات. ⁴⁷

●​ دراسة حالة (Insilico Medicine): انتقل مرشَّح مكتشف بالذكاء الاصطناعي لعلاج التليف من اكتشاف الهدف إلى مرشَّح ما قبل السريري في أقل من 18 شهرًا بجزء بسيط من التكلفة المعتادة. ⁴⁷

●​ علوم المواد: أظهر "A-Lab" أن الأنظمة الذاتية يمكنها رسم مخططات الطور واكتشاف هياكل مستقرة في أيام، وهي عملية استغرقت تاريخيًا عقودًا. ²⁶

5.3 تكلفة "عدم" المحاكاة

يتحمَّل "الأسلوب الإديسوني" "تكلفة فرصة" خفية. فكل دولار يُنفَق على اختبار مادة كان يمكن استبعادها بالمحاكاة هو دولار لم يُنفَق على مرشح قابل للتطبيق. ومع معدلات الفشل في البحث والتطوير الدوائي التي تتراوح حول 90%، تُعدّ قدرة الذكاء الاصطناعي على "الفشل بسرعة" و"الفشل افتراضيًا" أكبر رافعة لزيادة عائد الاستثمار. ³ وتتيح النماذج التنبؤية مثل تلك المطوَّرة في معهد Broad لسمية الأدوية (DILI/DICT) للباحثين تصفية المركبات السامة قبل التخليق، ما يوفر ملايين الدولارات في تكاليف الفشل اللاحقة. ⁴⁸

6. دراسات الحالة والتحقق الواقعي

إن التحول إلى الاكتشاف مغلق الحلقة ليس نظريًا؛ فهو يحقق نتائج بالفعل في المؤسسات.

6.1 A-Lab (علوم المواد)

يُعدّ "A-Lab" في مختبرات لورنس بيركلي الوطنية مثالًا بارزًا لمحرك اكتشاف ذاتي بالكامل.

●​ الإنتاجية: خلَّص 41 مركبًا لاعضويًا جديدًا في 17 يومًا.

●​ الاستقلالية: استخدم التعلم النشط لتصحيح وصفات التخليق الخاصة به. وعندما فشل تفاعل في إنتاج الطور المستهدف، حلَّل الذكاء الاصطناعي نمط XRD وعدَّل نسب السلائف أو ملفات التسخين وأعاد المحاولة.

●​ الأثر: معدل النجاح هذا (71%) للمواد الجديدة أعلى بكثير من التخليق القائم على الحدس البشري. ²⁶

6.2 قادة الصناعة الدوائية

●​ Merck: تستخدم الذكاء الاصطناعي والأتمتة بقوة للاستعداد لـ"منحدر براءات الاختراع" لـ Keytruda، مستفيدة من هذه التقنيات لتكثيف خط أنابيبها بمرشحين عاليي الجودة. ⁷

●​ Exscientia و Insilico: أكَّدت شركتا التكنولوجيا الحيوية "الذكاء الاصطناعي أولًا" هذه النموذج بأن الذكاء الاصطناعي يمكنه تقديم مرشحين سريريين أسرع وأرخص من أساليب الصناعة الدوائية الكبرى التقليدية. وقد أجبر نجاحهما الصناعة بأكملها على التحوّل. ⁴⁷

7. التوجه الاستراتيجي: من الغلاف إلى الحل

7.1 ما وراء "الغلاف"

كثير من عروض الذكاء الاصطناعي الحالية في السوق هي مجرد "أغلفة" حول واجهات برمجة تطبيقات LLM عامة (OpenAI، Anthropic). وهي مفيدة لتوليد النصوص لكنها غير كافية للعلوم العميقة. فهي تفتقر إلى التخصص المجالي والقيود الفيزيائية والتكامل مع الأجهزة اللازم لتحول حقيقي في البحث والتطوير. لا يمكن لغلاف أن يتكامل مع مناول سائل SiLA 2؛ ولا يمكنه فرض حفظ الكتلة في تفاعل كيميائي؛ ولا يمكنه الإبحار في فضاء بحث $10^{100}$ بصرامة بايزية.

