إمكانية بين ذرية للتعلّم الآلي عامة الغرض لنظام Mg-Al-Si-O مناسبة لمواد الأرض عند ضغوط ودرجات حرارة عالية

نظرة إلى قلب الأرض المخفي

عميقًا تحت أقدامنا، تشكّل الصخور المكوّنة من المغنيسيوم والألمنيوم والسيليكون والأكسجين كل شيء من الانفجارات البركانية إلى حركات الصفائح التكتونية. غير أن الضغوط والدرجات الحرارة القصوى لداخل الأرض تجعل دراسة هذه المواد مباشرة في المختبر صعبة للغاية. تقدم هذه الورقة طريقة حاسوبية جديدة لمحاكاة سلوك هذه المعادن، مستخدمة الذكاء الاصطناعي الحديث لسد الفجوة بين حسابات الكم المكلفة والنماذج التقليدية المبسطة للغاية.

لماذا المحاكاة للصخور العميقة صعبة جدًا

يسيطر على طبقة الوشاح الأرضي معادن مبنية من المغنيسيوم والألمنيوم والسيليكون والأكسجين. تتحكم ثباتها وسلوكها عند الذوبان في مدى صلابة أو سيولة الصخور، وكيف تغوص الصفائح في الوشاح، وأين تحدث الزلازل وتبدلات سرعة الموجات الزلزالية. يعتمد الباحثون على مخططات الطور—خرائط تُظهر أي المعادن مستقرة على عمق ودرجة حرارة معينين—لفهم هذه العمليات. التجارب عند أعماق مئات الكيلومترات صعبة للغاية، لذا يلجأ العلماء إلى المحاكيات الحاسوبية. النماذج الكلاسيكية سريعة لكنها غالبًا ما تخطئ في انتقالات المعادن، بينما طرق ميكانيكا الكم الأكثر دقة بطيئة جدًا بالنسبة للأنظمة الكبيرة والمعقدة التي يهتم بها علماء الأرض.

تعليم شبكة عصبية قواعد الذرات

يتعامل المؤلفون مع هذا عنق الزجاجة عن طريق بناء "إمكانة بين ذرية" بالتعلم الآلي لنظام Mg–Al–Si–O. باختصار، يدربون شبكة عصبية عميقة على التنبؤ بكيفية تجاذب وتنافر الذرات مع بعضها، استنادًا إلى مكتبة كبيرة من الهياكل النموذجية. تُولّد هذه الأمثلة باستخدام حسابات كمومية متقدمة بطريقة موثوقة (تسمى r2SCAN) عبر نطاق واسع من الضغوط والدرجات وأنواع المعادن والذوبان. ولتحسين الدقة بشكل إضافي حيث تهم التفاصيل—أي فروق الطاقة الصغيرة التي تقرر أي معدن مستقر—يضيفون تصحيحًا غاوسيًا زوجي بسيطًا مضبوطًا مقابل قاعدة بيانات ثرموديناميكية موثوقة. هذا النهج الهجين يقلل متوسط خطأ الطاقة لعشرين معدنًا شائعًا في الوشاح من حوالي 5 إلى ما يزيد قليلًا عن 1 كيلوجول لكل مول، دون تغيير كبير في حجوماتها.

التحقق من النموذج مقابل خرائط الطور الطبيعية

مزودين بهذه الإمكانة المحسّنة، تحسب الفريق مخططات الطور لأنظمة مكونة أساسية، بما في ذلك السيليكا النقية والألومينوسيليكات وتركيبات سيليكات المغنيسيوم التي تغطي معادن رئيسية في الوشاح مثل الفورستريت والوادسليت والرينجووديت. باستخدام التكامل الثرموديناميكي وعلاقات قياسية من الكيمياء الفيزيائية، يرسمون الحدود التي يتبدل عندها طور إلى آخر أو إلى ذوبان. تتطابق المخططات المتوقعة عن كثب مع النتائج التجريبية، حتى أنها تلتقط انتقالات الضغط العالي في السيليكا التي لم تُدرج صراحة في بيانات التدريب. حيث توجد اختلافات—مثل انزياح طفيف في الحدود بين الفورستريت والوادسليت—يمكن تتبعها إلى بقايا عدم يقين طاقة لا تتجاوز بضعة كيلوجول لكل مول، تعادل أخطاء بضع مئات من الدرجات أو جزءًا من جيجاباسكال.

مناظر جديدة للواجهات والاضطراب الذري

بما أن النموذج المتعلم آليًا دقيق وسريع بما يكفي للأنظمة الكبيرة، يمكن للمؤلفين استكشاف خصائص تكاد تكون غير متاحة في المختبر. أحد الأمثلة هو كيفية إعادة ترتيب ذرات الألمنيوم والسيليكون داخل معدن السليميانيت مع ارتفاع الحرارة، والتي يدرسونها بدمج إمكانتهم مع محاكاة مونت كارلو. مثال آخر هو الطاقة الحرة للحدود بين البلورات الصلبة والصخور المصهورة لاثنين من المعادن النموذجية: البيركلوز (MgO) والفورستريت (شكل من الأوليفين). باستخدام أساليب أخذ عينات متقدمة، يظهرون أن هذه الواجهات لها لاتماثل سطحي منخفض نسبيًا—الفرق في طاقة السطح بين وجوه البلورة—حوالي 6 بالمئة للبيركلوز و12 بالمئة للفورستريت. كما يحققون في كيفية تأثير الإجهاد غير المتكافئ على تحول الكوارتز المعروف من شكله منخفض الحرارة إلى شكله عالي الحرارة، مكتشفين أن مستويات الإجهاد التفاضلي الجيولوجية النموذجية تحرّك الانتقال قليلاً فقط.

ما يعنيه ذلك لفهم كوكبنا

لغير المختص، الخلاصة أن المؤلفين أنشأوا "مختبرًا رقميًا" قويًا جديدًا لمواد أعماق الأرض. يمكن لنموذجهم المعتمد على التعلم الآلي إعادة إنتاج حدود المعادن المعروفة ثم التقدم إلى ما يتجاوز التجارب الحالية لتقدير خصائص دقيقة للذوبانات والواجهات والاضطراب الذري تحت ظروف قصوى. وهذا يفتح الباب لمحاكيات أكثر واقعية لتدفق الوشاح والذوبان والبنى الزلزالية، مما يساعد العلماء على ربط سلوك الذرات بالآليات الواسعة النطاق لداخل كوكبنا.

الاستشهاد: Zhong, X., Li, Y. & John, T. A general purposed machine learning interatomic potential for Mg-Al-Si-O system suitable for Earth materials at high pressure and temperature conditions. npj Comput Mater 12, 141 (2026). https://doi.org/10.1038/s41524-026-02056-3

الكلمات المفتاحية: مواد غلاف الأرض, إمكانة التعلم الآلي, ديناميكيات جزيئية, مخططات الطور, الواجهات الصلبة–الذائبة