🔬 materials science

Machine-learning interatomic potentials achieving CCSD(T) accuracy for systems with extended covalent networks and van der Waals interactions

تقدم هذه الورقة منهجية مبتكرة تستخدم تعلم- $\Delta$ مع خط أساس للارتباط القوي المصحح بالتشتت لتدريب إمكانات ذرية قائمة على التعلم الآلي تحقق دقة CCSD(T) للأنظمة ذات الشبكات التساهمية الممتدة وتفاعلات فان دير فالس، مما يتيح عمليات محاكاة واسعة النطاق ودقيقة كيميائياً لمواد مثل الأطر العضوية التساهمية.

المؤلفون الأصليون: Yuji Ikeda, Axel Forslund, Pranav Kumar, Yongliang Ou, Jong Hyun Jung, Andreas Köhn, Blazej Grabowski

نُشر 2026-03-11

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuji Ikeda, Axel Forslund, Pranav Kumar, Yongliang Ou, Jong Hyun Jung, Andreas Köhn, Blazej Grabowski

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 بناء قلعة ضخمة ومعقدة من قطع الليغو (LEGO). لكي تبنيها بشكل مثالي، تحتاج إلى معرفة كيف تترابط كل قطعة مع الأخرى بدقة، وكيف تهتز عند النقر عليها، وكيف يصمد الهيكل بأكمله تحت الضغط.

في عالم الكيمياء وعلوم المواد، هذه "القطع" هي الذرات، وعملية "الترابط" تحكمها قوانين ميكانيكا الكم. لعدة عقود، امتلك العلماء طريقتين رئيسيتين لمعرفة هذه القواعد:

"الرسم السريع" (DFT): هذا يشبه رسم مخطط تقريبي للقلعة. إنه سريع وجيد لإعطاء فكرة عامة، لكنه غالباً ما يفتقد التفاصيل الدقيقة. إنه يشبه محاولة تخمين مدى تمدد الرباط المطاطي دون قياسه فعلياً؛ فأحياناً يخطئ في فهم الفيزياء، خاصة عندما تكون الذرات بعيدة عن بعضها البعض وتؤثر في بعضها البعض فقط (مثل المغناطيسات التي لا تتلامس).
"المخطط الرئيسي" (CCSD(T)): هذا هو المعيار الذهبي. إنه مخطط تفصيلي للغاية ومثالي رياضياً. إنه يضبط الفيزياء بدقة، وصولاً إلى آخر ذرة. لكن هناك مشكلة، وهي أن حساب هذا المخطط لقلعة كاملة يتطلب قدرة حوسبة هائلة لدرجة أن سوبر كمبيوتر قد يستغرق سنوات لإنهاء غرفة واحدة فقط. إنه بطيء جداً لبناء الهيكل بأكمله.

المشكلة:
أراد العلماء بناء هياكل ضخمة ومعقدة (مثل الأطر العضوية التساهمية، أو COFs — فكر فيها كشبكات جزيئية مسامية للغاية تشبه الإسفنج، تُستخدم لتخزين الغاز أو تنقية المياه). كانوا بحاجة إلى سرعة "الرسم السريع" ودقة "المخطط الرئيسي". وحتى الآن، لم يكن بإمكانهم الحصول على كليهما معاً.

الحل: خدعة "تعلم الفرق" (Delta-Learning)
ابتكر مؤلفو هذه الورقة طريقاً مختصراً ذكياً، أطلقوا عليه اسم "تعلم الفرق" (Delta-Learning). إليك التشبيه:

تخيل أنك متدرب طاهٍ يحاول تعلم كيفية صنع "سوفليه" مثالية (وهي "المخطط الرئيسي"):

الخطوة 1: تبدأ بخليط جاهز وبسيط (وهو "الرسم السريع" أو طريقة تسمى GFN2-xTB). إنه ليس مثالياً، لكنه سريع ويصل بك إلى 90% من النتيجة المطلوبة.
الخطوة 2: بدلاً من محاولة تعلم كيفية صنع السوفليه بالكامل من الصفر، أنت تتعلم فقط الفرق بين الخليط الأساسي والسوفليه المثالية. تسأل نفسك: "ما الذي ينقصني بالضبط؟ هل الخليط جاف جداً؟ أم أنه يفتقر إلى الهشاشة؟"
الخطوة 3: تقوم بتدريب ذكاء اصطناعي ذكي (وهو إمكانات التعلم الآلي - Machine Learning Potential) للتنبؤ بهذا الفرق المفقود فقط.