تتموضع Veriprajna بوصفها مزوِّد حلول ذكاء اصطناعي عميق . وهذا يعني:

●​ معماريات مخصَّصة: نبني نماذج هجينة تجمع GNNs للهندسة الجزيئية، وPIML للاتساق الفيزيائي، وLLMs للاستدلال.

●​ سيادة البيانات: ننشر نماذج خاصة مضبوطة بدقة تضمن عدم مغادرة البيانات الكيميائية الملكية بيئة العميل الآمنة.

●​ تكامل كامل المكدس: لا نقدّم الكود فحسب؛ بل نصمم الحلقة بأكملها، من خوارزميات التحسين البايزي إلى محرّكات SiLA 2 التي تتحكم في الماصّات.

7.2 مستقبل الكيمياء

لم يعد فضاء البحث البالغ $10^{100}$ هاوية لا يمكن تجاوزها؛ بل هو منظر يُنقَل عبره. ويتيح لنا تقارب الحوسبة عالية الأداء والذكاء الاصطناعي التوليدي والأتمتة الروبوتية استخدام الماصّات للوصول إلى اختراقات—لكن فقط بعد أن نحاكي المسار.

المستقبل لمن يتوقفون عن التخمين ويبدأون الحساب. وكان الأسلوب الإديسوني ضرورة من الماضي. أما الاكتشاف مغلق الحلقة فهو إلزام المستقبل.

لا تخمّن وتتحقق. حاكِ واختر.

المراجع

1. Chemical space - Wikipedia، تم الوصول إليه في 11 ديسمبر 2025، b https://en.wikipedia.org/wiki/Chemical_space

2. Scientists Map All Possible Drug-like Chemical Compounds - Duke Today، b تم الوصول إليه في 11 ديسمبر 2025، https://today.duke.edu/2013/04/smallmolecules

3. Edisonian approach - Wikipedia، تم الوصول إليه في 11 ديسمبر 2025، b https://en.wikipedia.org/wiki/Edisonian_approach

4. Addressing Edison's Concern، تم الوصول إليه في 11 ديسمبر 2025، b https://www.its.caltech.edu/~matsci/bt/EdisonText.html f

5. Measuring the return from pharmaceutical innovation 2024 | Deloitte US، b تم الوصول إليه في 11 ديسمبر 2025، https://www.deloite.com/us/en/Industries/life-sciences-health-care/articles/measturing-return-from-pharmaceutical-innovation.html

6. Pharma R&D Returns Grow Again, But Deloitte Warns Progress is 'Fragile' b BioSpace، تم الوصول إليه في 11 ديسمبر 2025، https://www.biospace.com/business/pharma-r-d-returns-grow-again-but-deloite-warns-progress-is-fragile

7. Top 10 pharma R&D budgets in 2024 - Fierce Biotech، تم الوصول إليه في 11 ديسمبر، b 2025، https://www.fiercebiotech.com/special-reports/top-10-pharma-rd-budgets-2024

8. Virtual Screening and High-Throughput Screening in Drug Discovery b ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/392708243_Virtual_Screening_and_High-Throughput_Screening_in_Drug_Discovery

9. High Throughput Screening Market Forecast, 2025-2032 - Coherent Market Insights، تم الوصول إليه في 11 ديسمبر 2025، https://www.coherentmarketinsights.com/industry-reports/high-throughput-screening-market

10. How do you choose between HTS, virtual screening and FBDD? - Domainex، تم الوصول إليه في 11 ديسمبر 2025، https://www.domainex.co.uk/news/how-do-you-choose-between-hts-virtual-screening-and-fbdd

11. How the Materials Project connects computational and experimental materials science، تم الوصول إليه في 11 ديسمبر 2025، https://it.lbl.gov/how-the-materials-project-connects-computational-and-experimental-materials-science/

12. The Bright Future of Materials Science with AI: Self-Driving Laboratories and Closed-Loop Discovery - ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/397193999_The_Bright_Future_of_Materials_Science_with_AI_Self-Driving_Laboratories_and_Closed-Loop_Discovery

