An automated approach for developing neural network interatomic potentials with FLAME
تقدم هذه الورقة إطار عمل آلياً ودورياً يدمج تدريب الشبكة العصبية مع التنبؤ بالبنية البلورية لتوليد بيانات تدريب متنوعة وتطوير جهود بين ذرية تعتمد على التعلم الآلي موثوقة بأقل قدر من التدخل البشري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول فهم كيفية سلوك قطعة معدنية صلبة أو بلورة عند تسخينها، أو شدها، أو ضربها. وللقيام بذلك، يعتمد العلماء على خريطة للطاقة تخبرهم كيف تتدافع الذرات وتتجاذب مع بعضها البعض. هذه الخريطة، المعروفة باسم سطح طاقة الجهد، هي الأساس للتنبؤ بكيفية حركة المواد وتغيرها. لعقود من الزمن، ظل الباحثون عالقين بين خيارين صعبين؛ إحدى الطريقتين، القائمة على قوانين ميكانيكا الكم، دقيقة للغاية ولكنها بطيئة جداً لدرجة أنها لا تستطيع محاكاة سوى بضع مئات من الذرات لجزء ضئيل جداً من الثانية. أما الطريقة الأخرى، فتستخدم قواعد مبسطة تسمح بمحاكاة مليارات الذرات لفترات طويلة، لكن هذه القواعد غالباً ما تفتقر إلى الدقة اللاسة لالتقاط السلوكيات الكيميائية المعقدة. والهدف من علم المواد الحديث هو سد هذه الفجوة: ابتكار أداة توفر سرعة القواعد البسيطة مع دقة قوانين الكم.
لقد طور فريق من الباحثين طريقة مؤتمتة جديدة لبناء هذه الأدوات عالية السرعة وعالية الدقة، والتي تُسمى "إمكانات الشبكة العصبية للذرات". تعمل هذه الأدوات مثل دليل مدرب تدريباً عالياً يتعلم قواعد التفاعل الذري من خلال دراسة مكتبة ضخمة من الأمثلة. لقد كان التحدي دائماً يكمن في إنشاء مكتبة جيدة بما يكفي لتعليم هذا الدليل دون توجيهه نحو نوع واحد فقط من المواقف. فإذا كانت بيانات التدريب ضيقة للغاية، سيفشل الدليل عند مواجهة ظروف جديدة. وقد عالج الباحثون ذلك من خلال إنشاء نظام ذاتي التشغيل يبني بيانات التدريب الخاصة به بينما يحسن في الوقت نفسه فهمه للمادة. وقد اختبروا هذا النظام على مادتين غير عضويتين مختلفتين تماماً: ثاني أكسيد التيتانيوم، وهو مركب يُستخدم في كل شيء من واقيات الشمس إلى الخلايا الشمسية، وسيلينيد نحاس إنديوم، وهو مكون رئيسي في الألواح الشمسية ذات الرقائق الرقيقة.
تبدأ العملية بنص برمجي للحاسوب يطلب فقط أسماء العناصر الكيميائية المعنية. وبمجرد إعطائه هذا المدخل البسيط، يتواصل النظام تلقائياً مع قاعدة بيانات عامة ضخمة للهياكل البلورية المعروفة للعثور على نقاط انطلاق. ثم يبتكر تنويعات جديدة عن طريق استبدال الذرات بأقربائها الكيميائيين المشابهين، مما يوسع المشهد الكيميائي ليشمل هياكل قد لا تكون موجودة في الطبيعة بعد. ولضمان تغطية بيانات التدريب لمجموعة واسعة من الاحتمالات، يقوم النظام عمداً بإنشاء نسخ "مجهدة" من هذه الهياكل، عبر هز الذرات بعيداً عن بعضها أو ضغطها معاً. ثم يقوم بتشغيل سلسلة من الحسابات الميكانيكية الكمومية عالية الدقة على هذه التكوينات المتنوعة لتوليد قيم الطاقة والقوة الصحيحة. وتُستخدم هذه الدفعة الأولية من البيانات لتدريب النسخة الأولى من إمكانات الشبكة العصبية.
