🔬 materials science

Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials

تقدم هذه الورقة البحثية NextHAM، وهو إطار عمل عالمي للتعلم العميق يجمع بين بنية محول (Transformer) مبتكرة متماثلة مع مجموعة E(3)، واستراتيجية تصحيح هاميلتوني من الخطوة صفر، إلى جانب مجموعة بيانات مرجعية واسعة النطاق (Materials-HAM-SOC)، لتحقيق تنبؤ دقيق وفعال للغاية لهاميلتونيات البنية الإلكترونية عبر مواد متنوعة مع مراع fact حساب تأثيرات اقتران المدار واللف المغزلي بشكل صريح.

المؤلفون الأصليون: Shi Yin, Zujian Dai, Xinyang Pan, Lixin He

نُشر 2026-03-03

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Shi Yin, Zujian Dai, Xinyang Pan, Lixin He

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

🧱 الصورة الكبيرة: لماذا نحتاج إلى هذا؟

تخيل أنك مهندس معماري يحاول تصميم ناطحة سحاب جديدة. لكي تعرف ما إذا كانت ستصمد، عليك فهم فيزياء كل طوبة، وعارضة، ومسمار. في عالم علم المواد، "الطوب" هو الذرات، و"الفيزياء" هي كيفية تحرك الإلكترونات حولها.

تقليديًا، يستخدم العلماء طريقة تسمى DFT (نظرية الدالة الكثافية) لحساب ذلك. فكر في DFT كآلة حاسبة دقيقة للغاية ولكنها بطيئة للغاية. إنها تحل لغزًا ضخمًا عبر تجربة ملايين التخمينات حتى تصل إلى الإجابة الصحيحة.

المشكلة: يستغرق الأمر أيامًا أو أسابيع لمحاكاة جزيء صغير، ومن المستحيل محاكاة مدينة كاملة من الذرات. الأمر يشبه محاولة رسم لوحة فنية رائعة عن طريق خلط كل لون يدويًا، قطرة بقطرة.

التعلم العميق (Deep Learning) هو الأداة الجديدة التي تحاول تسريع هذه العملية. إنه يشبه فنانًا يعمل بالذكاء الاصطناعي شاهد ملايين اللوحات ويمكنه تخمين الضربة التالية فورًا. ومع ذلك، كانت نماذج الذكاء الاصطناعي السابقة سيئة في أمرين:

لم تستطع التعامل مع كل أنواع الذرات (كانت تعرف القليل منها فقط).
غالبًا ما ارتكبت أخطاء "شبحية" — أي توقع بناء يبدو جيدًا على الورق ولكنه ينهار في الواقع.

يقدم هذا البحث NextHAM، وهو نموذج ذكاء اصطناعي جديد أسرع وأذكى، ويعمل مع أي مادة يمكنك تخيلها.

🚀 القوى الخارقة الثلاث لـ NextHAM

بنى المؤلفون NextHAM باستخدام ثلاث حيل ذكية لحل المشكلات المذكورة أعلاه.

1. "ورقة الغش" (Hamiltonians الخطوة صفر)

المشكلة: تخيل أنك تطلب من طالب حل مسألة رياضية معقدة من الصفر. قد يعاني لأنه لا يعرف من أين يبدأ. حاولت نماذج الذكاء الاصطناعي السابقة تعلم الإجابة من لا شيء، باستخدام تخمينات عشوائية لكل عنصر.

الحل: يستخدم NextHAM "ورقة غش". قبل أن يبدأ الذكاء الاصطناعي في التخمين، ينظر إلى مسودة أولية للإجابة تسمى الـ Hamiltonian للخطوة صفر (Zeroth-Step Hamiltonian).

التشبيه: فكر في خبز كعكة. بدلًا من طلب ابتكار الوصفة من الصفر من الذكاء الاصطناعي، أنت تعطيه خليطًا جاهزًا (الخطوة صفر). لا يحتاج الذكاء الاصطناعي لمعرفة كيفية خلط الدقيق والبيض؛ عليه فقط معرفة كمية السكر التي يجب إضافتها لجعلها مثالية.
لماذا يساعد هذا: هذا "الخليط" يتم حسابه بسرعة كبيرة باستخدام الفيزياء الأساسية. من خلال إعطاء الذكاء الاصطناعي هذه البداية القوية، فإنه يتعلم بشكل أسرع ويمكنه التعامل مع مكونات جديدة (عناصر) لم يسبق له رؤيتها.