13. Physics-informed machine learning for combustion: A review - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2509.03347v1

14. Physics-Informed Machine Learning Models for the Characterization of Materials b with Damage، 18-R6214 | Southwest Research Institute، تم الوصول إليه في 11 ديسمبر 2025، https://www.swri.org/what-we-do/internal-research-development/2023/chemistry-materials/physics-informed-machine-learning-models-the-characterization-of-materials-damage-18-r6214

15. Physics-Constrained Machine Learning for Chemical Engineering - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2508.20649v1

16. A new generative AI approach to predicting chemical reactions | MIT News، تم الوصول إليه في 11 ديسمبر 2025، https://news.mit.edu/2025/generative-ai-approach-to-predicting-chemical-reactions-0903

17. Machine Learning Approaches for Accelerated Materials Discovery - AZoM، تم الوصول إليه في 11 ديسمبر 2025، https://www.azom.com/article.aspx?ArticleID=23290

18. Less is more: Sampling chemical space with active learning - AIP Publishing، تم الوصول إليه في 11 ديسمبر 2025، https://pubs.aip.org/aip/jcp/article/148/24/241733/963478/Less-is-more-Sampling-chemical-space-with-active

19. A Combined DFT/Machine Learning Framework for Materials Discovery: Application to Spinels and Assessment of Search Completeness and Efficiency | Theoretical and Computational Chemistry | ChemRxiv | Cambridge Open Engage، تم الوصول إليه في 11 ديسمبر 2025، https://chemrxiv.org/engage/chemrxiv/article-details/60c750b5469df44174f448e9

20. Benchmarking Large Language Models for Molecule Prediction Tasks | alphaXiv، تم الوصول إليه في 11 ديسمبر 2025، https://www.alphaxiv.org/overview/2403.05075

21. LLM Copilots for Bench Scientists: A Practical Guide | IntuitionLabs، تم الوصول إليه في 11 ديسمبر 2025، https://intuitionlabs.ai/articles/llm-copilots-bench-scientists

22. Evaluating the Performance and Robustness of LLMs in Materials Science Q&A and Property Predictions - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2409.14572v2

23. Graph Neural Networks in Modern AI-Aided Drug Discovery | Chemical Reviews، تم الوصول إليه في 11 ديسمبر 2025، https://pubs.acs.org/doi/10.1021/acs.chemrev.5c00461

24. Large Language Models Meet Graph Neural Networks: A Perspective of Graph Mining - MDPI، تم الوصول إليه في 11 ديسمبر 2025، https://www.mdpi.com/2227-7390/13/7/1147

25. Large Language Models vs Graph Neural Networks: It Depends - Symmetry Systems، تم الوصول إليه في 11 ديسمبر 2025، https://www.symmetry-systems.com/blog/large-language-models-vs-graph-neural-networks-it-depends/

26. Artificial intelligence-driven autonomous laboratory for accelerating chemical discovery، تم الوصول إليه في 11 ديسمبر 2025، https://www.oaepublish.com/articles/cs.2025.66

27. Autonomous Chemical Experiments: Challenges and Perspectives on Establishing a Self-Driving Lab - PMC - PubMed Central، تم الوصول إليه في 11 ديسمبر 2025، https://pmc.ncbi.nlm.nih.gov/articles/PMC9454899/

28. Active learning in robotics - Thomas A. Berrueta، تم الوصول إليه في 11 ديسمبر 2025، https://tberrueta.github.io/assets/pdfs/TaylorMechatronics2021.pdf

29. The Hidden Value of Failure: Why Negative Data is Critical for AI-Driven Drug Discovery، تم الوصول إليه في 11 ديسمبر 2025، https://www.digitalchemistry.ai/resources/white-papers/the-hidden-value-of-failure-why-negative-data-is-critical-for-ai-driven-drug-discovery/

30. Acquisition functions in Bayesian Optimization | Let's talk about science!، تم الوصول إليه في 11 ديسمبر 2025، https://ekamperi.github.io/machine%20learning/2021/06/11/acquisition-functions.html

