CLOUD: نموذج أساس قابل للتوسع ومُستلهم من الفيزياء لتعلّم تمثيل البلّورات

لماذا يهم التعلّم من البلّورات

نعيش في عالم مبني من البلّورات: الشرائح في هواتفنا، البطاريات في السيارات الكهربائية، والمحفزات التي تنظف العوادم — كل ذلك يعتمد على كيفية ترتيب الذرات في أنماط متكررة. فهم كيف يؤثر بنية البلّورة على سلوكها هو المفتاح لاختراع مواد أفضل، لكن حساب هذه الخواص باستخدام محاكيات فيزيائية تقليدية أو تجارب مخبرية بطيء ومكلف. تقدم هذه الورقة نهجًا جديدًا في الذكاء الاصطناعي، يُدعى CLOUD، يتعلّم من ملايين البلّورات المعروفة ومبادئ فيزيائية أساسية للتنبؤ بسرعة بكيفية تصرّف مواد بلّورية جديدة.

تحويل هياكل البلّورات إلى سلاسل بسيطة

تحدٍّ رئيسي في تعليم الحواسيب عن البلّورات هو كيفية وصف نمط ذري ثلاثي الأبعاد بصورة يمكن للنموذج معالجتها بكفاءة. بدلًا من إدخال إحداثيات ذرية كاملة، صمّم المؤلفون وصفًا مضغوطًا يُدعى SCOPE. يلتقط هذا الوصف ثلاث عناصر جوهرية: التماثل العام للبلّورة، مجموعات المواقع الذرّية المتكافئة المتكررة، والعناصر الموجودة في كل موقع بما في ذلك نسبها النسبية. يُعبّر عن كل ذلك كسلسلة قصيرة خالية من الإحداثيات. تحتفظ هذه السلسلة بالمعلومات الهيكلية الأهم بينما تكون رخيصة التخزين وسهلة القراءة لنموذج شبيه باللغة.

نموذج لغوي للمواد

بناء على SCOPE، أنشأ المؤلفون CLOUD، نموذج أساس قائم على المحوّل (transformer) على روح نماذج معالجة اللغة الطبيعية. بدلاً من التعلّم من الجمل على الإنترنت، تُدرّب CLOUD على سلاسل SCOPE لأكثر من ستة ملايين بلّورة جُمعت من قواعد بيانات عامة. أثناء هذا التدريب المسبق، يرى النموذج مرارًا سلاسل جزئية مع إخفاء بعض الرموز ويتعلم تخمين الأجزاء المفقودة، مما يجبره على استبطان الأنماط التي تربط التماثل، ترتيب المواقع، والتركيب. بعد ذلك، يُضاف طبقة توقع بسيطة ويُعاد ضبط النموذج (fine-tuning) على مجموعات بيانات معنونة أصغر للتنبؤ بخواص محددة مثل طاقة التشكّل، فجوة الطاقة، الصلادة الميكانيكية، والاستجابة العازلة.

دقيق وقابل للتوسع ومُطبق على نطاق واسع

عند اختباره على مقاييس معيارية للمواد، يضاهي CLOUD أو يتفوّق على العديد من نماذج التعلّم الآلي الموجودة، بما في ذلك تلك التي تعتمد على الإحداثيات الذرّية الكاملة. يتفوّق بشكل خاص عندما تكون البيانات نادرة أو عندما تختلف البلّورات الاختبارية عن تلك التي رآها أثناء التدريب، وهي حالة شائعة في اكتشاف المواد الواقعية. يؤدّي النموذج أيضًا أداءً جيدًا على هياكل أكثر تعقيدًا أو «غير تقليدية» تحوي عيوبًا، خلايا وحدة كبيرة، أو طبقات منخفضة البعد. يكشف تحليل الانتباه الداخلي للنموذج أنه يركّز بطبيعة الحال على رموز التماثل في SCOPE، مما يؤكد أنه تعلّم استخدام إشارات ذات مغزى فيزيائي. يدرس المؤلفون كذلك كيف تتحسّن الأداء مع زيادة حجم النموذج وبيانات التدريب ويجدون أن CLOUD يتبع قوانين قياس قابلة للتوقّع، مما يوحي بأنه من الممكن بناء نسخ أكبر وأكثر قدرة مستقبلاً.

مزج الذكاء الاصطناعي مع الفيزياء الأساسية

يتجاوز العمل التعرف على الأنماط البحتة عبر تضمين نموذج فيزيائي كلاسيكي مباشرة في عملية التعلّم. تعتمد العديد من الخواص المهمة، مثل السعة الحرارية والطاقة الداخلية، على اهتزازات طويلة المدى للذرات في البلّورة وتتغير مع درجة الحرارة. بدلًا من مطالبة الذكاء الاصطناعي بإخراج هذه القيم مباشرة عند درجة حرارة واحدة، ابتكر المؤلفون CLOUD-DEBYE: يُدرّب CLOUD على التنبؤ بكمية وسيطة تُسمّى درجة حرارة ديباي، التي تميّز كيفية اهتزاز البلّورة، ويُغذّى هذا التنبؤ في صيغة ديباي القياسية التي تعطي السعة الحرارية والطاقة كدالة لدرجة الحرارة. وبما أن معادلات ديباي مُنَفّذة بطريقة تسمح بمرور التدرجات، يمكن تدريب كامل سلسلة المعالجة من طرف إلى طرف باستخدام بيانات السعة الحرارية عند درجة حرارة واحدة فقط.

ماذا يعني هذا لاكتشاف مواد جديدة

لا يتجاوز أداء CLOUD-DEBYE الشبكات العصبية البيانية المتقدمة في التنبؤ بالخواص المرتبطة بالاهتزازات فحسب، بل ينتج أيضًا نتائج تلتزم بقواعد الديناميكا الحرارية عبر نطاق واسع من درجات الحرارة، حتى للمواد والدرجات التي لم يرها أثناء التدريب. هذا يبرهن أن الجمع بين التعلم المدفوع ببيانات واسعة النطاق والفيزياء الراسخة يمكن أن يؤدي إلى نماذج دقيقة وذات مصداقية. عمليًا، يمكن لإطار CLOUD فحص أعداد هائلة من البلّورات الافتراضية بسرعة، تقدير العديد من خواصها، والقيام بذلك بطريقة تحترم القيود الفيزيائية الأساسية. هذا يفتح مسارًا نحو اكتشاف وتصميم أسرع وأكثر موثوقية للمواد البلّورية التي تقوم عليها إلكترونيات المستقبل، تكنولوجيات الطاقة، والتطبيقات الهيكلية.

الاستشهاد: Xu, C., Zhu, S. & Viswanathan, V. CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning. Nat Commun 17, 4074 (2026). https://doi.org/10.1038/s41467-026-70467-3

الكلمات المفتاحية: التعلّم الآلي للبلّورات, اكتشاف المواد, نماذج الأساس, تمثيلات واعية للتماثل, الذكاء الاصطناعي المستند إلى الفيزياء