تمديد نطاق شبكات الرسوم العصبية مع الترميزات العالمية

لماذا الروابط بعيدة المدى في الجزيئات مهمة

من الأدوية الجديدة إلى البطاريات الأفضل، تعتمد العديد من الإنجازات الحالية على نماذج حاسوبية يمكنها التنبؤ بكيفية دفع وسحب آلاف الذرات لبعضها البعض. فئة شائعة من نماذج الذكاء الاصطناعي، تُسمى شبكات الرسوم العصبية، أصبحت أداة أساسية لهذه المهمة. ومع ذلك، لهذه النماذج نقطة ضعف: فهي تركز في الغالب على الجيران القريبين، رغم أن الذرات البعيدة يمكن أن تؤثر بقوة على بعضها البعض عبر قوى كهربائية وكمومية. يقدم هذا المقال RANGE، طريقة تمنح هذه الشبكات العصبية نوعاً من الرؤية العالمية حتى تتمكن من «شعور» والتنبؤ بتأثيرات بعيدة المدى دون أن تصبح بطيئة أو مستهلكة للذاكرة بشكل مؤلم.

كيف يرى الذكاء الاصطناعي الحالي الحيّز المحلي فقط

تعامل شبكات الرسوم العصبية الجزيء أو المادة كشبكة من العقد (الذرات) مرتبطة بحواف (علاقاتها). في كل خطوة، تحدّث كل عقدة حالتها من خلال التواصل مع جيرانها القريبين فقط ضمن مسافة ثابتة. تكرار هذا عدة مرات ينشر المعلومات ببطء، لكن هذه الاستراتيجية لها عيبان كبيران. أولاً، قد تتلاشى الرسائل أثناء مرورها عبر العديد من الوسطاء، وهي مشكلة تعرف بالتسطيح المفرط. ثانياً، الممرات الضيقة في الرسم البياني يمكن أن تختنق وتقيّد كمية المعلومات التي تمر، مما يؤدي إلى التضخيم المفرط. تصبح كلتا المشكلتين خطيرة عند محاولة التقاط قوى تعمل عبر عدة أنغستروم، مثل القوى الكهروستاتيكية والتشتت في الجزيئات الكبيرة أو البلورات. مجرد توسيع مسافة التفاعل أو تكديس طبقات أكثر يجعل النماذج مكلفة ولا يحل هذه الاختناقات تماماً.

إضافة محاور افتراضية للتواصل العالمي

تعيد RANGE (عُقد الانتباه المرسلة للترميز العالمي) تشكيل هذه الصورة بإضافة مجموعة صغيرة من «عقد رئيسية» افتراضية لا تمثل أي ذرة حقيقية. بدلاً من ذلك، تعمل كمحاور عالمية. بعد خطوة تمرير الرسائل العادية بين الذرات المجاورة، تُجمَع معلومات جميع الذرات في هذه المحاور باستخدام آلية انتباه: تتعلم كل عقدة رئيسية أي أجزاء النظام يجب التركيز عليها. تخلق هذه التجميعات ملخصات مجمعة للحالة الجزيئية. في خطوة بث ثانية، تُرسل تلك الملخصات مرة أخرى إلى كل ذرة، مجدداً باستخدام الانتباه حتى تقرر كل ذرة مقدار الاستماع لكل عقدة رئيسية مع الحفاظ أيضاً على ذاكرتها المحلية عبر الحلقات الذاتية. لأن كل ذرة تتصل مباشرة بكل عقدة رئيسية، يمكن أن يحدث التواصل بعيد المدى في خطوة واحدة، محوِّلاً الرسم البياني إلى شبكة عالمية صغيرة حيث يمكن للمناطق البعيدة أن تؤثر على بعضها بسرعة وكفاءة.

