← أحدث الأبحاث
🔬 علوم المواد

Capturing long-range interaction with reciprocal space neural network

تقترح هذه الورقة طريقة للشبكة العصبية في الفضاء المتبادل تقوم بتحويل المعلومات الهيكلية من الفضاء الحقيقي لتمكين جهود الذرات القائمة على التعلم الآلي من التقاط التفاعلات طويلة المدى بدقة، مما يحسن التنبؤ بالخصائص العالمية ويسهل عمليات المحاكاة الديناميكية واسعة النطاق للأنظمة المعقدة مثل المواد الأيونية والبلورات المعيبة.

المؤلفون الأصليون: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

ظهر لأول مرة 2022-11-30 · تم التحديث 2026-11-17
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلفون الأصليون: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

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

لفهم المواد التي تشكل عالمنا، من السيليكون في رقاقة الكمبيوتر إلى الملح في ملاحاتنا، غالباً ما يلجأ العلماء إلى أداة قوية تسمى الديناميكا الجزيئية. هذه وسيلة لمحاكاة كيفية تحرك الذرات وتفاعلها بمرور الوقت، ولكن لتشغيل هذه المحاكاة، يحتاج الباحثون إلى خريطة موثوقة تخبرهم بمقدار الطاقة المخزنة في أي ترتيب معين للذرات. لعقود من الزمن، كان المعيار الذهبي لإنشاء هذه الخرائط هو طريقة تعتمد على قوانين ميكانيكا الكم، وهي دقيقة للغاية ولكنها مكلفة حاسوبياً لدرجة أنها لا تستطيع التعامل إلا مع مجموعات صغيرة جداً من الذرات لفترات قصيرة جداً. ولدراسة أنظمة أكبر أو فترات زمنية أطول، لجأ العلماء إلى التعلم الآلي، حيث يتم تدريب الحواسيب لتعلم العلاقة بين المواضع الذرية والطاقة. ومع ذلك، فإن معظم نماذج التعلم الحديثة هذه تعمل بناءً على افتراض بسيط: وهو أن الذرة لا تهتم إلا بجيرانها المباشرين؛ فهي تنظر إلى الجوار المحلي وتتجاهل ما يحدث بعيداً. هذا يعمل بشكل جيد للعديد من المواد، لكنه يفشل في مواد أخرى، لا سيما تلك المكونة من جسيمات مشحونة مثل الأملاح أو بعض البلورات، حيث يمكن لقوة جذب أو دفع ذرة ما أن تمتد عبر الهيكل بأكم له، مما يؤثر على سلوك المادة بطرق لا تستطيع اللقطات المحلية التقاطها.

لقد طور فريق من الباحثين في جامعة فودان ومعهد شانغهاي "تشي زي" نهجاً جديداً لمعالجة هذه النقطة العمياء. فقد أدركوا أنه لفهم كيفية تأثير الذرات البعيدة على بعضها البعض، يحتاجون إلى النظر إلى المادة ليس فقط كمجموعة من النقاط الفردية في الفضاء، بل كنمط كامل من الموجات. في الفيزياء، هناك طريقة رياضية لترجمة ترتيب الذرات في بلورة إلى نوع آخر من الفضاء، يُسمى غالباً الفضاء المتبادل (reciprocal space)، وهو مناسب بطبيعته لوصف الأنماط التي تتكرر عبر مسافات طويلة. بنى الباحثون نموذجاً حاسوبياً جديداً يأخذ الصورة القياسية للبلورة، ويترجمها إلى لغة الموجات هذه، ويستخدم شبكة عصبية لتعلم مساهمات الطاقة من هذه الأنماط طويلة المدى. ثم قاموا بدمج هذه الرؤية الشاملة مع الرؤية المحلية التقليدية، مما خلق نموذجاً هجيناً يرى الجيران المباشرين والتأثيرات البعيدة في آن واحد.

اختبر الفريق هذه الطريقة الجديدة على مواد مختلفة لمعرفة ما إذا كانت ستؤدي حقاً إلى تحسين التنبؤات. أولاً، نظروا في مجموعة بيانات من "البيروفسكايت" العضوية-غير العضوية الهجينة، وهي نوع من البلورات المستخدمة في الخلايا الشمسية، للتنبؤ بفجوات النطاق (band gaps)، وهي مقياس لمدى جودة توصيلها للكهرباء. وعندما قارنوا نموذجهم الجديد بالأساليب الموجودة، وجدوا أن النهج الهجين الذي يتضمن معلومات الموجات طويلة المدى كان الأكثر دقة، مما قلل بشكل كبير من الخطأ في تنبؤاته. وفي المق المقابل، وجدوا أن مجرد إضافة حساب طويل المدى قياسي دون مكون الشبكة العصبية الجديد لم يساعد، كما أن استخدام المعلومات طويلة المدى فقط دون التفاصيل المحلية لم يكن كافياً بمفرده. لقد جاء النجاح من الطريقة المحددة التي دمجوا بها المنظورين.

بعد ذلك، واجه الباحثون تحدياً أكثر صعوبة: محاكاة البلورات التي تحتوي على عيوب، أو قطع مفقودة، حيث تكون القوى طويلة المدى حاسمة بشكل خاص. قاموا بإنشاء نموذج لبلورة ملح، وهي كلوريد الصوديوم، وأدخلوا اضطرابات عشوائية على الذرات لمحاكاة العيوب في العالم الحقيقي. قاموا بتدريب نموذجهم للتنبؤ بالطاقة الإجمالية لهذه الهياكل، وهي مهمة تتطلب مراعاة التجاذب الكهربائي بين كل ذرة في النظام. أظهرت النتائج أن طريقتهم الجديدة، التي تتعلم القوى طويلة المدى مباشرة من البيانات، كانت أكثر دقة بكثير من النماذج السابقة، خاصة عندما كانت البلورة كبيرة وتحتوي على عيوب. كما اختبروا ذلك على مادة شبه موصلة معقدة تسمى نيتريد الغاليوم، تُستخدم في الإلكترونيات عالية القدرة. في هذه الحالة، لم يتنبأ النموذج الجديد بالطاقة بدقة أكبر فحسب، بل وفر أيضاً صورة أكثر استقراراً لكيفية سلوك القوى بين الذرات، مما قلل من أخطاء التنبؤ بالقوة بهامش كبير مقارنة بالنماذج القياسية.

لم يكن مفتاح هذا التحسن مجرد إضافة المزيد من البيانات، بل تغيير كيفية "رؤية" الكمبيوتر للبلورة. فمن خلال ترجمة المواضع الذرية إلى تنسيق يلتقط بطبيعته الأنماط المتكررة وطويلة المدى للمادة، استطاع النموذج تعلم التفاعلات الدقيقة وبعيدة المدى التي تفوتها النماذج التقليدية. كما اكتشف الباحثون أن الطريقة التي دربوا بها النموذج كانت مهمة للغاية؛ حيث وجدوا أن تعليم الكمبيوتر فهم البيئة المحلية أولاً، ثم إضافة المعلومات طويلة المدى في خطوة ثانية، أنتج نتائج أفضل بكثير من محاولة تعلم كل شيء في وقت واحد. يقدم هذا النهج الجديد مساراً واعداً نحو تصميم مواد أفضل، لا سيما للأنظمة التي يعتمد فيها سلوك الكل على الروابط غير المرئية بين الذرات البعيدة عن بعضها البعض.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →