تحسين النقل عبر المجالات لنماذج بين ذرية عالمية بتعلّم الآلة

محاكيات أذكى للمواد الحقيقية

تصميم بطاريات ومحفزات ومواد إلكترونية جديدة يعتمد بشكل متزايد على محاكيات حاسوبية تتعقب الذرات أثناء حركتها. المحاكيات الأكثر موثوقية، المبنية على ميكانيكا الكم، دقيقة للغاية لكنها بطيئة جداً لاستكشاف ملايين المواد المرشحة. نماذج أسرع تعتمد على التعلّم الآلي يمكنها محاكاة حسابات كمومية، لكنها غالباً تعمل في نطاقات ضيقة—مثلاً للبلورات فقط أو للجزيئات فقط. تقترح هذه الورقة طريقة لبناء نموذج واحد شامل، اسمه SevenNet‑Omni، يحافظ على الدقة عبر أنواع متعددة من المواد، من أسطح المعادن والسوائل الجزيئية إلى الهياكل المسامية، مع الحفاظ على سرعة كافية للاكتشاف واسع النطاق.

لماذا لا تنتقل نماذج الذرات الحالية بسهولة

عادة ما تُدرّب إمكانيات بين الذرية القائمة على التعلّم الآلي على قاعدة بيانات واحدة مُختارة بعناية: واحدة للبلورات غير العضوية، وأخرى للجزيئات الشبيهة بالأدوية، وأخرى لأسطح التحفيز. تُبنى كل قاعدة بيانات بإعدادات كيمياء كمومية خاصة بها، لذا تختلف مناظر الطاقة الأساسية بطرق دقيقة وغير خطية. تجميع هذه البيانات ببساطة—ربما بتحويل أو تحجيم الطاقات—يضيف ضوضاء ويؤدي إلى نماذج تتناسب جيداً مع مجالها الأصلي لكنها تفشل عند مواجهة كيماويات غير مألوفة أو طرق كمومية مختلفة قليلاً. مع تزايد المشكلات التي تدمج مجالات متعددة، مثل تفاعل جزيئات على أسطح صلبة في وسط مذيب، أصبح هذا النقص في القابلية للنقل عقبة جدية.

عمود فقري مشترك مع تخصيص لطيف

يعالج المؤلفون هذا عن طريق اعتبار كل قاعدة بيانات «مهمة» منفصلة داخل شبكة عصبية متعددة المهام واحدة. داخل النموذج، تشكل مجموعة من المعاملات عموداً فقرياً مشتركاً، يلتقط قوانين عامة للربط الذري، بينما تقوم معاملات أصغر خاصة بالمهمة بضبط السلوك لبيانات معينة. يُظهر تحليل رياضي أنه إذا نمت الأجزاء الخاصة بالمهمة كثيراً، فإن النموذج يحفظ قواعد كل قاعدة بيانات وينسى كيفية التعميم. لمنع ذلك، يطبق المؤلفون تنظيمًا انتقائياً: يعاقبون مباشرة القيم الكبيرة للمعاملات الخاصة بالمهمة لكن يتركون العمود الفقري المشترك حُرّاً كي ينمو حسب الحاجة. هذا يدفع الشبكة لشرح أكبر قدر ممكن من خلال الفيزياء المشتركة، مع استخدام تصحيحات متواضعة لكل مجال.

جسر عوالم بعيدة ببضع أمثلة مفتاحية

حتى مع التنظيم، تظهر بعض مناطق الفضاء الكيميائي في قاعدة بيانات واحدة فقط، لذا لا يتلقى العمود الفقري المشترك توجيهاً هناك. لإصلاح ذلك، قدم الفريق «مجموعة جسرية بين المجالات». يختارون بعناية نسبة ضئيلة—حوالي واحد من كل ألف—من التراكيب من عدة قواعد بيانات ويعيدون حسابها باستخدام إعداد كمومي موحد. تعمل هذه التراكيب الجسرية مثل عبارات ثنائية اللغة في كتاب تعليم لغة: تربط مباشرة كيفية وصف طريقتين كموميتين مختلفتين لنفس المشهد الذري. عند إدراجها في التدريب، تشدّ الرابط بين المهام بقوة، وتُوحّد مناظر الطاقة دون الحاجة لإعادة حساب كل شيء بالقوة الغاشمة. تُظهر اختبارات منهجية أن التنظيم ومجموعة الجسر يدعمان بعضهما البعض، محسنين الأداء بما يتجاوز ما يمكن أن يحققه كل منهما بمفرده.

بناء واختبار محرك ذري عالمي

استناداً إلى هذه الأفكار، يدرب المؤلفون SevenNet‑Omni على 15 مجموعة بيانات عامة تضم نحو 242 مليون تركيب ذري، تغطي جزيئات وبلورات ومحفزات وهياكل عضوية‑فلزية ومستويات متعددة من النظرية الكمومية. ثم يقيسون أداء النموذج في حالات مألوفة وتحديات: استقرار البلورات، حدود الحبوب في المعادن، العيوب في الصلب، حواجز الالتواء في جزيئات شبيهة بالأدوية، بيروفسكايت العضوي‑غير العضوي الهجين، الامتزاز في الأطر المسامية ذات الصلة بالتقاط الكربون، والتفاعلات على أسطح المعادن المهمة لتحويل الهيدروجين وثاني أكسيد الكربون. عبر هذه الاختبارات، يضاهي SevenNet‑Omni غالبًا أو يتفوق على النماذج المتخصصة المُدرّبة لمجال واحد، ويحافظ على «الدقة الكيميائية» للعديد من طاقات التفاعل والامتزاز. كما يعيد بدقة نتائج من طريقة كمومية مكلفة (r²SCAN) بتعلم كيفية ارتباط تلك الطريقة ببيانات أرخص وأكثر وفرة.

ما الذي يعنيه هذا لاكتشاف مواد جديدة

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن SevenNet‑Omni يتصرف مثل عالم متمرس عمل في العديد من المجالات الفرعية. بدلاً من الإفراط في التكيّف مع مشكلة ضيقة واحدة، يتعلم مبادئ كيميائية عامة ويطبقها بمرونة على مواقف جديدة، من حجز الغازات في مواد مسامية إلى التفاعلات على أقطاب معدنية. تبين الورقة أن هذا ممكن من خلال مشاركة المعلومات بين قواعد البيانات بعناية مع تقييد طفيف للفروق بينها، وبإضافة عدد صغير من أمثلة «ترجمة» مختارة بين الطرق الكمومية. مع ظهور قواعد بيانات أكبر وأكثر تنوعاً، يقدم هذا الأسلوب في التدريب مساراً قابلاً للتوسع نحو نماذج ذرية عالمية وجديرة بالثقة يمكن أن تُسرّع الاكتشاف عبر الكيمياء والفيزياء وعلوم المواد.

الاستشهاد: Kim, J., You, J., Park, Y. et al. Optimizing cross-domain transfer for universal machine learning interatomic potentials. Nat Commun 17, 3432 (2026). https://doi.org/10.1038/s41467-026-70195-8

الكلمات المفتاحية: نماذج بين ذرية بالتعلّم الآلي, نمذجة مواد متعددة المجالات, نقل التعلّم, محتمل ذري عالمي, اكتشاف المواد