2. "المهندس متغير الأشكال" (E(3)-Symmetry & Transformers)

المشكلة: الذرات هي أجسام ثلاثية الأبعاد. إذا قمت بتدوير جزيء، فإن الفيزياء لا ينبغي أن تتغير. غالبًا ما كانت نماذج الذكاء الاصطناعي القديمة ترتبك عندما ترى جزيئًا من زاوية مختلفة، مثل شخص يصاب بالدوار إذا قمت بتدوير كرسيه. كما أنها لم تكن "تعبيرية" بما يكفي لفهم التفاعلات المعقدة.

الحل: تم بناء NextHAM باستخدام تناظر E(3).

التشبيه: تخيل مترجمًا عالميًا يتحدث "الفيزياء" بطلاقة. بغض النظر عن كيفية تدوير أو قلب أو تحريك الذرات، فإن هذا المترجم يعرف قواعد الكون ويقول: "آه، هذا هو نفس الشكل، لكنه فقط ملتف جانبًا".
الـ Transformer: قاموا أيضًا بترقية عقل الذكاء الاصطناعي إلى Transformer (نفس التقنية التي تقف وراء روبوتات الدردشة). بدلًا من مجرد النظر إلى جار واحد في كل مرة، فإنه ينظر إلى الحي بأكمله في وقت واحد، مدركًا كيف يمكن لذرة بعيدة أن تؤثر على ذرة قريبة. وهذا يجعله ذكيًا للغاية في التنبؤ بالمواد المعقدة.

3. "نظام التحقق المزدوج" (الفضاء الحقيقي مقابل الفضاء المتبادل)

المشكلة: هذا هو الابتكار الأكثر أهمية. أحيانًا يتوقع الذكاء الاصطناعي مادة تبدو مثالية على المستوى المحلي (ذرة إلى ذرة) ولكنها تفشل عندما تنظر إلى الصورة الكبيرة (البلورة بأكملها). هذا يخلق "حالات شبحية" (Ghost States) — مستويات طاقة وهمية لا وجود لها في الواقع، مثل جسر يبدو صلبًا ولكن به صدع مخفي.

الحل: يتحقق NextHAM من عمله في عالمين مختلفين في آن واحد:

الفضاء الحقيقي (R-Space): النظر إلى الذرات وجيرانها المباشرين (الطوب).
الفضاء المتبادل (k-Space): النظر إلى "أنماط الموجات" للإلكترونات عبر المادة بأكملها (إيقاع المبنى).
التشبيه: تخيل منتجًا موسيقيًا. التحقق من R-Space فقط يشبه التحقق مما إذا كانت كل آلة موسيقية منفردة مضبوطة النغمة. أما التحقق من k-Space فهو مثل الاستماع إلى الأغنية بأكملها للتأكد من أن اللحن يتدفق ولا توجد نغمات غريبة أو مزعجة.
النتيجة: من خلال تدريب الذكاء الاصطناعي على تلبية كلا الفحصين، يقضي NextHAM على "الحالات الشبحية". إذا حاول الذكاء الاصطناعي الغش، فإن نظام التحقق المزدوج سيكشفه فورًا.

📚 المكتبة الجديدة (مجموعة البيانات)

لتدريب هذا الذكاء الاصطناعي الخارق، لم يستطع المؤلفون استخدام البيانات القديمة فقط. لقد بنوا مكتبة ضخمة جديدة تسمى Materials-HAM-SOC.

الحجم: تحتوي على 17,000 هيكل مادي مختلف.
التنوع: تغطي أكثر من 60 عنصرًا مختلفًا (من الهيدروجين إلى المعادن الثقيلة) وتتضمن تأثيرًا فيزيائيًا معقدًا يسمى اقتران الغزل والمدار (Spin-Orbit Coupling) (وهو أمر بالغ الأهمية لأشياء مثل المغناطيسات والكمبيوترات المستقبلية).
لماذا يهم ذلك: قبل هذا، كانت نماذج الذكاء الاصطناعي مثل الطلاب الذين يدرسون كتابًا مدرسيًا واحدًا فقط. الآن، لديهم مكتبة تضم كل الكتب المدرسية في العالم. هذا يسمح للذكاء الاصطناعي بتعلم "القواعد العالمية" للمواد، وليس مجرد حفظ أمثلة محددة.

