Transformers Discover Molecular Structure Without Graph Priors
تُظهر هذه الورقة أن نماذج "ترانسفورمر" (Transformer) عامة الأغراض، عندما تُدرب دون مقدمات فيزيائية صريحة قائمة على الرسوم البيانية، يمكنها اكتشاف الهياكل الجزيئية وأنماط التفاعل الرئيسية ذاتياً من البيانات وحدها، محققةً دقة تنافس البنى القائمة على الفيزياء، مما يشير إلى أن مثل هذه الانحيازات الاستقرائية قد تكون قابلة للتعلم وليست ضرورية بشكل صارم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لطالما اعتمد العلماء على المحاكاة الحاسوبية لفهم كيفية عمل العالم المادي، بدءاً من الطريقة التي تترابط بها الذرات لتكوين الجزيئات وصولاً إلى كيفية تفاعل المواد تحت الضغط. تقليدياً، تُبنى هذه المحاكاة عبر برمجة القوانين الفيزيائية المعروفة يدوياً مباشرة في البرمجيات. يضمن هذا النهج منطقية النتائج، لكنه غالباً ما يكون بطيئاً ومكلفاً. وفي السنوات الأخيرة، ظهر منهج مختلف: استخدام التعلم الآلي لإيجال الأنماط في البيانات بدلاً من اتباع قواعد مكتوبة مسبقاً. وبينما أحدث هذا النهج القائم على البيانات ثورة في مجالات مثل التعرف على اللغة والصور، إلا أن تطبيقه في الفيزياء كان حذراً؛ إذ اعتقد العديد من الخبراء أنه بدون تعليم الكمبيوتر صراحةً قواعد الهندسة والقوة، فإنه سيفشل في فهم الرقصة المعقدة للذرات. وكان الرأي السائد هو أن نموذج التعلم الآلي يحتاج إلى خريطة مدمجة لكيفية تفاعل الذرات لإنتاج نتائج موثوقة.
لقد وضع فريق من الباحثين في جامعة كاليفورنيا، بيركلي، ومختبر لورانس بيركلي الوطني، هدفاً لاختبار حدود هذا الافتراض. طرحوا سؤالاً جوهرياً: إذا أعطيت نموذجاً حاسوبياً قوياً كمية هائلة من البيانات حول الجزيئات، ولكن منعتَه من استخدام أي قواعد مبرمجة مسبقاً حول الفيزياء، فهل لا يزال بإمكانه استنتاج كيفية عمل العالم المادي من تلقاء نفسه؟ ولإيجاد الإجابة، قاموا بتدريب نوع من الذكاء الاصطناعي يُعرف باسم "المحول" (Transformer) على مجموعة ضخمة من البيانات المتعلقة بالهياكل الجزيئية. تحتوي هذه المجموعة من البيانات، المسماة OMol25، على ملايين الأمثلة للذرات المرتبة في تكوينات مختلفة، جنباً إلى جنب مع الطاقة والقوى المرتبطة بكل ترتيب. والأهم من ذلك، أن الباحثين لم يعطوا النموذج أي تعليمات خاصة حول كيفية تصرف الذرات، ولم يجبروه على النظر إلى الذرات بترتيب هندسي محدد؛ بل قاموا ببساطة بتغذيته بالإحداثيات الخام وتركوه يتعلم.
