🔬 materials science

Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning

تلخص هذه الورقة التطورات الخوارزمية الرئيسية في التوازي وتعلم الآلة التي مكنت من توسيع نطاق محاكاة نظرية الدالة الكثافية من المبادئ الأولية (ab-initio) المقترنة بدالة غرين غير المتوازنة (DFT+NEGF) من الأنظمة الذرية الصغيرة إلى الأجهزة النانوية الواقعية واسعة النطاق.

المؤلفون الأصليون: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

نُشر 2026-02-04

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

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 فهم كيفية تدفق الكهرباء عبر سلك مجهري دقيق مصنوع من السيليكون، وهو صغير جدًا بحيث لا يتجاوز عرضه بضعة آلاف من الذرات. للقيام بذلك بدقة، يستخدم العلماء أداة رياضية معقدة تسمى NEGF (دالة غرين غير المتوازنة). فكر في NEGF كأنها توقعات جوية فائقة الدقة للإلكترونات: فهي تتنبأ بكيفية حركتها، وكيفية ارتدادها عن بعضها البعض، وتفاعلها مع الاهتزازات في المادة.

ومع ذلك، فإن تشغيل هذه "التوقعات" لأجهزة ذات أحجام واقعية كان يشبه محاولة التنبؤ بالطقس لكوكب الأرض بأكمله باستخدام آلة حاسبة من الثمانينيات؛ فالأمر بطيء للغاية والكمبيوترات تتعطل.

يصف هذا البحث من فريق في المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich) كيف قاموا ببناء "آلة حاسبة خارقة" لإصلاح ذلك، باستخدام ثلاث حيل رئيسية: خوارزميات أفضل، والعمل الجماعي الضخم (التوازي)، والذكاء الاصطناي.

إليك تفصيل لعملهم باستخدام تشبيهات بسيطة:

1. المشكلة: "ازدحام مروري" في الرياضيات

في الماضي، كان بإمكان العلماء فقط محاكاة الأنظمة الصغيرة (بضع ذرات). لمحاكاة جهاز واقعي (آلاف الذرات)، تصبح الرياضيات ثقيلة للغاية.

التحدي: تتطلب المعادلات حل ألغاز ضخمة حيث يعتمد كل جزء فيها على كل جزء آخر. القيام بذلك قطعة قطعة يستغرق وقتًا طويلاً جدًا.
الهدف: أرادوا محاكاة "شريط سيليكون نانوي" (سلك دقيق) يكون كبيرًا بما يكفي ليكون مفيدًا، مع مراعاة اصطدام الإلكترونات ببعضها البعض (التشتت)، وهو ما يشبه السيارات في الازدحام المروري التي تبطئ حركة بعضها البعض.

2. الحل: "خط التجميع" (التوازي)

لتسريع العمل، لم يقم الفريق ببناء كمبيوتر أسرع فحسب؛ بل غيروا طريقة أداء العمل.

التشبيه: تخيل مكتبة ضخمة حيث تحتاج إلى العثور على كتب محددة. بدلًا من جعل أمين مكتبة واحد يتجول في الممرات واحدًا تلو الآخر، قاموا بتعيين 9,400 أمين مكتبة (كمبيوتر) للعمل في نفس الوقت.
الحيلة: طوروا طريقة تسمى Serinv. فكر في مسألة الرياضيات الضخمة كأنها خط طويل ومتموج من الكتل. بدلًا من محاولة حل الخط بأك its كله دفعة واحدة، قاموا بتقسيمه إلى قطع أصغر وإعطاء كل قطعة لكمبيوتر مختلف.
النتيجة: اختبروا هذا على الكمبيوتر الخارق Frontier (أحد أقوى الأجهزة في العالم). لقد قاموا بمحاكاة سلك سيليكون يحتوي على 25,344 ذرة. ومن خلال استخدام 9,400 عقدة حاسوبية تعمل معًا، حققوا كفاءة بنسبة 80%. وهذا يعني أن جميع الكمبيوترات كانت مشغولة بالعمل تقريبًا، ولم تكن تنتظر بعضها البعض.

3. حيلة "السفر عبر الزمن" (الخوارزميات)

تتضمن الرياضيات نوعين مختلفين من الحسابات التي تتطلب تنظيمًا مختلفًا للبيانات.