🏆 النتائج: لماذا يجب أن نهتم؟

اختبرت الورقة بحث NextHAM مقابل الطرق القديمة وحاسبة DFT التقليدية. وإليك ما حدث:

السرعة: NextHF أسرع بنسبة 97% من الطريقة التقليدية. الحساب الذي كان يستغرق 40 دقيقة أصبح يستغرق دقيقة واحدة.
الدقة: إنه دقيق للغاية. بالنسبة للأجزاء المعقدة المتعلقة بـ "اقتران الغزل والمدار"، فإنه دقيق ضمن ميكرو-إلكترون فولت (هذا يشبه قياس وزن حبة رمل واحدة فوق جبل).
التعميم: نجح في التنبؤ بخصائص النيون (غاز) رغم أنه لم يتم تدريبه على النيون من قبل! وهذا يثبت أنه يفهم حقًا قواعد الفيزياء، وليس مجرد حفظ الأمثلة المحددة.

🌟 الخلاصة

NextHAM هو نوع جديد من الذكاء الاصطناعي لعلوم المواد.

يستخدم ورقة غش قائمة على الفيزياء للحصول على بداية قوية.
يستخدم عقلاً مدركًا للشكل لفهم الهياكل ثلاثية الأبعاد.
يستخدم نظام تحقق مزدوج لضمان أن التوقعات حقيقية فيزيائيًا وليست "أشباحًا".

هذا الاختراق يعني أن العلماء يمكنهم الآن تصميم بطاريات جديدة، وألواح شمسية أفضل، ورقائق كمبيوتر أسرع في جزء ضئيل من الوقت الذي كان يستغرقه الأمر سابقًا، مما يسرع اكتشاف المواد التي يمكن أن تحل أكبر تحديات الطاقة والتكنولوجيا التي تواجه البشرية.

1. بيان المشكلة

يعد التنبؤ بهاميلتوني البنية الإلكترونية أمراً جوهرياً لفهم خصائص المواد (الموصلية، المغناطيسية، السلوك البصري). تُعد نظرية الدالة الوظيفية للكثافة (DFT) التقليدية هي المعيار القياسي، لكنها تعاني من تكاليف حوسبة عالية ( $O(TN^3)$ بسبب الحلقات التكرارية للبحث عن الاتساق الذاتي وعمليات قطر المصفوفات)، مما يجعلها غير قابية للتطبيق في عمليات المحاكاة واسعة النطاق أو عالية الإنتاجية.

بينما تقدم طرق التعلم العميق (DL) الحديثة كفاءة عالية، إلا أنها تواجه ثلاث قيود حرجة:

ضعف التعميم: تعتمد النماذج الحالية غالباً على تضمينات (embeddings) عشوائية للذرات والحواف، والتي تفتقر إلى الأولويات الفيزيائية وتواجه صعوبة في التعميم عبر العناصر المتنوعة والتركيبات الكيميائية غير المرئية.
نطاق محدود: تتجاهل العديد من الطرق اقتران المدارات المغزلية (SOC) أو تقيد عدد العناصر/المدارات لتقليل التعقيد، مما يحد من قابليتها للتطبيق في المواد الواقعية.
عدم الاتساق الفيزيائي: تركز معظم نماذج التعلم العميق فقط على استرجاع الهاميلتوني في الفضاء الحقيقي ( $R$ -space). ونظراً لأن مصفوفة التداخل تكون سيئة الحالة (ill-conditioned) في مسألة القيم الذاتية المعممة، فإن الأخطاء الصغيرة في الفضاء الحقيقي ( $R$ -space) يمكن أن تتضخم في الفضاء المتبادل ( $k$ -space)، مما يؤدي إلى ظواات غير فيزيائية مثل "الحالات الشبحية" (ghost states) (انقطاعات مفاجئة في بنى النطاقات) ودوال موجية غير صحيحة.