كانت النتائج مذهلة. فالنموذج، الذي بدأ دون أي معرفة بالفيزياء، اكتشف ذاتياً الأنماط نفسها التي أمضى العلماء عقوداً في محاولة ترميزها يدوياً. ومع معالجة النموذج للبيانات، تعلم تخصيص مستويات مختلفة من الأهمية للعلاقات بين الذرات بناءً على مسافاتها عن بعضها البعض. في المراحل الأولى من تعلمه، ركز النموذج بكثافة على الذرات القريبة، مع انخفاض حدة اهتمامه بشكل حاد مع زيادة المسافة. وقد حاكت هذه السلوك طريقة ضعف القوى الفيزيائية، مثل التنافر الكهروسكوني، بسرعة عبر المسافات القصيرة. ومع ازدياد عمق وتعقيد النموذج، انتقل تركيزه ليشمل التفاعلات بعيدة المدى، متعلمًا في النهاية نمطاً يطابق الطريقة التي تتلاشى بها الطاقة عبر المسافة في الفيزياء الكلاسيكية. ومن المثير للاهتمام أن النموذج اكتشف أيضاً حداً طبيعياً للمسافة التي يحتاج للبحث فيها لفهم بيئة الذرة، وهو مسافة القطع التي تلاقت تماماً مع القيم التي اختارها الخبراء البشريون يدوياً للنماذج التقليدية.
لاحظ الباحثون أيضاً أن النموذج لم يكن جامداً في نهجه؛ فبدلاً من استخدام قاعدة ثابتة للمسافة التي ينظر إليها حول الذرة، قام بتكييف سلوكه بناءً على كثافة الفضاء المحيط. ففي المناطق المزدحمة حيث تكون الذرات متراصة، ركز النموذج على الجيران المباشرين، وفي المناطق المتناثرة حيث تكون الذرات معزولة، وسّع نطاق تركيزه ليشمل الشركاء البعيدين. سمحت هذه المرونة للنموذج بالتعامل مع البيئات الجزيئية المختلفة بفعالية أكبر من النظام الجامد المبرمج مسبقاً. علاوة على ذلك، تعلم النموذج تنظيم العناصر الكيميائية بطريقة تعكس الجدول الدوري، حيث جمع الغازات الخاملة معاً ورتب المعادن حسب عائلاتها الكيميائية، وكل ذلك دون أن يُخبر بماهية الجدول الدوري.
وللتأكد من أن هذه النتائج لم تكن مجرد مصادفة ناتجة عن مجموعة بيانات محددة، اختبر الفريق قدرة النموذج على التوسع. ووجدوا أنه كلما زادت كمية البيانات وحجم النموذج، تحسن أداؤه بطريقة يمكن التنبؤ بها وبشكل متسق. هذا السلوك، المعروف باسم "قانون القياس"، هو سمة مميزة لأنظمة التعلم الآلي القوية ويشير إلى أن فهم النموذج للفيزياء كان حقيقياً ومتيناً. وفي الاختبارات التي طُلب فيها من النموذج التنبؤ بطاقة جزيئات الماء، قدم نتائج طابقت كلاً من عمليات المحاكاة الفيزيائية عالية المستوى والقياسات التجريبية الواقعية. والأكثر إثارة للدهشة، أنه عندما قام الباحثون بتدريب نسخة ضخمة جداً من النموذج، حقق دقة تضاهي النماذج المتخصصة المصممة خصيصاً بدمج القوانين الفيزيائية في بنيتها.
تشير هذه النتائج إلى أن الحد الفاصل بين القواعد التي صممها البشر والمعرفة المكتسبة أكثر سيولة مما كان يُعتقد سابقاً. وتوضح الدراسة أنه مع توفر قدر كافٍ من البيانات، يمكن لنماذج التعلم الآلي عامة الأغراض اكتشاف المبادئ الأساسية للتفاعل الفيزيائي من تلقاء نفسها. هذا لا يعني أن النماذج المصممة بشرياً قد أصبحت عتيقة، بل يشير إلى أن البنيات عامة الأغراض يمكن أن تعمل كنقطة انطلاق قوية للنمذجة العلمية. ومن خلال الاعتماد على البيانات للكشف عن البنية، قد يتمكن العلماء من اكتشاف حلول مرنة يصعب توقعها أو يصعب كتابتها مسبقاً. إن هذا العمل يفتح مساراً جديداً للاكتشاف العلمي، حيث لا يكون الكمبيوتر مجرد آلة حاسبة تتبع التعليمات، بل متعلماً قادراً على إيجاد قواعد الكون داخل البيانات نفسها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.