هنا تصبح الأتمتة قوية حقاً. فبدلاً من التوقف بعد هذا الدرس الأول، يستخدم النظام "الإمكانات" المدربة حديثاً للبحث عن هياكل جديدة منخفضة الطاقة لم يسبق له رؤيتها من قبل. فهو يستخدم طريقة تسمح للذرات بالقفز من ترتيب إلى آخر، مستكشفةً مشهد الطاقة للعثور على الوديان والقمم المخفية. وعندما يجد النظام هيكلاً جديداً ومثيراً للاهتمام، يتوقف ويرسل ذلك الترتيب المحدد إلى حاسب ميكانيكا الكم الدقيق للحصول على قيم الطاقة الحقيقية. ثم تُضاف نقاط البيانات الجديدة عالية الجودة هذه إلى مجموعة التدريب، ويُعاد تدريب الشبكة العصبية. وتتكرر هذه الدورة، حيث يتعلم النظام باستمرار من اكتشافاته الخاصة، ويصقل توقعاته، ويبحث عن المجموعة التالية من الأمثلة الصعبة. وتعمل العملية بأكملاء بحد أدنى من التدخل البشري، ولا تتوقف إلا إذا فشلت خطوة ما، وعندها يمكن للباحث ببساطة إعادة التشغيل من آخر نقطة ناجحة.
طبق الفريق هذا المنهج على ثاني أكسيد التيتانيوم، وهي مادة معروفة بامتلاكها العديد من الأشكال البلورية المختلفة. بدأوا ببضع مئات من الهياكل، ومن خلال خمس دورات من هذا التدريب المؤتمت، وسعوا مجموعة بياناتهم لتصل إلى ما يقرب من 67,000 نقطة بيانات. وأثبتت الإمكانات الناتلة دقة ملحوظة. وعندما استخدم الباحثون هذه الإمكانات لمحاكاة كيفية اهتزاز المادة وتوصيلها للحرارة، تطابقت النتائج مع حسابات ميكانيكا الكم البطيئة والمكلفة بشكل شبه مثالي. والأمر الأكثر إثارة للإعجاب هو أن الإمكانات استطاعت التنبؤ بطاقة طبقة ثنائية الأبعاد من ثاني أكسيد التيتانيوم لم تكن جزءاً من التدريب الأصلي، مما أظهر أن النظام قد تعلم حقاً القواعد الأساسية للمادة بدلاً من مجرد حفظ الأمثلة.
كرروا التجربة مع سيلينيد نحاس إنديوم، وهي مادة أكثر تعقيداً تحتوي على ثلاثة عناصر مختلفة. وقد قام النظام مرة أخرى ببناء مجموعة بيانات متنوعة، حيث نمت من بضعة آلاف من النقاط إلى أكثر من 32,000 نقطة من خلال سبع دورات تدريبية. نجحت الإمكانات النهائية في التنبؤ باستقرار الأطوار البلورية المختلفة وحواجز الطاقة لحركة الذرات عبر المادة. وفي عمليات محاكاة لكيفية قفز ذرات النحاس بين الفراغات في الشبكة البلورية، أعادت الإمكانات المؤتمتة نتائج ميكانيكا الكم باتفاق ممتاز، حيث التقطت أحداث الانتشار الضرورية لأداء الخلايا الشمسية. كما حسب النظام بدقة الطاقة المطلوبة لكسر سطح المادة، وهي خاصية أساسية لفهم كيفية تفاعل هذه المواد مع بيئتها.
يكمن نجاح هذا النهج في قدرته على توليد مجموعة متنوعة وممثلة من أمثلة التدريب دون تحيز بشري. فمن خلال ترك الحاسوب يستكشف مشهد الطاقة ويختار الهياكل الأكثر إفادة، تجنب الباحثون الوقوع في الفخ الشائع المتمثل في التدريب على التكوينات الأكثر استقراراً أو ألفة فقط. والنتيجة هي أداة قوية يمكن تطبيقها على مجموعة واسعة من المواد بجهد إعداد ضئيل جداً. إن هذا العمل يثبت أن الطريق لإنشاء نماذج موثوقة ودقيقة كمومياً للمحاكاة واسعة النط scale لا يتطلب فريقاً ضخماً من الخبراء الذين يقومون بتنسيق البيانات يدوياً؛ بل إن حلقة مؤتمتة جيدة التصميم يمكنها توجيه عملية الاكتشاف، مما يضمن أن تكون النماذج الناتجة جاهزة لمواجهة التحديات المعقدة في عالم علم المواد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.