تنبؤ الهاميلتوني الإلكتروني المتوافق مع المتناظرات باستخدام تمرير رسائل متعدد الأجسام

لماذا يهم التنبؤ بالإلكترونات بشكل أسرع

يعتمد تصميم بطاريات جديدة ورقائق الحاسوب والأجهزة الكمومية غالباً على فهم كيفية تحرك الإلكترونات داخل مادة. المعيار الذهبي لذلك هو طريقة كمية تُسمى نظرية الدوال الكثافية، وهي دقيقة لكنها بطيئة بشكل مؤلم للأنظمة الكبيرة أو المعقدة. تقدم هذه الورقة نموذج تعلّم آلي جديد، MACE‑H، قادر على تقليد هذه الحسابات الكمية المكلفة للإلكترونات بدقة ملحوظة، ولكن بتكلفة جزء بسيط من الحساب. بالنسبة لغير المتخصصين، يشير هذا العمل إلى إمكانية إجراء فحص رقمي أسرع للمواد المتقدمة قبل أن يبدأ أحدهم بقطع المعادن أو نمو بلورة.

من المعادلات الثقيلة إلى اختصارات متعلمة

تعمل طرق البنية الإلكترونية التقليدية عبر حل كائن رياضي كبير يسمى الهاميلتوني، الذي يشفر كيفية تفاعل الإلكترونات مع أنوية الذرات ومع بعضها البعض. بالنسبة للمواد الواقعية، يُمثَّل الهاميلتوني كمصفوفة ضخمة يتزايد حجمها بسرعة مع نمو النظام، مما يجعل الحساب المباشر مكلفاً بشكل متزايد. حاولت مقاربات سابقة في تعلّم الآلة تبسيط المشكلة إما باستخدام نماذج ربط ضيقة تقريبية أو بالتنبؤ بخصائص قياسية مثل الطاقات فقط. قد تكون هذه الأساليب سريعة، لكنها عادة لا تحتفظ بتفصيل كافٍ عن البنية الإلكترونية للتنبؤ بموثوقية ببنى النطاق، أو النقل، أو السلوك البصري عبر العديد من المواد المختلفة.

شبكة عصبية تحترم التناظر

يبني المؤلفون على جيل جديد من الشبكات العصبية الذي يحترم صراحة متناظرات الفضاء ثلاثي الأبعاد: الدوران، والانعكاس، والنقل. في MACE‑H تُعامل الذرات في المادة كعقد في رسم بياني، ويمرر النموذج «رسائل» على طول الروابط بينهما. والأهم أن هذه الرسائل مصممة بحيث إذا دوّرت أو حركت البلورة بأكملها، فإن الميزات الداخلية تدور وتتحرك بنفس طريقة الفيزياء الأساسية تماماً. يتحقق ذلك من خلال تفكيك دقيق للمعلومات إلى مكوّنات تتحول مثل المتجهات والكائنات ذات الرتب الأعلى تحت الدوران. وبذلك يتعامل النموذج بشكل طبيعي مع المدارَات الذرية ذات الأشكال المختلفة، بما في ذلك تلك المعقدة المهمة للعناصر الثقيلة ولتأثيرات لف–مدار (spin–orbit).

التقاط كيمياء متعددة الأجسام، وليس الأزواج فقط

سمحت معظم الشبكات السابقة لتعلّم الهاميلتوني بتدفق المعلومات فقط عبر اتصالات زوجية بسيطة بين الذرات. يذهب MACE‑H أبعد من ذلك من خلال إدماج تمرير رسائل متعدد الأجسام: يمكنه دمج معلومات من ثلاثيات ومجموعات أكبر من الذرات بطريقة محكومة. يبني وحدة توسيع تعتمد على درجة العقدة ميزات زاوية ذات رتبة أعلى بكفاءة دون أن تغمر الذاكرة وموارد الحوسبة. هذا يمكّن النموذج من تمثيل أنماط دقيقة في البيئة الكيميائية المحلية، مثل اتجاه طبقات مجاورة في مواد ثنائية الأبعاد ملتوية أو الروابط المعقدة في الذهب البلوري. في الوقت نفسه، يحول مرحلة تحديث الحواف الإضافية هذه الميزات الذرية الغنية إلى تنبؤات لكل كتلة من مصفوفة الهاميلتوني التي تربط أزواج المدارَات الذرية.

الدقة والكفاءة وفحوصات الأخطاء الذكية

يختبر الباحثون MACE‑H على عدة أنظمة متطلبة، بما في ذلك ثنائيات البيليير (bilayers) من تيلورايد البزموت المائلة والمدفوعة، وحسابات كل‑الإلكترونات للذهب البلوري. عبر هذه الحالات، يتنبأ النموذج بعناصر مصفوفة الهاميلتوني الفردية بأخطاء متوسطة أقل من ألف جزء من إلكترون‑فولت، وتكون بنيات النطاق وكثافات الحالات الناتجة لا تُميّز بصرياً عن الحسابات الكمية الكاملة. مقارنةً بنموذج قوي سابق يستخدم رسائل زوجية فقط، يكون MACE‑H أكثر دقة باستمرار ويحتاج إلى بيانات تدريب أقل للوصول إلى مستوى خطأ معين، مع الحفاظ على تقارب شبه خطي مع حجم النظام. تميل البنية إلى التركيز بقوة على البيئة الذرية القريبة، مما يعزز كفاءة البيانات لكنه يقلل قليلاً الحساسية للتغيرات الهيكلية بعيدة المدى؛ ومع ذلك، حتى في تلك الهياكل الملتوية الصعبة، تظل الخصائص الإلكترونية قرب مستوى فيرمي مُعادَة جيداً. كما يظهر المؤلفون أن خطوة «الإزاحة‑والتحجيم» المصممة بعناية تستقرّن التدريب عندما تختلف أجزاء مختلفة من الهاميلتوني عبر عدة مراتب من الحجم، ويقترحون استخدام مدى امتثال المصفوفة المتنبأ بها لتماثل أساسي (الهرميتية) كمؤشر سريع وخالٍ من الوسوم للموثوقية.

نحو اكتشاف سريع للمواد

بعبارة بسيطة، يتعلم MACE‑H تقليد محلل كمومي ثقيل للإلكترونات مع الاحتفاظ ببنية المصفوفة الكاملة التي تقوم عليها الخصائص الإلكترونية الأساسية. وبما أنه دقيق وفعال في استخدام البيانات وقابل للتوسع، فيمكن توصيله برموز البنية الإلكترونية الحالية لتسريع حسابات بُنى النطاق، وتوجيه الفحص عالي الإنتاجية للمواد المرشحة، أو مساعدة المحاكاة التي تقترن حركة الإلكترون بحركة الذرات. النهج عام بما يكفي ليتم تمديده لمشغلات كمية أخرى، مثل مصفوفات الكثافة، ما يفتح طريقاً لحسابات ذاتية التوافق أسرع. ومع نضوج هذه النماذج وحصولها على تقديرات عدم اليقين الموثوقة، من المرجح أن تصبح أدوات مركزية في الاكتشاف الافتراضي وتصميم مواد إلكترونية جديدة.

الاستشهاد: Qian, C., Vitartas, V., Kermode, J.R. et al. Equivariant electronic Hamiltonian prediction with many-body message passing. npj Comput Mater 12, 169 (2026). https://doi.org/10.1038/s41524-026-02020-1

الكلمات المفتاحية: الهاميلتوني بتعلّم الآلة, الشبكات العصبية البيانية, البنية الإلكترونية, اكتشاف المواد, نظرية الدوال الكثافية