بمجرد حصولك على هذا الذكاء الاصطناعي، تأخذ خليطك الأساسي السريع، وتضيف إليه "تصحيح" الذكاء الاصطناعي، وفجأة — لديك سوفليه مثالية، ولكنك لم تضطر إلا للقيام بالعمليات الحسابية الصعبة مرة واحدة فقط لتعليم الذكاء الاصطناعي.

ماذا فعلوا:

التدريب: أخذوا قطعاً صغيرة من الإسفنج الجزيئي العملاق (مثل حلقات البنزين الفردية والتجمعات الصغيرة) وحسبوا طاقتها "المثالية" باستخدام طريقة "المخطط الرئيسي" البطيئة والمكلفة.
الذكاء الاصطناعي: علموا ذكاءً اصطناعياً كيف يتعلم "الفرق" الضئيل بين "الرسم السريع" و"المخطط الرئيسي" لهذه القطع الصغيرة.
السحر: لأن الذكاء الاصطناعي تعلم الفرق فقط، لم يكن بحاجة لرؤية القلعة العملاقة بأكملها ليفهمها. استطاع تطبيق ما تعلمه عن القطع الصغيرة على الهيكل الضخم واللانهائي.

النتائج:
اختبروا هذا "الطاهي الآلي" على إسفنج جزيئي حقيقي مكون من الكربون والهيدروجين.

الدقة: تنبأ بكيفية ترابط الذرات، وكيفية اهتزازها، وكيف تلتصق ببعضها البعض بـ "دقة كيميائية" (بمعنى أنها تضاهي الطريقة البطيئة والمكلفة).
السرعة: يعمل أسرع بآلاف المرات من الطريقة المكلفة.
"اختبار الإسفنج": استخدموا هذا النظام لمعرفة كيف يلتصق غاز الهيدروجين بالإسفنج. تنبأ الذكاء الاصطناعي بأن الإسفنج يمسك الهيدروجين بقوة أقل قليلاً مما ظن "الرسم السريع"، لكنه كان أكثر دقة بكثير من ذي قبل. وهذا أمر بالغ الأهمية لتصميم وسائل تخزين وقود أفضل.

لماذا هذا مهم:
هذا يشبه إعطاء فريق بناء طائرة بدون طيار (درون) فائقة السرعة يمكنها الطيران فوق مدينة وإخبارهم فوراً بمواقع نقاط الضعف بدقة، دون الحاجة لإرسال فريق من المهندسين لقياس كل طوبة يدوياً.

هذا يفتح الباب لتصميم مواد جديدة للطاقة النظيفة، والبطاريات الأفضل، وفلاتر التلوث، بمستوى من الدقة كان مستحيلاً سابقاً للأنظمة الكبيرة. هم لم يصنعوا مجرد آلة حاسبة أفضل؛ بل صنعوا وسيلة لتخيل عوالم جديدة من المواد التي يمكننا الآن محاكاتها وفهمها فعلياً.

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان: "جهود التفاعل بين الذرات القائمة على التعلم الآلي والتي تحقق دقة CCSD(T) للأنظمة ذات الشبكات التساهمية الممتدة وتفاعلات فان دير فالس."

1. بيان المشكلة

أحدثت جهود التفاعل بين الذرات القائمة على التعلم الآلي (MLIPs) ثورة في المحاكاة الذرية من خلال تقديم دقة تقارب حسابات "المبادئ الأولية" (ab initio) بجزء ضئيل من التكلفة الحسابية. ومع ذلك، فإن معظم الـ MLIPs الحالية يتم تدريبها على بيانات نظرية وظيفية الكثافة (DFT). تعاني نظرية DFT من أخطاء جوهرية في دالات التبادل والارتباط، وغالبًا ما تفشل في التقاط تفاعلات "فان دير فالس" (vdW) طويلة المدى بدقة دون تصحيحات شبه تجريبية.

