استخدام الذكاء الاصطناعي لتوليد واختبار الفرضيات ذاتيا في التجارب العلمية (تطبيق عملي على تحسين شروط الإشابة في المواد شبه الموصلة)

يقدم هذا البحث إطارًا حسابيًا تجريبيًا لدراسة وتحسين خصائص الإشابة في أشباه الموصلات عبر الدمج بين البيانات الاصطناعية، والنماذج البديلة، وخوارزميات التحسين. أُنشئت مجموعة بيانات اصطناعية من 2000 عيّنة تمثل تأثير ثلاثة معلمات أساسية هي: درجة الحرارة، وزمن المعالجة، وتركيز الشائبة، على مخرجات فيزيائية رئيسة تشمل مؤشر التجانس، وحركية الحاملات، وكثافة العيوب. جرى توليد هذه البيانات باستخدام علاقات شبه فيزيائية مع تضمين ضوضاء تجريبية لزيادة الواقعية. اعتمادًا على هذه البيانات، دُرّب نموذج بديل قائم على خوارزمية Random Forest حقق دقة عالية، ما أتاح استبدال المحاكاة الفيزيائية المكلفة ببيئة حسابية سريعة للاستكشاف والتحسين المتكرر. ثم استُخدمت خوارزمية Bayesian Optimization للبحث عن ظروف تشغيل محسّنة تحقق توازنًا بين تحسين التجانس وزيادة الحركية وتقليل العيوب، وأسفرت عن نطاقات تشغيل مثلى تقريبية عند درجات حرارة 845–860°م، وأزمنة 80–90 ثانية، مع تركيزات دوبانت مرتفعة. كما طُوّر نظام أولي لتوليد الفرضيات يعتمد آلية احتمالية تكرارية لاختبار مجموعات جديدة من المعلمات وتحديثها عبر النموذج البديل. ولتقييم الموثوقية، استُخدمت أساليب إحصائية متعددة وتحليل الحساسية ومحاكاة مونتِ كارلو، وأظهرت النتائج استقرارًا جيدًا واتساقًا في السلوك. يبرهن البحث أن هذا الدمج المنهجي يمثل نهجًا عمليًا يقلل الكلفة الحسابية والتجريبية ويمهّد لتطوير أطر متقدمة لدعم تصميم المواد وتحسين عملياتها.