31. Bayesian Optimization for Chemical Synthesis in the Era of Artificial Intelligence: Advances and Applications - MDPI، تم الوصول إليه في 11 ديسمبر 2025، https://www.mdpi.com/2227-9717/13/9/2687

32. what is Thompson sampling and upper Confidence bound | by Yashwanth Reddy - Medium، تم الوصول إليه في 11 ديسمبر 2025، https://medium.com/@reddyyashu20/what-is-thompson-sampling-and-upper-confidence-bound-d8088a703b02

33. Deconstructing the human algorithms for exploration - PMC - NIH، تم الوصول إليه في 11 ديسمبر 2025، https://pmc.ncbi.nlm.nih.gov/articles/PMC5801139/

34. Bayesian Optimization over Multiple Experimental Fidelities ...، تم الوصول إليه في 11 ديسمبر 2025، https://pubs.acs.org/doi/10.1021/acscentsci.4c01991

35. Multi-fidelity Sequential Learning for Accelerated Materials Discovery - ChemRxiv، تم الوصول إليه في 11 ديسمبر 2025، https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/60c756c60f50dbb7f939813f/original/multi-fidelity-sequential-learning-for-accelerated-materials-discovery.pdf

36. Cost-Informed Bayesian Reaction Optimization - ChemRxiv، تم الوصول إليه في 11 ديسمبر 2025، https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/66220e8a21291e5d1d27408d/original/cost-informed-bayesian-reaction-optimization.pdf

37. Cost-informed Bayesian reaction optimization - PMC - NIH، تم الوصول إليه في 11 ديسمبر 2025، https://pmc.ncbi.nlm.nih.gov/articles/PMC11465108/

38. تم الوصول إليه في 11 ديسمبر 2025، https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/#:~:text=Here%2C%20we%20demonstrate%20that%20information,limited%20volume%20of%20successful%20data.

39. Negative chemical data boosts language models in reaction outcome prediction PMC، تم الوصول إليه في 11 ديسمبر 2025، https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/

40. Standardization in Lab Automation - Wikipedia، تم الوصول إليه في 11 ديسمبر 2025، https://en.wikipedia.org/wiki/Standardization_in_Lab_Automation

41. SiLA Rapid Integration - Standards، تم الوصول إليه في 11 ديسمبر 2025، https://sila-standard.com/standards/

42. SiLA 2: The Next Generation Lab Automation Standard - ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/360985834_SiLA_2_The_Next_Generation_Lab_Automation_Standard

43. Optimising digital twin laboratories with conversational AIs: enhancing immersive training and simulation through virtual reality - RSC Publishing، تم الوصول إليه في 11 ديسمبر 2025، https://pubs.rsc.org/en/content/articlehtml/2025/dd/d4dd00330f

44. Digital Twins in Pharmaceutical Quality Control | Lab Manager، تم الوصول إليه في 11 ديسمبر 2025، https://www.labmanager.com/digital-twins-in-pharmaceutical-quality-control-34142

45. AI-Powered LIMS Systems: Transforming Lab Accuracy & Automation | Medium، تم الوصول إليه في 11 ديسمبر 2025، https://medium.com/@healthray/ai-powered-lims-systems-transforming-lab-accuracy-automation-6e5aaf0748ba

46. AI-Driven Pharma LIMS Analytics Transform Lab Data Insights - LabLynx، تم الوصول إليه في 11 ديسمبر 2025، https://www.lablynx.com/resources/articles/ai-driven-pharma-lims-analytics/

47. Measuring AI ROI in Drug Discovery: Key Metrics & Outcomes | IntuitionLabs، تم الوصول إليه في 11 ديسمبر 2025، https://intuitionlabs.ai/articles/measuring-ai-roi-drug-discovery

48. De-risking drug discovery with predictive AI | Broad Institute، تم الوصول إليه في 11 ديسمبر 2025، https://www.broadinstitute.org/news/de-risking-drug-discovery-predictive-ai