BULUT: Kristal Temsili Öğrenimi için Ölçeklenebilir ve Fizik-Bilgili Bir Temel Model

Neden kristallerden öğrenmek önemli

Çiplerimizdeki devrelerden elektrikli arabalardaki pillere ve egzozları temizleyen katalizörlere kadar yaşadığımız dünya kristallerden oluşur; atomların tekrarlayan düzenlenme biçimleri bu teknolojilerin işleyişini belirler. Bir kristalin yapısının davranışını nasıl etkilediğini bilmek daha iyi malzemeler icat etmenin anahtarıdır, ancak bu özellikleri geleneksel fizik simülasyonları veya laboratuvar deneyleriyle hesaplamak yavaş ve maliyetlidir. Bu makale, milyonlarca bilinen kristal ve temel fizik ilkelerinden öğrenen, yeni kristal malzemelerin davranışını hızlıca tahmin edebilen CLOUD adında yeni bir yapay zeka yaklaşımını tanıtıyor.

Kristal yapılarını basit dizelere dönüştürmek

Bilgisayarlara kristaller hakkında öğretmenin önemli zorluklarından biri, üç boyutlu atomik düzeni modelin verimli biçimde işleyebileceği bir formda nasıl tanımlayacağını bulmaktır. Tam atom koordinatlarını vermek yerine, yazarlar SCOPE adında sıkıştırılmış bir tanım tasarlıyor. Bu tanım üç temel unsuru yakalar: kristalin genel simetrisi, eşdeğer atomik konumların tekrarlayan kümeleri ve hangi elementlerin nerede bulunduğu, bunların göreli miktarları dahil. Tüm bunlar kısa, koordinatsız bir dize olarak ifade edilir. Bu dize en önemli yapısal bilgiyi korurken depolaması ucuz ve dil-benzeri bir yapay zeka modelinin okuması için uygundur.

Malzemeler için bir dil modeli

SCOPE üzerine inşa edilen yazarlar, doğal dilde kullanılan modellere benzer ruhta, dönüştürücü tabanlı bir temel model olan CLOUD’u oluşturuyor. İnternetteki cümlelerden öğrenmek yerine CLOUD, halka açık veritabanlarından toplanan altı milyondan fazla kristal için SCOPE dizeleriyle eğitiliyor. Bu ön eğitim sırasında model, bazı token’ların gizlendiği kısmi dizeleri tekrar tekrar görür ve eksik parçaları tahmin etmeyi öğrenir; bu da ona simetri, konum düzenleri ve bileşim arasındaki örüntüleri içselleştirme zorunluluğu getirir. Ardından üzerine basit bir tahmin katmanı eklenir ve model, oluşum enerjisi, bant aralığı, mekanik sertlik ve dielektrik yanıt gibi belirli özellikleri tahmin etmek için daha küçük, etiketli veri setleriyle ince ayar yapılır.

Doğru, ölçeklenebilir ve geniş uygulama alanı

Standart malzeme kıyaslamalarında test edildiğinde CLOUD, tam atom koordinatlarına dayananlar da dahil olmak üzere birçok mevcut makine öğrenimi modeline eşdeğer veya üstün performans gösterir. Gerçek malzeme keşfinde sık görülen bir durum olan veri kıtlığı veya test kristallerinin eğitimdekilerden farklı olduğu durumlarda özellikle güçlüdür. Model, kusurlar içeren, büyük birim hücrelere sahip veya düşük boyutlu katmanlar barındıran daha karmaşık veya “alışılmadık” yapılarda da iyi performans sergiler. Modelin içsel dikkat mekanizması analizi, SCOPE içindeki simetri token’larına doğal olarak odaklandığını ortaya koyar; bu da modelin fiziksel olarak anlamlı ipuçlarını kullanmayı öğrendiğini doğrular. Yazarlar ayrıca model boyutu ve eğitim verisi artırıldıkça performansın nasıl iyileştiğini inceleyerek CLOUD’un öngörülebilir ölçeklenme yasalarını takip ettiğini bulur; bu da gelecekte daha büyük, daha yetenekli sürümlerin oluşturulabileceğini gösterir.

Yapay zekayı temel fizik ile harmanlamak

Çalışma, saf örüntü tanımanın ötesine geçerek klasik bir fizik modelini doğrudan öğrenme sürecine gömer. Isı kapasitesi ve iç enerji gibi birçok önemli özellik, bir kristaldeki atomların uzun menzilli titreşimlerine ve sıcaklığa bağlı olarak değişir. Yapay zekadan bu değerleri tek bir sıcaklıkta doğrudan çıkarması istenmek yerine, yazarlar CLOUD-DEBYE’yi oluşturur: CLOUD, kristalin nasıl titreştiğini karakterize eden ara bir nicelik olan Debye sıcaklığını tahmin etmek üzere eğitilir ve bu tahmin, ısı kapasitesi ve enerjiyi sıcaklığa bağlı olarak veren standart bir Debye formülüne beslenir. Debye denklemleri gradyanların içinden geçmesine izin verecek şekilde uygulanabildiğinden, tüm boru hattı yalnızca tek bir sıcaklıktaki ısı kapasitesi verileri kullanılarak uçtan uca eğitilebilir.

Yeni malzemeler bulmak için bunun anlamı

CLOUD-DEBYE yalnızca titreşimle ilgili özellikleri tahmin etmede gelişmiş grafik tabanlı sinir ağlarını geride bırakmakla kalmaz, aynı zamanda eğitim sırasında hiç görmediği malzemeler ve sıcaklıklar için bile geniş bir sıcaklık aralığında termodinamik kurallara uyan sonuçlar üretir. Bu, büyük ölçekli veri odaklı öğrenmeyi yerleşik fizik ile birleştirmenin hem doğru hem de güvenilir modeller verebileceğini gösterir. Pratik açıdan CLOUD çerçevesi, varsayımsal çok sayıda kristali hızla tarayabilir, birçok özelliklerini tahmin edebilir ve bunu temel fiziksel kısıtlamalara saygı göstererek yapabilir. Bu, geleceğin elektronikleri, enerji teknolojileri ve yapısal uygulamalarını destekleyecek kristal malzemelerin daha hızlı ve daha güvenilir keşif ve tasarımına giden bir yol açar.

Atıf: Xu, C., Zhu, S. & Viswanathan, V. CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning. Nat Commun 17, 4074 (2026). https://doi.org/10.1038/s41467-026-70467-3

Anahtar kelimeler: kristal makine öğrenimi, malzeme keşfi, temel modeller, simetri-duyarlı temsiller, fizik-bilgili yapay zeka