توسيع عنقودي ذري بياني للاحتمالات بين الذرية القائمة على التعلم الآلي الأساسية

تعليم الحواسيب أن تشعر بالذرات

عند تصميم مواد جديدة للبطاريات أو الطائرات أو مفاعلات الاندماج، غالبًا ما يتلخّص الأمر في سؤال بسيط: كيف تدفع الذرات بعضها بعضًا وتسحبها؟ حساب هذه القوى بدقّة مكلفة جدًا بحيث قد يستغرق الأمر أيامًا على حاسوب فائق للمادة الواحدة. تقدم هذه الورقة عائلة جديدة من نماذج التعلم الآلي، تسمى GRACE، تعمل كـ"حاسبة" عالمية لقوى الذرات عبر معظم الجدول الدوري. الهدف هو جعل محاكاة المواد المعقدة دقيقة وروتينية بدلًا من كونها مهمة بطولية.

نموذج واحد للعديد من المواد

تعد معظم مجالات القوة المبنية بالتعلم الآلي أدوات متخصصة: فهي تعمل جيدًا لعناصر أو مركبات محددة، لكن يجب إعادة بنائها من الصفر عند إضافة عناصر جديدة. يسلك GRACE طريقًا مختلفًا. فصُمّم من البداية كنموذج أساسي يمكنه التعامل مع 89 عنصرًا كيميائيًا وتنوّعًا هائلًا من التراكيب الذرية باستخدام مجموعة قواعد مشتركة واحدة. لتحقيق ذلك، يبني المؤلفون على إطار رياضي يُدعى التوسيع العنقودي الذري ويمدّونه إلى هياكل شبيهة بالرسم البياني، مما يتيح للنموذج وصف كل من الجوار المحلي للذرات والأنماط الممتدة بطريقة موحّدة. بدلًا من ترميز كل تفاعل ممكن بصراحة، يتعلم GRACE "تمثيلات" مدمجة تُلتقط أوجه التشابه بين العناصر، بحيث يساعد العلم حول مادة واحدة في وصف أخرى.

التدريب على بحر من البيانات الذرية

لتعليم GRACE سلوك الذرات، جمع المؤلفون بعضًا من أكبر قواعد البيانات العامة للحسابات الكمية-الميكانيكية. الجوهر هو مجموعة OMat24، التي تحتوي على نحو 110 مليون محاكاة للمواد غير العضوية، مكملة باثنين من المجموعات الأخرى التي تتتبع كيف تسترخي التراكيب وتتطور. تغطي هذه المجموعات معًا البلورات القريبة من التوازن، والتراكيب الممشوخة والمشوّهة، والسوائل ذات درجات الحرارة العالية، وأكثر، عبر نفس مجموعة العناصر الواسعة. تأتي نماذج GRACE بأحجام متعددة، من نسخ بسيطة بطبقة واحدة تنظر فقط إلى البيئات الذرية المحلية إلى نسخ أعمق بطبقتين تمرّر فعليًا "رسائل" بين المناطق المجاورة. يهدف التدريب الأولي إلى توازن جيد بين الطاقات والقوى والإجهادات الداخلية، وتعمل خطوات التنعيم اللاحقة على ضبط النماذج لتكون متوافقة مع قواعد بيانات مرجعية مستخدمة على نطاق واسع في علوم المواد.