بينما تُعد طريقة "كوبلد كلستر" مع إثارات أحادية وثنائية وثلاثية اضطرابية [CCSD(T)] هي "المعيار الذهبي" للدقة الكيميائية (1 كيلو كالوري/مولل) وتتضمن بطبيعتها تفاعلات فان دير فالس، إلا أن تكلفتها الحسابية تتزايد بشكل حاد ( $O(N^7)$ )، مما يحد من تطبيقها على الجزيئات الصغيرة فقط.

التحدي الجوهري: هناك نقص في الـ MLIPs المدربة على بيانات CCSD(T) للأنظمة ذات الشبكات التساهمية الممتدة (مثل الأطر العضوية التساهمية - COFs، والبوليمرات، وMOFs).
العقبة: إن توليد بيانات مرجعية لـ CCSD(T) للأنظمة الدورية أمر باهظ التكلفة حسابيًا. كما أن استراتيجيات التجزئة القياسية (تقطيع النظام الدوري إلى جزيئات) تفشل في الشبكات الممتدة لأنها تؤدي إلى ظهور إلكترونات تكافؤ غير مزدوجة، مما يغير البنية الإلكترونية بشكل جذري.

2. المنهجية

يقترح المؤلفون استراتيجية تعلم الفروقات ( $\Delta$ -learning) مبتكرة مقترنة بـ خط أساس للربط القوي (tight-binding baseline) لتدريب MLIPs بدقة CCSD(T) للأنظمة الممتدة دون الحاجة إلى حسابات CCSD(T) دورية.

أ. البيانات المرجعية للكيمياء الكمية

الطريقة: يتم حساب الطاقات المرجعية باستخدام PNO-LCCSD(T)-F12 (طريقة كوبلد كلستر المحلية مع أزواج المدارات الطبيعية، مع تعزيزها بتصحيح F12 للاطر الارتباطية الصريحة).
مجموعة القاعدة (Basis Set): heavy-aug-cc-pVTZ (مع إضافة دوال منتشرة للذرات غير الهيدروجينية).
الميزات الرئيسية:
- تصحيح F12: يقلل بشكل كبير من خطأ عدم اكتمال مجموعة القاعدة، مما يسمح باستخدام مجموعة قاعدة ثلاثية- $\zeta$ للاقتراب من حد المجموعة القاعدة الكاملة (CBS).
- المعالجة لجميع الإلكترونات: يتم ربط الإلكترونات الداخلية لضمان دقة عالية لطاقات التذرية والترددات الاهتزازية.
- التعامل مع خطأ التراكب (BSSE): يؤدي الجمع بين طرق PNO وF12 إلى كبح خطأ تراكب مجموعة القاعدة بشكل كبير، مما يجعل تصحيح Counterpoise (CP) غير ضروري لتوليد بيانات التدريب.

ب. استراتيجية تعلم الفروقات ( $\Delta$ -learning)

بدلاً من التدريب المباشر لـ ML-IP على طاقات CCSD(T) الإجمالية، يقوم المؤلفون بتفكيك الطاقة:
$E_{\text{CCSD(T)}} = E_{\text{GFN2-xTB}} + \Delta E$

خط الأساس: GFN2-xTB (طريقة الربط القوي شبه التجريبية). وهي تلتقط الجزء الأكبر من الترابط التساهمي وتتضمن تصحيح التشتت D4 لتفاعلات فان دير فالس.
الهدف: يتم تدريب الـ MLIP (وتحديدًا جهد موتر اللحظة MTP) فقط على فرق الطاقة ( $\Delta E$ ) بين مستوى CCSD(T) العالي وخط الأساس GFN2-xTB.
الميزة: بما أن GFN2-xTB تصف بالفعل الشبكة التساهمية المحلية وتشتت المسافات الطويلة بشكل معقول، فإن $\Delta E$ تكون صغيرة ومحلية للغاية. وهذا يسمح بتدريب الـ MLIP فقط على الشظايا الجزيئية (المونومرات، الدايمرات، الترايمرات) المستمدة من النظام الدوري المستهدف، مع بقائها قابلة للنقل إلى الهيكل الدوري الكامل.

