⚛️ quantum physics

Reconstructing the Hamiltonian from the local density of states using neural networks

تُثبت هذه الورقة أن التعلم الخاضع للإشراف باستخدام الشبكات العصبية التلافيفية يمكنه إعادة بناء هاملتوني الجسيم الواحد بدقة من الخرائط المكانية لكثافة الحالات المحلية، مما يقدم طريقة قوية ذات تطبيقات محتملة في مجهر المسح النفقي الماسح.

المؤلفون الأصليون: Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

نُشر 2026-08-25

📖 3 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Nisarga Paul, Andrew Ma, Kevin P. Nuckolls

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

في عالم فيزياء الكم، غالبًا ما يبدأ العلماء بوضع خريطة للتضاريس للتنبؤ بكيفية حركة الجسيمات. تُسمى هذه الخريطة "الهاميلتوني" (Hamiltonian)، وهي وصف رياضي لمشهد الطاقة الذي يوجه الإلكترونات عبر مادة ما. إذا كنت تعرف شكل هذا المشهد، يمكنك حساب كيفية سلوك الإلكترونات، أو كيفية توصيلها للكهرباء، أو كيفية استجابتها للمجالات المغناطيسية. ومع ذلك، في العالم الحقيقي، غالبًا ما يكون الوضع معكوسًا؛ حيث يمكن للعلماء في كثير من الأحيان قياس كيفية توزيع الإلكترونات في الفضاء عند مستوى طاقة معين، وهو نمط يُعرف باسم "كثافة الحالات المحلية" (local density of states). هذا القياس يشبه رؤية التموجات على سطح بركة بعد إلقاء حجر فيها، ولكن دون معرفة شكل الحجر أو عمق المياه الذي تسبب في تلك التموجات. لقد كان التحدي طويلًا يتمثل في العمل بشكل عكسي من هذه التموجات لإعادة بناء المشهد الأصلي. وهذه مهمة صعبة لأن العديد من المشاهد المختلفة يمكن أن تنتج تموجات متشابهة، مما يجعل المسألة غامضة من الناحية الرياضية. ومع ذلك، فإن فهم مشهد الطاقة الخفي أمر بالغ الأهمية لتصميم مواد جديدة وفهم الخصائص الأساسية للمادة.

لقد تصدى فريق من الباحثين في معهد ماساتشوستس للتكنولوجيا لمشكلة الهندسة العكسية هذه باستخدام نوع من الذكاء الاصطناعي يسمى "الشبكة العصبية الالتفافية" (convolutional neural network). فبدلاً من محاولة حل معادلات معقدة للوصول إلى الإجابة، قاموا بتدريب حاسوب على التعرف على الأنماط، تمامًا كما يتعلم الطفل تحديد وجه ما من خلال رؤية أمثلة عديدة. أنشأ الباحثون آلاف السيناريوهات المحاكاتية التي عرفوا فيها كلاً من مشهد الطاقة الخفي وأنماط الإلكترونات الناتجة. ثم قاموا بتغذية الحاسوب بهذه الأزواج من البيانات، مما سمح له بتعلم العلاقة بين الاثنين. وبمجرد تدريبه، تم اختبار الحاسوب على أنماط جديدة لم يسبق له رؤيتها. كانت النتائج مذهلة: استطاعت الشبكة العصبية إعادة بناء مشهد الطاقة الأصلي من أنماط الإلكترونات بدقة ملحوظة. وفي عمليات المحاكاة أحادية الأبعاد، ارتكب الحاسوب أخطاءً قليلة جدًا، وفي عمليات المحاكاة ثنائية الأبعاد، كانت عملية إعادة البناء دقيقة للغاية لدرجة أن المشهد المتوقع كان يكاد لا يختلف عن المشهد الحقيقي.

