ديناميكا جزيئية خالية من القوى عبر شبكات متساوية المتغيرات الذاتية التتابع

لماذا تهم تسريع الأفلام الذرية

تتصل العديد من الأسئلة الأكثر إثارة في الكيمياء والفيزياء وعلوم المواد بكيفية حركة الذرات: كيف تتلوى جزيئات مسكّن الألم، كيف تهتز الكوارتز، كيف يتجمد الماء إلى أشكال زجاجية غريبة. تحاكي التجارب الحاسوبية المسماة بالديناميكا الجزيئية هذه الأفلام الذرية، ولكنها تتطلب قدرًا حسابيًا كبيرًا لدرجة أن العلماء غالبًا ما يرون جزءًا ضئيلًا فقط من الحدث. يعرض هذا المقال TrajCast، إطار عمل ذكاء اصطناعي جديد يتعلم تقديم هذه الأفلام الذرية سريعًا دون التضحية بالفيزياء الأساسية.

اختصار جديد لمحاكاة الذرات

تحدّث الديناميكا الجزيئية التقليدية حركة الذرات عن طريق حساب القوى بين الذرات مرارًا وتكرارًا ثم دفع المواقع إلى الأمام بخطوات زمنية صغيرة جدًا، غالبًا جزء من تريليون من الثانية. حتى عندما يُستخدم التعلم الآلي لتسريع حساب القوى، تظل الخطوة الزمنية الصغيرة تجعل الأفلام الطويلة مكلفة. تتبع TrajCast مسارًا مختلفًا. بدلًا من التنبؤ بالقوى، تتعلم القفز مباشرة من لقطة كاملة للنظام إلى التالية، متوقعةً أين ستكون كل ذرة ومدى سرعتها بعد فترة زمنية أكبر بكثير. تحت الغطاء، تستخدم TrajCast فئة من الشبكات العصبية التي تحترم تماثلات الفضاء ثلاثي الأبعاد بحيث لا يربك تدوير أو نقل النظام النموذج.

تعليم الذكاء الاصطناعي احترام القوانين الفيزيائية

لكي يعمل كبديل موثوق للفيزياء، يجب أن تفعل TrajCast أكثر من رسم صور معقولة؛ عليها إعادة إحصاءات الحركة الذرية الحقيقية. يدرب المؤلفون النموذج على محاكيات قصيرة ودقيقة تحافظ على الطاقة والزخم، ويُدمَج هذان القانونان في الشبكة مباشرةً بحيث تبقى الحركات المتوقعة متسقة فيزيائيًا. خلال «التسلسلات» الطويلة، تأخذ TrajCast مخرجاتها مرارًا وتكرارًا كمدخلات التالية، بينما يضبط مكوّن المنظم الحراري سرعات الذرات بلطف للحفاظ على درجة الحرارة المحاكاة تحت السيطرة، تمامًا كما في محاكيات درجة الحرارة الثابتة القياسية. يتيح هذا التصميم للطريقة توليد مسارات كاملة يمكن للعلماء استخراج خصائص ديناميكية وبنائية وطاقة منها.

اختبار TrajCast

يقوم الفريق باختبار TrajCast على ثلاثة أنظمة مختلفة جدًا: جزيء واحد من باراسيتامول في الطور الغازي، كوارتز بلّوري والماء السائل في ظروف الغرفة. في كل حالة، يقارنون المسارات التي يولدها الذكاء الاصطناعي مع المحاكيات التقليدية، مع التركيز على مقاييس مثل كيفية اهتزاز الذرات، وكيفية توزيع الطاقة وكيفية حركة الجزيئات أو انتشارها. بالنسبة للباراسيتامول، تستخدم TrajCast خطوات زمنية أكبر بأربعة عشر ضعفًا من المحاكاة المرجعية، ومع ذلك تعيد بنحوٍ دقيق طيف الاهتزازات، وتوزيع طاقات الوضعية، ومنظر حواجز الطاقة التي تتحكم في كيفية تقلب الجزيء بين الأشكال. في الكوارتز، يمكنها اتخاذ قفزات أكبر ثلاثين مرة من المعتاد بأمان، بينما لا تزال تطابق تواقيع الاهتزاز وتقلبات الطاقة للصلب على مدى نانوثوانٍ.

من الماء السائل إلى الحالات الزجاجية

يقدم الماء السائل تحديًا أصعب لأن الجزيئات تكون في تشكل مستمر وانكسار للرابطة الهيدروجينية. حتى هنا، مع خطوة زمنية أكبر بعامل عشرة، تحاكي TrajCast المحاكيات المرجعية: تلتقط أوضاع الاهتزاز عبر الترددات، وتعيد كيف تتحرك جزيئات الماء مع الزمن، وتنتج دوال التوزيع الشعاعي التي تصف كيفية ترتيب الجزيئات حول بعضها. ثم يدفع المؤلفون النموذج بعيدًا عن نطاق تدريبه المريح. باستخدام نسخة مدرّبة فقط على ماء سائل عند درجة حرارة الغرفة، يبردون تدريجيًا عينة أكبر لتشكيل ماء زجاجي متجمّد بسرعة مفرطة، وهو صلب غير منظم مع تواقيع بنائية دقيقة. من اللافت أن الذكاء الاصطناعي يتتبع كيف يتباطأ الانتشار، وكيف تصبح القمم البنائية أكثر حدة، وكيف تتطور مقاييس النظام قصير وطويل المدى، بما يتوافق عن كثب مع محاكيات متخصصة تشتمل صراحةً على عملية التبريد.

ما يعنيه هذا لاكتشاف المواد في المستقبل

بتعلّمه تقديم الأفلام الذرية بقفزات أكبر وموفّقة فيزيائيًا، يمكن لـ TrajCast توليد بيانات مسار تمتد لنانوثوانٍ لأنظمة تحتوي على آلاف الذرات في الزمن الذي ستحتاجه عادةً لمحاكاة أقل بكثير. تحتفظ الطريقة بتفاصيل كافية لاسترجاع الملاحظات الرئيسية، وتتعامل مع الجزيئات البسيطة والمراحل المكثفة المعقدة على حد سواء، ويمكنها حتى الاستطراد إلى مجالات جديدة مثل تشكيل الزجاج دون تدريب إضافي. على الرغم من أن النسخة الحالية لا تستطيع بعد التنبؤ بالخصائص المعتمدة على الضغط وتستخدم خطوة تنبؤ ثابتة، فإنها تشير بالفعل إلى مستقبل يمكن فيه أن تجسر المحاكاة المدعومة بالذكاء الاصطناعي الفجوة بين الحركات الدقيقة السريعة والعمليات البطيئة التي تشكل المواد والسوائل في العالم الحقيقي.

الاستشهاد: Thiemann, F.L., Reschützegger, T., Esposito, M. et al. Force-free molecular dynamics through autoregressive equivariant networks. Nat Mach Intell 8, 764–776 (2026). https://doi.org/10.1038/s42256-026-01227-7

الكلمات المفتاحية: ديناميكا جزيئية, تعلم آلي, محاكاة ذرية, علوم المواد, ماء زجاجي