إمكانيات التعلم التفاعلي لخرائط الطور من مبادئ أولية باستخدام أخذ العينات المتداخلة مع تبادل النسخ

لماذا هذا مهم لمواد المستقبل

من رقائق الحواسيب الأسرع إلى أجزاء الطائرات الأكثر صلابة، تعتمد العديد من التقنيات الحديثة على معرفة كيف يتغير مظهر المادة عند تسخينها أو ضغطها تحت الضغط. تُسمى هذه التغيرات انتقالات الطور، وتُلخّص في مخططات الأطوار — خرائط تُعلم العلماء أي شكل من أشكال المادة مستقر تحت أي ظروف. تقدم هذه الدراسة طريقة جديدة لرسم مثل هذه الخرائط تلقائيًا مباشرةً من حسابات ميكانيكا الكم، مستخدمة الذكاء الاصطناعي لتقليل التكلفة بشكل كبير مع الحفاظ على دقة عالية.

رسم خرائط المواد بدون افتراضات مسبقة

تقليديًا، بناء مخطط طور من المبادئ الأولى يشبه التجول عبر تضاريس وعرة في الظلام: يجب أن تكون لديك فكرة مسبقة عن المواقع المهمة من الوديان ومرتفعات العبور. تعمل العديد من الأساليب القياسية فقط إذا زود الباحثون النظام بمعرفة مسبقة قوية حول أي البنى البلورية أو "المسارات" يجب استكشافها. بدلاً من ذلك، يعتمد المؤلفون على تقنية تسمى أخذ العينات المتداخلة، التي تمسح بشكل منهجي كامل مشهد الطاقة للمادة دون افتراض أي الطوار ستظهر. من خلال تتبع مدى سهولة الوصول إلى مناطق مختلفة من ذلك المشهد، يمكن لأخذ العينات المتداخلة استرجاع الخصائص الثرموديناميكية وانتقالات الطور على مدى واسع من الدرجات الحرارية في عملية واحدة.

ترك النموذج يحدد ما يحتاج إلى تعلمه

حتى أذكى طريقة بحث تحتاج إلى وصف جيد لتفاعلات الذرات. الحسابات المباشرة لميكانيكا الكم (نظرية الكثافة الوظيفية) دقيقة لكنها مكلفة للغاية لتُنفذ ملايين أو مليارات المرات. يتعامل الفريق مع هذا بوضع إمكانيات بين ذرية مدرّبة بالتعلم الآلي — نماذج سريعة تحاكي القوى الكمومية بين الذرات. المشكلة أن مثل هذه النماذج موثوقة فقط في المناطق التي رأت فيها أمثلة كافية. لحل ذلك، يُنشئ المؤلفون حلقة تعلم تفاعلي: يشغل نموذج التعلم الآلي محاكاة أخذ العينات المتداخلة، ويعلّم عن التراكيب التي يشعر فيها بعدم اليقين، ثم يطلب حسابات كمومية رفيعة المستوى فقط لتلك العينة المختارة بعناية. تُعاد هذه البيانات إلى النموذج، فيصبح أكثر موثوقية في المناطق التي تهم مخطط الطور أكثر.

محرك جديد لاستكشاف السيليكون والجرمانيوم والتيتانيوم

اختبر الباحثون نهجهم على ثلاثة عناصر مهمة: السيليكون والجرمانيوم، شبه الموصلين المعروفين، والتيتانيوم، معدن هيكلي واسع الاستخدام. بدأوا من قواعد بيانات أولية متواضعة بُنيت من البنى البلورية المعروفة وتشوهات بسيطة، متعمدين استبعاد السوائل والعديد من التراكيب عالية الطاقة. ثم استكشف أخذ العينات المتداخلة مع تبادل النسخ — عدة عمليات أخذ عينات متداخلة عند ضغوط مختلفة يمكنها تبادل التراكيب — مشاهد الطاقة للمواد. بعد كل جولة استكشاف، اختار الخوارزم تلقائيًا مئات التراكيب الذرية التمثيلية، مع وزن لصالح تلك التي اختلفت فيها توقعات القوى عبر لجنة من نماذج الشبكات العصبية. أعيدت حساب هذه التراكيب بواسطة طريقة كمومية عالية الدقة (r2SCAN) واستخدمت لإعادة تدريب الإمكانيات قبل إطلاق الجولة التالية.

من بدايات صاخبة إلى خرائط طور موثوقة

على مدى حوالي عشر إلى خمس عشرة دورة تعلم، تقلص عدم اليقين في النماذج بثبات، خصوصًا في القوى التي تحكم حركة الذرات. وفي الوقت نفسه، بدأت مسارات أخذ العينات المتداخلة تكشف الخطوط العامة المألوفة لمخططات الأطوار. بالنسبة للسيليكون، أعاد الأسلوب إنتاج البنية الماسية المعروفة عند الضغط المنخفض، وطورته السداسية عند الضغط العالي، والسلوك المميز للذوبان مع تغير الحرارة والضغط، وكل ذلك باتفاق جيد مع التجارب والمحاكاة السابقة. أظهر الجرمانيوم نمطًا مشابهًا، حيث تتحول البنية الشبيهة بالماس عند الضغط المنخفض إلى طور فلزي عند الضغط العالي، رغم أن ضغط الانتقال الدقيق انحرف بعض الشيء بسبب تقريبية طريقة ميكانيكا الكم المستخدمة. كان التيتانيوم اختبارًا أصعب: أطواره فلزية ومتقاربة بنيويًا وتفصلها اختلافات طاقة صغيرة. حتى هناك، التقطت استراتيجية التعلم التفاعلي تتابع الأطوار الصلبة وخط الذوبان، وأكدت فحوص إضافية باستخدام دوال التوزيع الشعاعي هويات التراكيب المتوقعة.

ما الذي يعنيه هذا لتصميم مواد جديدة

بعبارات بسيطة، تُظهر الدراسة أن الحاسوب يمكنه الآن أن يعلّم نفسه كيف تتصرف مادة عبر نطاق واسع من الدرجات الحرارية والضغوط، طالبًا "مرجع" ميكانيكا الكم فقط عند الحاجة. يضمن محرك أخذ العينات المتداخلة مع تبادل النسخ استكشافًا واسعًا وغير متحيز، بينما تضمن حلقة التعلم التفاعلي أن تكون إمكانيات التعلم الآلي دقيقة في الأماكن التي تهم من الناحية الثرموديناميكية. على الرغم من أن العمل الحالي يركز على ثلاثة عناصر وطريقة كمومية واحدة معينة، إلا أن الإطار عام: يمكن اقترانه بنظريات إلكترونية أكثر تقدمًا أو شبكات عصبية أقوى، وتمديده إلى سبائك أو مركبات معقدة. مع تحسن قدرات الحوسبة والخوارزميات، قد يصبح هذا النوع من سلاسل العمل الذاتية أداة معيارية لتوقع مخططات الأطوار وإرشاد اكتشاف مواد جديدة بمواصفات مصممة.

الاستشهاد: Unglert, N., Ketter, M. & Madsen, G.K.H. Active learning potentials for first-principles phase diagrams using replica-exchange nested sampling. npj Comput Mater 12, 107 (2026). https://doi.org/10.1038/s41524-026-01989-z

الكلمات المفتاحية: مخططات أطوار المواد, التعلم التفاعلي, إمكانات التعلم الآلي, أخذ العينات المتداخلة, السيليكون الجرمانيوم التيتانيوم