ج. بناء مجموعة بيانات التدريب

النظام المستهدف: إطار عضوي تساهمي شبه ثنائي الأبعاد (quasi-2D COF) نموذجي يتكون من الكربون والهيدروجين ( $C_{48}H_{30}$ ).
الشظايا (Fragments): تتضمن مجموعة التدريب:
- المونومرات (البنزين، البيفينيل، التيرفينيل، إلخ) مع إنهاء بالهيدروجين لتجنب الإلكترونات غير المزدوجة.
- المتعددات (الدايمرات، الترايمرات، التترايمرات) لالتقاط تفاعلات فان دير فالس بين الجزيئات.
- ثنائي الهيدروجين ( $H_2$ ) لنمذجة امتصاص الهيدروجين.
توليد التكوينات: تم إجراء محاكاة ديناميكا جزيئية (MD) باستخدام GFN2-xTB عند درجة حرارة 300 كلفن لتوليد تكوينات متنوعة. تم اختيار لقطات (snapshots) لإجراء حسابات طاقة النقطة الواحدة عالية المستوى.
أحجام مجموعات البيانات: تم إنشاء أربع مجموعات تدريب بزيادة في التعقيد (حتى 5 حلقات بنزين)، حيث تحتوي أكبر مجموعة (#5) على حوالي 1,872 تكوينًا للتدريب.

د. بنية النموذج

الجهد: جهد موتر اللحظة (Moment Tensor Potential - MTP).
نصف قطر القطع (Cutoff Radius): 7 أنجستروم.
التحسين: تم تحسين المعلمات باستخدام خوارزمية BFGS، مع خطوة تحسين مسبقة (التحسين الخطي عند المستوى 2 لـ MTP) لتسريع التقارب.

3. المساهمات الرئيسية

اختراق منهجي: إثبات أن الـ MLIPs المدربة على الشظايا الجزيئية عبر تعلم الفروقات يمكن أن تحقق دقة CCSD(T) للأنظمة الدورية ذات الشبكات التساهمية الممتدة، متجاوزة الحاجة إلى حسابات CCSD(T) دورية.
التحقق من قابلية النقل: إثبات أن جهدًا مدربًا على جزيئات صغيرة ومتعددات يمكنه التنبؤ بدقة بخصائص COF معقد ثلاثي الأبعاد، بما في ذلك التماثل الهيكلي، طاقات الارتباط، والأطياف الاهتزازية.
المقارنة المرجعية: تقديم مقارنة صارمة مع DFT (PBE-D4)، وMLIPs أخرى (مثل ANI-1ccx)، وطرق الدالة الموجية عالية المستوى، مما يسلط الضೆء على قيود التصحيحات شبه التجريبية في DFT ومشكلات قابلية النقل في جهود CCSD(T) الموجودة (مثل ANI-1ccx) للأنظمة غير القياسية.
التطبيق على COFs: تطبيق الطريقة لتحليل $C_{48}H_{30}$ COF، وحل الغموض الهيكلي (مثل التواء الطبقات) وحساب طاقات امتصاص الهيدروجين بدقة كيميائية.

4. النتائج الرئيسية

أ. مقاييس الدقة

أخطاء الطاقة: حقق أفضل نموذج ( $\Delta$ MTP#5، MTP level 20) جذر متوسط مربع الخطأ (RMSE) أقل من 0.4 ميلي إلكترون فولت/ذرة في كل من مجموعات التدريب والاختبار (بما في ذلك الجزيئات الأكبر التي لم تظهر في التدريب).
طاقات التذرية الكلية الإلكترونية (eTAEs):
- نموذج TB+ $\Delta$ MTP أعاد إنتاج قيم CCSD(T) لـ $H_2$ و $C_6H_6$ ضمن نطاق 0.1 كيلو كالوري/مولل، وهو ما يطابق البيانات التجريبية.
- في المقابل، أظهر ANI-1ccx أخطاء هائلة (على سبيل المثال، -1328 كيلو كالوري/مولل للبنزين) بسبب افتقار مجموعة تدريبه لبيئات جزيئية محددة ومراجع الذرات الحرة.
أطوال الروابط: انحرفت أطوال الروابط المتوازنة المتوقعة لـ $H_2$ و $C_6H_6$ عن التجربة بمقدار أقل من 0.002 أنجستروم، متفوقة على DFT ومطابقة لـ CCSD(T)-F12.
الترددات الاهتزازية: كانت قيم RMSE حوالي 10 سم $^{-1}$ لـ $H_2$ وحوالي 11 سم $^{-1}$ للبنزين، وهي نتائج مماثلة لـ CCSD(T)-F12 وأفضل بكثير من DFT أو ANI-1ccx.