رؤية قوى بعيدة المدى التي تفوتها نماذج أخرى

اختبر الباحثون RANGE بربطها بعدة نماذج متقدمة لحقول القوة الجزيئية ومقارنتها بإصداراتها الأصلية المحلية البحتة. استخدموا أنظمة صعبة حيث تُعد التأثيرات طويلة المدى حاسمة: بلورة ملحية مع أيون صوديوم إضافي يعمل كمشوب، ثنائي ذهب يقترب من سطح أكسيد مشوب، وأزواج من الجزيئات العضوية تتفاعل على مسافات متباينة. فشلت النماذج القياسية إلى حد كبير في ملاحظة كيف غيّرت إعادة توزيع الشحنة البعيدة أو الشوارد المخفية مشهد الطاقة؛ تكاد تنبؤاتها لا تتغير عندما تغيّر البيئة بعيدة المدى. بالمقابل، التقطت النماذج المعززة بـRANGE منحنيات الطاقة المختلفة بشكل صحيح وكانت قادرة على التعميم إلى فواصل أكبر مما رأت أثناء التدريب، مع أخطاء أصغر تصل إلى أربعة أضعاف في حالة ثنائيات مشحونة صعبة.

دقة دون إرهاق الحاسب

الأهم أن RANGE توفر هذه الرؤية المحسنة دون التكلفة الحاسوبية الكبيرة لطرق عالمية أخرى. تتطلب تقنيات مستوحاة من الفيزياء، مثل جمع إوالد أو التصحيحات القائمة على تحويل فورييه، عمليات تنمو تقريباً بمربع عدد الذرات أو تعتمد على شبكات كبيرة، مما يجعلها ثقيلة للأنظمة الكبيرة والمحاكيات المتكررة. تتدرج RANGE، بطبيعتها، خطياً مع حجم النظام: كل عقدة رئيسية تتصل بكل الذرات، لكن عدد العقد الرئيسية ينمو بشكل متواضع ويتم التحكم فيه بواسطة مخطط تنظيم يمنعها من أن تصبح زائدة عن الحاجة. تظهر اختبارات القياس على مجموعات بيانات أكبر أن RANGE تقلل باستمرار الأخطاء في القوى المتوقعة، حتى عندما تستخدم النماذج الأساسية قطع تفاعل قصيرة، وتفعل ذلك بزيادة بسيطة في زمن التشغيل والذاكرة. كما أجرى الفريق محاكاة ديناميكيات جزيئية لعشرات النانoseconds على جزيئات معقدة، فوجدوا أن حقول القوة المبنية على RANGE بقيت مستقرة واستكشفت أشكالاً وحالات واقعية.

رؤية أوضح للصورة الكبيرة لعوالم الجزيئات

لغير المتخصصين، الرسالة الأساسية هي أن RANGE تمنح نماذج الذكاء المعتمدة على الرسوم وسيلة جديدة للتفكير عالمياً مع الاستمرار في العمل محلياً. من خلال إدخال محاور افتراضية ذكية وتدفق معلومات مدفوعاً بالانتباه، تتغلب على الاختناقات المعتادة التي تمنع الشبكات العصبية من التقاط تأثيرات الأجسام الكثيرة بعيدة المدى في الجزيئات والمواد. وهذا يعني تنبؤات أكثر موثوقية للأنظمة التي تؤثر فيها المناطق البعيدة على بعضها البعض بتأثيرات دقيقة — من جزيئات الأدوية المرنة إلى الهياكل النانوية الممتدة — دون فاتورة حسابية باهظة. ومع تطبيق هذه الأساليب على بيئات أكبر وأكثر تعقيداً، فإنها تعد بأدوات ذكاء اصطناعي يمكنها أن تعكس بصورة أكثر أمانة النسيج الحقيقي طويل المدى للتفاعلات الفيزيائية.

الاستشهاد: Caruso, A., Venturin, J., Giambagli, L. et al. Extending the range of graph neural networks with global encodings. Nat Commun 17, 1855 (2026). https://doi.org/10.1038/s41467-026-69715-3

الكلمات المفتاحية: شبكات الرسوم العصبية, التداخلات بعيدة المدى, المحاكاة الجزيئية, حقول القوة المتعلمة آلياً, آليات الانتباه