وجد الباحثون أن هذه الطريقة تعمل بشكل جيد حتى عندما تكون البيانات غير كاملة. ففي التجارب الواقعية، غالبًا ما تكون القياسات "مشوشة"، مما يعني أن البيانات تحتوي على تقلبات عشوائية تحجب الإشارة الحقيقية. اختبر الفريق نموذجهم عن طريق إضافة ضوضاء اصطناعية إلى بيانات التدريب، لتعليم الحاسوب تجاهل التشويش والتركيز على النمط الأساسي. واكتشفوا أنه مع هذا التدريب الإضافي، ظل النموذج قويًا حتى عندما كانت بيانات الاختبار مشوهة بشدة بفعل الضوضاء. علاوة على ذلك، أظهر النموذج قدرة مفاجئة على التعميم؛ فقد أدى أداءً جيدًا ليس فقط على البيانات التي تشبه تمامًا ما رآه من قبل، بل أيضًا على البيانات التي تختلف فيها الظروف الأساسية، مثل قوة الاضطراب أو حجم نافذة الطاقة، اختلافًا طفيفًا. وهذا يشير إلى أن النموذج تعلم العلاقة الجوهرية بين المشهد وأنماط الإلكترونات، بدلاً من مجرد حفظ أمثلة محددة.

لهذا العمل تداعيات مباشرة على تقنية تصوير قوية تسمى "مجهر المسح النفقي الماسح" (scanning tunneling microscopy)، والتي تسمح للعلماء برؤية سطح المواد على المقياس الذري. يقيس هذا المجهر كثافة الحالات المحلية، منتجًا صورًا مفصلة لكيفية توزيع الإلكترونات على السطح. حاليًا، يستخدم العلماء هذه الصور لرصد العيوب أو الترتيبات الذرية المحددة، لكن استخراج مشهد الطاقة الكامل من هذه الصور كان أمرًا صعبًا. يشير النهج الجديد إلى أن هذه الصور نفسها يمكن استخدامها للكشف عن مشهد الطاقة الكامل وغير المعروف لعينة ما. ومن شأن ذلك أن يسمح للباحثين بنمذجة كيفية سلوك المادة تحت ظروف مختلفة، مثل التعرض للمجالات المغناطيسية أو تغيرات درجة الحرارة، دون الحاجة إلى معرفة البنية الذرية مسبقًا. وبينما ركزت الدراسة الحالية على أنظمة بسيطة وغير متفاعلة، فإن نجاح هذه الطريقة يفتح الباب لتطبيق تقنيات مماثلة على مواد أكثر تعقيدًا، مما قد يغير طريقة تحليل وتصميم العلماء لمواد المستقبل.

ملخص تقني: إعادة بناء الهاميلتوني من كثافة الحالات المحلية باستخدام الشبكات العصبية

بيان المشكلة
يتناول هذا العمل مسألة عكسية تقع عند تقاطع فيزياء المادة المكثفة الكمومية والتعلم الآلي: وهي إعادة بناء هاميلتوني أحادي الجسيم من الخريطة المكانية لكثافة الحالات المحلية (LDOS) عند طاقة ثابتة. وبينما تعتبر "المسألة الأمامية" — أي حساب كثافة الحالات المحلية $\rho_E(\mathbf{r})$ من جهد معروف $V(\mathbf{r})$ وهاميلتوني $H$ — مسألة مباشرة، فإن المسألة العكسية هي في الغالب مسألة غير محددة جيداً (ill-posed). إذ يمكن لهاميلتونيين متمايزين نظرياً أن ينتجا خرائط LDOS متطابقة ضمن نافذة طاقة محددة (على سبيل المثال، إذا كانت الطاقة تقع ضمن الفجوات الطيفية). يستقصي المؤلفون ما إذا كانت الحلول التقريبية لهذه المسألة العكسية ممكنة باستخدام التعلم الخاضع للإشراف، مع التركيز تحديداً على استعادة مشهد الجهد $V(\mathbf{r})$ من شريحة طاقة واحدة من الـ LDOS.