2. المنهجية: NextHAM

يقترح المؤلفون NextHAM، وهو إطار عمل موحد للتعلم العميق مصمم للتنبؤ بالهاميلتوني بشكل عالمي وعالي الدقة. تتكون الطريقة من ثلاثة ابتكارات أساسية:

أ. واصفات المدخلات المستندة إلى الفيزياء (الهاميلتوني في الخطوة صفر)

بدلاً من التضمينات العشوائية، يستخدم NextHAM الهاميلتوني في الخطوة صفر ( $H^{(0)}$ ) كواصف للمدخلات.

البناء: يتم بناء $H^{(0)}$ بكفاءة من كثافة الشحنة الأولية ( $\rho^{(0)}$ ) للذرات المنعزلة، مما لا يتطلب قطر المصفوفات.
الفائدة: يقوم بتشفير المعلومات الفيزيائية الجوهرية (التفاعلات بين الإلكترونات والأيونات، والجهد الكاذب/pseudopotentials) في فضاء تمثيل موحد. وهذا يسمح للنموذج بالتقاط العلاقات بين العناصر والتعميم على الأنظمة الكيميائية غير المرئية (مثل التنبؤ بخصائص النيون دون التدريب على النيون).
التعلم بالفارق (Delta-Learning): يتنبأ النموذج بـ حد التصحيح $\Delta H = H^{(T)} - H^{(0)}$ بدلاً من الهاميلتوني الكامل $H^{(T)}$ . وهذا يقلل بشكل كبير من أبعاد نطاق الاستهداف والنطاق العددي، مما يركز الشبكة على تعلم الاختلافات الفيزيائية الأساسية.

ب. بنية تعبيرية متوافقة مع تناظر E(3)

يستخدم NextHAM بنية قائمة على المحولات (Transformer) تلتزم بصرامة بـ تناظر E(3) (الثبات أو التكافؤ تحت الترجمة، والدوران، والانعكاس) مع الحفاظ على قدرة تعبيرية غير خطية عالية.

تكامل TraceGrad: يوسع الإطار آلية TraceGrad (Yin et al., 2025) داخل المحول. حيث يقوم ببناء كميات الأثر (trace) الثابتة لـ $O(3)$ للإشراف على الميزات غير الخطية، والتي تُستخدم بعد ذلك لاستحثاث ميزات $O(3)$ -متكافئة غير خطية عبر عمليات التدرج.
الاهتمام المرتكز على الحواف: على عكس النماذج السابقة المرتكزة على العقد، تحافظ هذه البنية صراحةً على تحديث ميزات الحواف (الأزواج الذرية) باستخدام انتباه الرسم البياني متعدد الرؤوس، مع دمج المسافات بين الذرات والتوافقيات الكروية.
استراتيجية التجميع (Ensemble): للتعامل مع تبعات المسافة المعقدة، يستخدم النموذج مجموعة من النماذج الفرعية، كل منها متخصص في نطاقات مسافات محددة بين الذرات (مثل 0–1 أنجستروم، 1–2 أنجستروم، إلخ)، وتجميع مخرجاتها للحصول على التنبؤ النهائي.

ج. التحسين المشترك للفضاء الحقيقي والفضاء المتبادل

لضمان الدقة الفيزيائية، يقدم NextHAM هدف تدريب مشترك في كل من الفضاء الحقيقي ( $R$ -space) والفضاء المتبادل ( $k$ -space).

ثبات القياس (Gauge Invariance): يعالج دالة الخسارة صراحةً حرية القياس (إضافة $\mu S$ إلى الهاميلتوني) من خلال التحديد التحليلي لمعامل القياس الأمثل $\mu$ .
قمع الحالات الشبحية: يقوم فقدان $k$ $k$ -space بتقسيم الطيف إلى فضاء فرعي منخفض الطاقة ( $P$ ) وفضاء فرعي عالي الطاقة ( $Q$ ).
- يعاقب على الأخطاء في كلا الفضاءين الفرعيين.
- والأهم من ذلك، يضيف عقوبة صريحة على كتلة الاقتران المتبادل $PQ$ . بما أن الهاميلتوني الدقيق يحتوي على صفر اقتران بين هذين الفضاءين، فإن معاقبة اقترانات $PQ$ الزائفة تقضي على "الحالات الشبحية" وتضمن طوبولوجيا نطاق صحيحة.