ب. التفاعلات بين الجزيئات

دايمر البنزين: أعاد النموذج بدقة منحنى طاقة تفاعل $\pi$ - $\pi$ stacking، مطابِقًا قيم CCSD(T)/CBS المرجعية بأخطاء أقل من 0.6 كيلو كالوري/مولل.
قصور البدائل: فشل ANI-1ccx في التقاط تفاعلات التشتت عند المسافات الطويلة (حيث تنخفض إلى الصفر بعد 5.6 أنجستروم) لأن مجموعة تدريبه تفتقر إلى المتعددات (multimers).

ج. التطبيق على $C_{48}H_{30}$ COF

الاستقرار الهيكلي: حدد الجهد بشكل صحيح أن الهيكل المكتمل (fully eclipsed) $P6/mmm $غير مستقر ديناميكيًا (وجود أنماط فونون تخيلية) وانتقل إلى هيكل ملتوي من نوع **$ C222$**، وهو الهيكل المفضل طاقيًا بفارق ~10 ميلي إلكترون فولت/ذرة.
المعلمات الهندسية:
- المسافة بين الطبقات: 3.673 أنجستروم (مقابل 3.35 أنجستروم للجرافيت)، وهو ما يتوافق مع الطبيعة المتخلخلة للـ COFs.
- مسافة العقدة: 12.891 أنجستروم، مطابقة للقياسات التجريبية (12.9–13.6 أنجستروم).
امتصاص الهيدروجين: توقع النموذج طاقة امتصاص $H_2$ قدرها -0.9 كيلو كالوري/مولل عند الموقع الأمثل، وهي أضعف بشكل ملحوظ من GFN2-xTB (-1.1 كيلو كالوري/مولل) ولكنها متسقة مع تفاعل التشتت المتوقع في الـ COFs مقارنة بالجرافيت.

5. الأهمية والتأثير

الدقة الكيميائية للأنظمة الكبيرة: يجسّر هذا العمل الفجوة بين الكيمياء الكمية عالية الدقة والمحاكاة الذرية واسعة النطاق. فهو يتيح دراسة المواد المعقدة التي يهيمن عليها تفاعل فان دير فالس (مثل COFs، MOFs، والبوليمرات) بـ دقة كيميائية (1 كيلو كالوري/مولل)، وهو مجال كان غير متاح سابقًا لهذه الأنظمة من هذا الحجم.
الكفاءة: تكلفة تقييم جهد TB+ $\Delta$ MTP تقارب حقول القوة الكلاسيكية وهي أقل بكثير من DFT، مع الاحتفاظ بدقة CCSD(T).
القابلية للتعميم: سير العمل قابل للنقل. من خلال توسيع مجموعة التدريب لتشمل شظايا كيميائية متنوعة، يمكن تطبيق هذا النهج على مجموعة واسعة من المواد، مما يسرع اكتشاف مواد مسامية جديدة لتخزين الغازات، الفصل، والحفز.
الموثوقية: يسمماح استخدام "درجات الاستقراء المحلي" للمستخدمين بقياس عدم اليقين في التوقعات في الأنظمة الدورية، مما يضمن موثوقية الـ MLIP عند تطبيقه على تكوينات جديدة.

في الختام، تضع هذه الورقة مسارًا عمليًا وقويًا لإجراء محاكاة ذرية واسعة النطاق بدقة كيميائية تضاهي "المعيار الذهبي" في الكيمياء الكمية، متجاوزة القيود التاريخية لكل من نظرية DFT (من حيث الدقة) وطريقة CCSD(T) (من حيث التكلفة وقابلية التوسع).