اختبار النموذج

النموذج العام مفيد فقط إذا أدّى أداءً موثوقًا عبر مهام متعددة. لذلك وضع المؤلفون GRACE عبر مجموعة اختبارات صارمة تعكس كيف يستخدم العلماء المحاكاة الذرية فعليًا. على معيار مجتمعي لاكتشاف التراكيب البلورية المستقرة، يتواجد GRACE باستمرار على "الحد Pareto": بدقة معينة يكون أسرع من النماذج المنافسة، وبسرعة معينة يكون أدق. تظهر مزايا مشابهة عند التنبؤ بالتوصيل الحراري، الخاصية التي تعتمد بدقة على تغيّرات طفيفة في الحركة الذرية. يؤدّي GRACE أيضًا جيدًا في خصائص المرونة، وطاقات السطح، وطاقات حدود الحبيبات، وطاقات تكوّن العيوب النقطية في العديد من المعادن النقية، وكلها تختبر استجابة المواد للشد أو القطع أو التلف المحلي. يظهر تشغيل ديناميكا جزيئية طويل لملح منصهر ساخن أن النموذج يبقى مستقرًا عدديًا لنطاقات النانو ثانية أثناء إعادة إنتاج أنماط بنيوية مفصّلة ومعدلات انتشار ذرية.

تكييف وضغط المعرفة

بينما يعتبر النموذج العام قويًا، تحتاج العديد من التطبيقات إما لدقّة أعلى لمادة محددة أو لحسابات أسرع على أجهزة متواضعة. يوضّح المؤلفون استراتيجيتين لتحقيق ذلك دون التخلّي عما تعلّمه GRACE بالفعل. أولًا، يقومون بضبط دقيق للنموذج الأساسي على مجموعات بيانات مركّزة، مثل سبائك الألمنيوم–الليثيوم أو مسارات احتراق الهيدروجين التفصيلية. في حالة السبائك، حتى البيانات الإضافية المتواضعة تحسّن التنبؤات بشكل ملحوظ، متفوقة على نماذج درّبت من الصفر بنفس المعلومات. في حالة الاحتراق، سيؤدي الضبط البسيط عادةً إلى «نسيان» النموذج لما يعرفه عن مواد أخرى؛ عبر تجميد أجزاء من الشبكة بعناية وتحديث معلمات محددة فقط، يحدّ المؤلفون من هذا النسيان الكارثي بينما يكسبون دقّة للكيمياء الجديدة. ثانيًا، يوضحون كيفية تقطير النموذج الكبير إلى نموذج "طالب" أبسط يحاكي المعلم على أنظمة رئيسية. تعمل النسخة المقطّرة أسرع بنحو سبعين مرة على وحدة معالجة مركزية ومع ذلك تحافظ على معظم الدقّة، خاصة عند تدريبها على مزيج من السبائك المعقدة والتراكيب المرجعية الأبسط الموسومة بواسطة GRACE الأصلي.

ماذا يعني هذا لتصميم المواد المستقبلي

يضع العمل GRACE كأساس مرن للجيل القادم من النمذجة الذرية. بدلًا من ابتكار احتمالات جديدة لكل مادة أو خاصية، يمكن للباحثين البدء من نموذج GRACE عالمي ثم ضبطه أو تقطيره ليتوافق مع احتياجاتهم، موفّرين كميات هائلة من وقت الحوسبة والجهد الخبيري. تُظهر المقاييس أن هذا النهج لا يكتفي بمضاهاة الأدوات الحالية؛ بل يتجاوزها غالبًا من حيث السرعة والموثوقية، خصوصًا للخواص المتطلبة مثل النقل الحراري. للغير متخصّصين، الرسالة الأساسية أن نموذج تعلم آلي واحد مصمّم جيدًا يمكنه الآن أن يعمل كمحرّك موثوق لإجراء تجارب افتراضية عبر جزء كبير من الجدول الدوري، مسرّعًا البحث عن بطاريات ومحفزات وسبائك هيكلية ومواد طاقة أفضل.

الاستشهاد: Lysogorskiy, Y., Bochkarev, A. & Drautz, R. Graph atomic cluster expansion for foundational machine learning interatomic potentials. npj Comput Mater 12, 114 (2026). https://doi.org/10.1038/s41524-026-01979-1

الكلمات المفتاحية: احتمالات بين ذرية بالتعلم الآلي, نمذجة المواد, محاكاة ذرية, نماذج أساسية, توسيع عنقودي ذري بياني