3. المساهمات الرئيسية

إطار العمل المنهجي (NextHAM): نموذج Transformer عالمي متوافق مع E(3)، يجمع بين المدخلات المستندة إلى الفيزياء ( $H^{(0)}$ )، والتعلم بالفارق، والتحسين المشترك لـ $R$ و $k$ -space.
مجموعة بيانات مرجعية جديدة (Materials-HAM-SOC):
- تم تنسيق 17,000 بنية مادية من مشروع المواد (Materials Project).
- تغطي أكثر من 60 عنصراً من الصفوف الستة الأولى من الجدول الدوري.
- تتضمن صراحةً تأثيرات اقتران المدارات المغزلية (SOC).
- تستخدم مجموعات أساس عالية الدقة (تصل إلى $4s2p2d1f$ مدارات) وجهوداً كاذبة (pseudopotentials) عالية الجودة.
التقدم النظري: يثبت أن دمج الأولويات الفيزيائية ( $H^{(0)}$ ) والإشراف المشترك لـ $k$ -space ضروري لتحقيق دقة بمستوى DFT والقدرة على التعميم في التنبؤ العالمي بالهاميلتوني.

4. النتائج التجريبية

الدقة:
- يحقق متوسط خطأ مطلق للقياس (Gauge MAE) قدره 1.417 ميلي إلكترون فولت (meV) للهاميلتوني الكامل في الفضاء الحقيقي ( $R$ -space).
- تصل كتل SOC (مصطلحات قلب السبين) إلى دقة أقل من ميكرو إلكترون فولت (< 0.001 meV)، وهو مقي-س حرج للمواد الطوبولوجية.
- يتفوق على أفضل النماذج المرجعية الحالية (DeepH-E3, TraceGrad) بشكل كبير (على سبيل المثال، خطأ DeepH-E3 هو 12.605 meV مقابل 1.417 meV لـ NextHAM).
التعميم:
- نجح في التنبؤ بخصائص العناصر خارج التوزيع (out-of-distribution) (مثل النيون) التي لم تظهر أثناء التدريب، مما يثبت فعالية واصف $H^{(0)}$ .
- يعمل بشكل جيد عبر مختلف البنى البلورية والتركيبات الكيميائية.
الدقة الفيزيائية:
- تطابق بنى النطاقات المستمدة من الهاميلتونيات المتنبأ بها الحقيقة الأرضية لـ DFT بشكل شبه مثالي.
- تم القضاء تماماً على الحالات الشبحية، على عكس النماذج التي يتم تدريبها فقط باستخدام خسارة الفضاء الحقيقي ( $R$ -space).
- تظهر الملاحظات الفيزيائية اللاحقة (مثل الموصلية البصرية) توافقاً عالياً مع DFT.
الكفاءة:
- يعد NextHAM أسرع بنسبة 97% من DFT التقليدي.
- ينخفض متوسط وقت التشغيل من 2307 ثانية (DFT) إلى 58.47 ثانية (استدلال GPU) لكل عينة.
- يتوسع خطياً ( $O(N)$ ) للأنظمة الكبيرة، بينما يتوسع DFT تكعيبياً ( $O(N^3)$ ).

5. الأهمية

يؤسس هذا العمل لنموذج جديد لـ التعلم العميق العالمي في علم المواد. من خلال سد الفجوة بين الأولويات الفيزيائية وبنيات التعلم العميق، يقدم NextHAM ما يلي:

دقة بمستوى DFT: تحقيق دقة تضاهي حسابات المبادئ الأولى.
القابلية للتوسع: تمكين محاكاة أنظمة المواد الضخمة التي كانت مستعصية سابقاً على DFT.
الموثوقية: ضمان الاتساق الفيزيائي (لا توجد حالات شبحية) في البنى الإلكترونية المتنبأ بها.
المورد: يوفر إصدار مجموعة بيانات Materials-HAM-SOC معياراً صارماً للأبحاث المستقبلية في التنبؤ العالمي بالبنية الإلكترونية.

يوفر المؤلفون كوداً مفتوح المصدر، وأوزاناً مدربة مسبقاً، ومجموعة البيانات، مما يسهل الاعتماد السريع في اكتشاف المواد، ونمذجة البنى النانوية، ومحاكاة الأجهزة الكمومية.