أصل أخطاء حقول القوى بتعلم الآلة عبر عناصر المعادن

لماذا يصعب على الذكاء الاصطناعي فهم بعض المعادن

تتحول نماذج التعلم الآلي إلى أدوات قوية لمحاكاة حركة الذرات، موفرة للعلماء وقت حاسوبي هائل مقارنةً بالحسابات الكمومية التقليدية. قد تتوقع أن أبسط المواد في الطبيعة — المعادن النقية المكوّنة من عنصر واحد — ستكون الأسهل لتعلم هذه النماذج. تُظهر هذه الدراسة أن ذلك غير صحيح: بعض المعادن تظل صعبة الوصف بعناد، ويكشف المؤلفون عن سبب فيزيائي لذلك.

بناء خريطة كبيرة ونظيفة لسلوك المعادن

لفحص هذه المسألة بشكل منهجي، أنشأ الباحثون مجموعة بيانات جديدة تسمى Metal-43، استنادًا إلى حسابات ميكانيكا كمية متطلبة. تغطي المجموعة 43 عنصراً معدنياً مختلفاً، من الليثيوم الخفيف إلى التنجستن الثقيل، جميعها معالجة بإعدادات حسابية متسقة. لكل معدن، قاموا بمحاكاة آلاف البُنى الذرية عند عدة درجات حرارة، مسجلين الطاقة والقوى على كل ذرة. تُمكّن هذه "ساحة اللعب" المضبوطة بعناية من اختبار حقول قوى التعلم الآلي — نماذج الذكاء الاصطناعي التي تتنبأ بالقوى الذرية — في ظروف عادلة وقابلة للمقارنة عبر العديد من المعادن.

كيف تتماشى أخطاء النموذج مع الجدول الدوري

فُحصت أربعة نماذج شائعة الاستخدام لحقول قوى التعلم الآلي، بما في ذلك نماذج مُضغوطة تُدرَّب بشكل منفصل لكل عنصر ونماذج كبيرة عامة تُدرَّب على أنظمة متعددة دفعة واحدة. عندما وضع المؤلفون أخطاء التنبؤ على تخطيط الجدول الدوري، ظهر نمط لافت. المعادن اللينة والأضعف ارتباطاً مثل عناصر القلوية والأرض القلوية كانت تميل لأن تكون أسهل على كل نموذج، بينما المعادن الانتقالية المبكرة في وسط الجدول — والتي تُستخدم غالبًا في سبائك عالية الأداء والمحفزات — أنتجت أخطاءً أكبر بكثير باستمرار. استمر هذا الاتجاه حتى بعد إعادة مقياس الأخطاء الخام لأخذ قوة القوى الذرية العامة بعين الاعتبار، مما يبيّن أن الصعوبة ليست مجرد مسألة روابط أقوى بل شيء أكثر جوهرية.

تعقيد مخفي في "خريطة المرور" الإلكترونية للمعدن

الفكرة الأساسية في العمل هي ربط هذه الأخطاء بشكل سطح فيرمي لكل معدن، وهو نوع من "خريطة مرور" ثلاثية الأبعاد لمواضع تحرك الإلكترونات عند الطاقات ذات الأهمية. في المعادن السهلة التوافق، يكون هذا السطح ناعماً وقريباً من الشكل الكروي. في المعادن الانتقالية المبكرة الصعبة، يصبح السطح مسنناً ومليئاً بالجيوب، مما يعكس سلوك إلكتروني معقَّد مرتبط بأغلفة d الجزئية المملوءة جزئياً. عندما تُهتز الذرات أو تُزحزح قليلاً، تتغير أسطح فيرمي المعقدة هذه بشكل غير متساوٍ وأحياناً مفاجئ، مما يجعل مشهد الطاقة العام خشناً ومعقداً. يبين المؤلفون أن قياسات رقمية بسيطة لمعدل تذبذب مجموعات معينة من طاقات الإلكترون تحت اضطرابات صغيرة تتوافق بقوة مع حجم أخطاء التعلم الآلي، لا سيما لتلك المعادن الانتقالية المسببة للمشاكل.

حدود نماذج الذكاء الاصطناعي الحالية، حتى على بيانات مثالية

لفصل صعوبة المعادن نفسها عن حدود النهج الحالية للذكاء الاصطناعي، أنشأ الفريق أيضاً مجموعات بيانات صناعية باستخدام نماذج تقليدية مُصممة يدوياً للقوى الذرية. بعض هذه النماذج القديمة تعتمد أساسًا على المسافات بين الذرات، في حين يشتمل البعض الآخر على اعتماد زاوي قوي يحاكي الروابط ذات التوجيه القوي. تمكنت حقول قوى التعلم الآلي من استنساخ النماذج المعتمدة على المسافة تقريبًا بشكل تام، لكن أخطاؤها نمت بشدة عندما كانت التأثيرات الزاويَّة مهمة — خصوصاً للمَعادن المعروفة مسبقاً بأنها صعبة. يوضّح هذا المقارنة أن التحدي لا يكمن فقط في فيزياء المعادن الأساسية، بل أيضاً في القدرة التمثيلية لهياكل التعلم الآلي الحالية، التي لا تزال تكافح مع التفاعلات عديدة الأجسام والاعتماد الزاوي القوي.

ماذا يعني هذا للمحاكاة في المستقبل

بالنسبة لغير المتخصصين، الخلاصة الرئيسية أن هناك سبباً واضحاً ومؤسساً فيزيائياً لِما يجعل بعض المعادن أصعب كثيراً على نماذج الذكاء الاصطناعي من غيرها: تعقيد حركة إلكتروناتها عند مستوى فيرمي يجعل مشهد الطاقة خشناً ودقيق التفاصيل. تمنح مجموعة بيانات Metal-43 والمؤشرات البسيطة لبنية الإلكترونات المقترحة هنا الباحثين وسيلة لتوقع المواد التي ستكون مشكلة، ولمعايرة نماذج جديدة بعدل، وتصميم حقول قوى محسنة تلتقط بشكل أفضل الروابط التوجيهية. على المدى الطويل، ينبغي أن تساعد هذه الرؤى في جعل المحاكيات المعتمدة على الذكاء الاصطناعي أكثر موثوقية في تصميم السبائك المتقدمة والمحفزات وغيرها من التقنيات القائمة على المعادن.

الاستشهاد: Geng, X., Zhang, W., Wang, LW. et al. Origin of the machine learning forces field errors across metal elements. npj Comput Mater 12, 102 (2026). https://doi.org/10.1038/s41524-026-01977-3

الكلمات المفتاحية: حقول قوى التعلم الآلي, المواد المعدنية, سطح فيرمي, الاحتمالات بين الذرية, نظرية الكثافة الدالية