المنهجية
يصيغ المؤلفون المسألة في سياق نماذج الربط القوي (tight-binding models) على شبكات أحادية وثنائية الأبعاد، مُعرفة بالهاميلتوني:
$H = -t \sum_{\langle \mathbf{r}\mathbf{r}' \rangle} c^\dagger_\mathbf{r} c_{\mathbf{r}'} + \sum_\mathbf{r} V(\mathbf{r}) c^\dagger_\mathbf{r} c_\mathbf{r}$
حيث يمثل $V(\mathbf{r})$ جهداً عشوائياً للاضطراب.

توليد البيانات: يتم توليد مجموعات بيانات اصطناعية عن طريق أخذ عينات من مجالات عشوائية غاوسية ذات أطوال ارتباط ( $\xi$ ) وسعات ( $V_0$ ) محددة. ويتم حساب الـ LDOS المقابل عددياً لطاقة ثابتة $E$ .
المعالجة المسبقة: يتم تطبيع (normalization) كل من الـ LDOS المستهدف والجهد المستهدف (بمتوسط صفر وانحراف معياري واحد) لتسهيل عملية التدريب.
بنية النموذج: يعتمد النهج الأساسي على الشبكات العصبية التلافيفية (CNNs) من نوع (صورة-إلى-صورة). وبخلاف شبكات التصنيف التقليدية التي تربط الصور بتسميات فئات، تقوم هذه النماذج برسم خريطة من صورة مدخلة (LDola LDOS) مباشرة إلى صورة مخرجة (الجهد المعاد بناؤه).
- يستخدم نموذج البعد الواحد طبقات تلافيفية مع تنشيطات ReLU.
- يتضمن نموذج البعد الثاني اتصالات متبقية (residual/skip connections) كل طبقتين لتحسين تدفق التدرج والأداء.
- لا تستخدم الشبكات طبقات التجميع (pooling) أو الطبقات كاملة الاتصال، وذلك للحفاظ على الدقة المكانية.
هدف التدريب: تُدرب النماذج لتقليل متوسط مربع الخطأ (MSE) بين الجهد المتوقع المطبوع والجهد الحقيقي.
المقارنة المرجعية: تتم مقارنة الأداء مقابل ملاءمة معلمة واحدة ( $\tilde{V} \propto \tilde{\rho}^n$ ) ونهج أقرب $k$ جار (k-nn) المعزز بالترجمة.

النتائج الرئيسية
تُظهر الدراسة أن التعلم الخاضع للإشراف يمكن أن يحقق إعادة بناء عالية الدقة لمشهد الجهد من بيانات الـ LDOS في كل من الأنظمة أحادية وثنائية الأبعاد.

