بناء دالات بين ذرية بتعلم الآلة بكمية دنيا من بيانات ab initio

محاكيات أكثر ذكاءً لبطاريات أفضل

تعد البطاريات الصلبة بديلاً أكثر أمانًا للهواتف والسيارات وتخزين الشبكة الكهربائية عبر استبدال الإلكتروليتات السائلة القابلة للاشتعال بمواد صلبة توصل أيونات الليثيوم. لكن العثور على موصلات صلبة جديدة واختبارها عملية بطيئة ومكلفة، خصوصًا عندما يعتمد الباحثون على حسابات مكثفة على الحواسيب الفائقة تتعقب كل إلكترون. يوضح هذا البحث كيف يمكن استخدام التعلم الآلي الحديث لتقليل التكلفة بشكل كبير: يبني المؤلفون «توأمات رقمية» سريعة ودقيقة لقوى الذرات باستخدام بضع مئات فقط من الحسابات المكلفة بدلاً من عشرات الآلاف، ما يفتح الباب للفرز السريع لمواد البطاريات من الجيل القادم.

لماذا محاكاة الذرات صعبة جدًا

لتقييم ما إذا كانت مادة صلبة ستنقل أيونات الليثيوم بسرعة، يلجأ العلماء غالبًا إلى الديناميكا الجزيئية من المنهج الأولي (ab initio)، وهي تقنية معيارية تحسب حركة الذرات من مبادئ الكم. المشكلة أنها تتطلب موارد حسابية هائلة بحيث لا يمكن استخدامها بشكل روتيني للأنظمة الكبيرة أو لأزمنة طويلة. تتيح دالات التعلم الآلي بين الذرية اختصارًا: فبمجرد تدريبها تُحاكي القوى الكمومية الأساسية بتكلفة ضئيلة. إلا أن بناء مثل هذه النماذج لمادة محددة كان يتطلب تقليديًا حلقات «تعلّم نشط» معقدة وآلافًا إلى عشرات الآلاف من الحسابات الكمومية، مما يقلل من إمكانية نشرها على نطاق واسع.

استخدام نموذج عام كبير كمرشد

شهدت السنوات الأخيرة صعود نماذج تعلم آلي شاملة وكبيرة مدرّبة على قواعد بيانات هائلة من الحسابات الكمومية عبر مواد متعددة. أحد هذه النماذج، المسمى MACE-MP-0، هو نقطة البداية هنا. اختبر المؤلفون أولًا هذا النموذج العام على ثلاثة إلكتروليتات صلبة مهمة تقنيًا وتمثل كيميائيات مختلفة: كبريتيد (LGPS)، وأكسيد (LATP)، وهاليد (Li₃YCl₆). وجدوا أن MACE-MP-0 قادر إلى حد ما على إعادة مسارات الذرات من المحاكيات المرجعية المكلفة، لكنه لم يتنبأ بدقة كافية بخواص دقيقة مثل حواجز هجرة الليثيوم ومعدلات الانتشار. ومع ذلك، كانت حركته عبر فضاء التراكيب الذرية مطابقة إلى حد كبير للحسابات عالية المستوى، مما يجعله «مولدًا» رخيصًا وفعّالًا للعينات ذات الصلة من التراكيب الذرية.

بناء نماذج دقيقة من مجموعات بيانات صغيرة

بدلًا من تحديث نموذج مرارًا عبر جولات متعددة من التعلّم النشط، يقترح المؤلفون استراتيجية ذات طلقة واحدة. أولًا يشغّلون ديناميكا جزيئية عند حرارة مرتفعة باستخدام نموذج MACE العام لتوليد العديد من لقطات الذرات. ثم يطبقون طريقة إعادة عيّنة ذكية لاختيار نحو 200 تركيب فقط ذات معلومات خاصة ويحسبون طاقاتها وقواها باستخدام الطرق الكمومية الكاملة. وبدلًا من تدريب نموذج جديد من الصفر، يقومون بتعديل (fine-tune) نموذج MACE الحالي على هذه المجموعة الصغيرة ولكن المختارة بعناية، مستخدمين تحديثات تقليدية ونسخة فعّالة في عدد المعاملات تُدعى ELoRA. يصبح هذا النموذج المضبوط أكثر دقة بكثير في حواجز الطاقة والانتشار، كما يرث ثباتًا ديناميكيًا من النموذج الكبير الأصلي، متجنبًا الانهيارات الذرية غير الفيزيائية التي غالبًا ما تصيب النماذج المدربة على بيانات محدودة جدًا.

استخلاص السرعة من مُعلّم كبير

على الرغم من أن نموذج MACE المحسّن دقيق ومستقر، فإنه يبقى ثقيلاً وبطيئًا نسبيًا للمحاكيات الطويلة والكبيرة المطلوبة لدراسة نقل الأيونات في مواد البطاريات الواقعية. لحل ذلك، يستخدم المؤلفون هذا النموذج «كمعلّم» لنموذج أصغر وخفيف يُعرف NEP. يسمحون لنموذج MACE المضبوط بتوليد بيانات تدريب صناعية إضافية—آلاف التراكيب الذرية الموسومة بالطاقة والقوى التي يتنبأ بها—دون أي حسابات كمومية إضافية. يؤدي تدريب NEP على مجموعة البيانات المقطّرة هذه إلى نموذج مدمج أسرع بنحو عشرين مرة مع مطابقة وثيقة لتنبؤات المعلّم. في محاكيات الخلايا الفائقة الكبيرة، يعيد نموذج NEP المقطّر ميزات رئيسية مثل الانتقالات الفائقة التأين والموصلية عند درجة حرارة الغرفة التي تتوافق جيدًا مع التجارب.

ما الذي يعنيه هذا لمواد المستقبل

يُظهر البحث وصفة عملية لبناء حقول قوى تعلم آلي موثوقة وسريعة باستخدام بضع مئات فقط من الحسابات الكمومية المكلفة: عيّن على نطاق واسع بنموذج شامل، ضبّطه بعناية، ثم استخلص معارفه إلى طالب أخف. بالنسبة للإلكتروليتات الصلبة، تمكّن هذه المقاربة محاكيات طويلة وعلى نطاق واسع تلتقط مباشرة كيف تشق أيونات الليثيوم طريقها عبر هياكل بلورية معقدة، مقدمة موصلية واقعية بدلًا من تقديرات خشنة. وعلى نحو أوسع، يمكن لنفس سير العمل تسريع تصميم العديد من المواد الوظيفية، مقربًا حلم المحاكاة الذرية عالية الدقة إلى الممارسة البحثية اليومية.

الاستشهاد: Zhang, W., Wu, X., Wang, C. et al. Constructing machine learning interatomic potentials with minimum amount of ab initio data. npj Comput Mater 12, 174 (2026). https://doi.org/10.1038/s41524-026-02023-y

الكلمات المفتاحية: الموصلات الصلبة للإلكتروليت, دالات التعلم الآلي, الديناميكا الجزيئية, مواد البطاريات, محاكاة المواد