دقة إعادة البناء:
- حالة البعد الواحد: تحقق شبكة CNN فقدان MSE في مجموعة الاختبار ( $L$ ) يبلغ حوالي 0.016، وهو ما يتفوق بشكل كبير على الملاءمة ذات المعلمة الواحدة ( $L \approx 0.995$ ) وطرق $k$ -nn ( $L \approx 0.707$ لـ $k=10$ ). وتظهر الفحص البصري أن الجهد المتوقع يكاد لا يتميز عن الجهد الحقيقي في أفضل وأوسط الحالات.
- حالة البعد الثاني: تحقق شبكة CNN فقدان MSE في مجموعة الاختبار يبلغ حوالي $4.6 \times 10^{-3}$ ، وهو أيضاً متفوق للغاية على المراجع ( $L \approx 0.623$ لـ $k$ -nn).
المتانة تجاه الضجيج:
- تظهر النماذج قدرة ذاتية على تحمل الضجيج؛ فحتى بدون تنظيم محدد، يحافظ نموذج البعد الثاني على خطأ منخفض ( $L < 0.1$ ) مع وجود ضجيج اختبار مترابط يصل إلى 20%.
- تنظيم الضجيج: يعمل إضافة ضجيج غاوسي مترابط اصطناعي إلى بيانات التدريب (تدريب الضجيج) كمنظم. فالنموذج المدرب بنسبة إشارة إلى ضجيج (SNR) = 1 يحافظ على $L < 0.05$ حتى عند اختبار النماذج مع مستويات ضجيج تقترب من سعة الإشارة ( $\sigma/\sigma_\rho \approx 1$ ).
التعميم (خارج التوزيع):
- تتعمم النماذج على إزاحات المعلمات التي لم تظهر أثناء التدريب. فعند اختبارها على جهود ذات سعات اضطراب ( $V_0$ ) وأطوال ارتباط ( $\xi$ ) مختلفة قليلاً عن توزيع التدريب، تحافظ النماذج على خطأ منخفض ( $L \lesssim 0.1$ ) ضمن جوار معقول لمعلمات التدريب.
تحليل القابلية للتعلم: جودة إعادة البناء لا ترتبط ارتباطاً وثيقاً بكثافة الطيف أو طول استقرار الحالة الذاتية. يتدهور الأداء بالقرب من حواف ومنتصف طيف الطاقة، مما يشير إلى أن سمات طيفية محددة تؤثر على القابلية للتعلم.

الأهمية والادعاءات
يزعم البحث أن إعادة بناء هاميلتوني من بيانات LDOS محدودة وقابلة للرصد تجريبياً هي مسألة عكسية ممكنة وقابلة للتنفيذ عند التعامل معها عبر التعلم الآلي الخاضع للإشراف.

الفائدة العملية: يقترح المؤلفون إمكانية تطبيق هذا الأسلوب على بيانات مجهر المسح النفقي (STM). وبما أن الـ STM يقيس التوصيل التفاضلي (المتناسب مع LDOS) بدقة دون الأنجستروم، يمكن للنماذج المدربة نظرياً عكس هذه الصور للكشف عن مشهد الطاقة الكامن (الجهد $V(\mathbf{r})$ ) للعينة.
التطبيقات: تتيح إعادة البناء هذه الحسابات اللاحقة للكميات الفيزيائية (مثل معاملات النقل، والاستجابات المغناطيسية) التي تتطلب معرفة بالجهد. ويشير المؤلفون تحديداً إلى تطبيقات محتملة في دراسة إعادة بناء الأسطح (مثل الأنماط الذرية المعقدة على Si(111) أو Au(111)) حيث يكون مشهد الطاقة معقداً وغير دوري.
كفاءة البيانات: تحقق النماذج دقة عالية مع مجموعات بيانات صغيرة نسبياً (1,200 عينة للبعد الثاني)، مما يشير إلى أن النهج قد يكون قابلاً للتطبيق حتى عندما يكون توليد كميات كبيرة من بيانات التدريب مكلفاً حاسوبياً (على سبيل المثال، في الأنظمة التي تتضمن تفاعلات إلكترون-إلكترون).
القيود: يشير المؤلفون بتواضع إلى أنه بالنسبة للأسطح عالية الانتظام ذات كثافة العيوب المنخفضة، فإن مساحة المشكلة تكون "منخفضة الأبعاد"، وقد يكفي فيها الانحدار البسيط أو الفحص البشري، مما يحد من ميزة التعلم الآلي في تلك الحالات المحددة. يقتصر العمل الحالي على نماذج الربط القوي أحادية المدار وغير المتفاعلة.

ختاماً، يثبت هذا العمل أن الحلول التقريبية لمسألة إعادة بناء الهاميلتوني موجودة لتوزيعات معينة، ويوضح أن الشبكات التلافيفية (CNNs) من نوع (صورة-إلى-صورة) يمكنها حل هذه المسألة العكسية بدقة عالية ومتانة، مما يسد الفجوة بين خرائط LDO التجريبية والأوصاف النظرية للهاميلتوني.

أبحاث مشابهة