التشبيه: تخيل أنك تطبخ حساءً. أحيانًا تحتاج إلى تقطيع جميع الخضروات أولاً (طريقة لتنظيم البيانات)، وأحيانًا أخرى تحتاج إلى تحريك القدر لفترة طويلة (طريقة مختلفة).
الإصلاح: أنشأ الفريق نظامًا يمكنه "نقل" أو إعادة ترتيب البيانات فورًا. إنه مثل امتلاك مطبخ سحري حيث تعيد الخضروات ترتيب نفسها فورًا من لوح التقطيع إلى القدر بناءً على ما يحتاجه الطاهي بعد ذلك. يسمح هذا لهم بالتبديل بين حل المعادلات الخطية وإجراء عمليات الالتفاف المعقدة للطاقة دون إضاعة الوقت.

4. "البلورة السحرية" (تعلم الآلة)

حتى مع وجود أجهزة كمبيوتر فائقة السرعة، هناك نقطة اختناق واحدة: إنشاء الخريطة الأولية للذرات (مصفوفة الهاملتونيان) باستخدام طريقة تسمى DFT (نظرية الدالة الوظيفية للكثافة).

المشكلة: نظرية DFT تشبه رسم خريطة لمدينة عن طريق قياس كل طوبة في كل مبنى. إنها دقيقة للغاية ولكنها تستغرق وقتًا وطاقة هائلين، خاصة للمدن الكبيرة (آلاف الذرات).
الابتكار: درب الفريق ذكاءً اصطناعيًا (تحديدًا شبكة عصبية رسومية - Graph Neural Network) ليعمل كـ "بلورة سحرية".
- عرضوا للذكاء الاصطناعي بعض الأمثلة لكيفية ترتيب الذرات لنفسها في نوع معين من خلايا الذاكرة (تسمى ذاكرة تغيير التكافؤ أو VCM).
- تعلم الذكاء الاصطناعي الأنماط. الآن، بدلًا من قياس كل طوبة (تشغيل DFT)، يمكن للذكاء الاصطناعي التنبؤ فورًا بالخريطة لتكوينات جديدة من خلية الذاكرة.
العيب: الذكاء الاصطناعي سريع جدًا (يتوسع خطيًا مع الحجم) ودقيق بما يكفي للحصول على الشكل العام، لكنه لا يزال يحتوي على خطأ ضئيل (حوالي 2 ميلي إلكترون فولت). إنه مثل قدرة الذكاء الاصطناعي على رسم خريطة مثالية لتخطيط مدينة، لكن لافتات الشوارع قد تكون غير دقيقة تمامًا. إنه ليس مثاليًا بما يكفي لاستبدال المساح البشري تمامًا بعد، لكنه خطوة كبيرة للأمام.

5. النتائج: ماذا وجدوا؟

سلك السيليكون: نجحوا في محاكاة سلك سيليكون مع تفاعلات إلكترون-إلكترون. وجدوا أنه عندما تتفاعل الإلكترونات، فإن "فجوة" الطاقة (الفجوة النطاقية) تصبح أكبر قليلاً، تمامًا كما تتنبأ الفيزياء.
حفظ التيار: أثبتوا أن محاكاتهم تعمل لأن التيار الكهربائي الداخل إلى أحد جانبي السلك هو نفسه تمامًا التيار الخارج من الجانب الآخر، حتى مع وجود كل تلك التفاعلات المعقدة.
اختبار الذكاء الاصطناعي: استخدموا الذكاء الاصطناعي الخاص بهم للتنبؤ بكيفية تدفق الكهرباء عبر خلية ذاكرة. كان تنبؤ الذكاء الاصطناعي قريبًا جدًا من الفيزياء الحقيقية، مما يثبت أن تعلم الآلة يمكنه تسريع هذه المحاكاة بشكل كبير.

الملخص

يتعلق هذا البحث بـ التوسع في النطاق. لقد أخذ الفريق طريقة كانت محدودة سابقًا بنماذج صغيرة "لعبة"، ورفعوا نطاقها لتصل إلى أجهزة واقعية ذات حجم صناعي. لقد فعلوا ذلك من خلال:

تقسيم العمل بين آلاف الكمبيوترات (التوازي).
إعادة تنظيم البيانات حتى لا تتعثر الكمبيوترات (الخوارزميات).
تعليم الذكاء الاصطناعي تخمين الأجزاء الأصعب من الرياضيات، مما يوفر الوقت (تعلم الآلة).

إنهم لم يحلوا كل المشكلات بعد (الذكاء الاصطناعي ليس مثاليًا، وبعض عمليات المحاكاة لا تزال ثقيلة جدًا)، لكنهم بنوا المحرك الذي يسمح للعلماء أخيرًا بمحاكاة الأجهزة الكمومية الواقعية بدقة عالية.

ملخص تقني: تسريع محاكاة النقل الكمي الذري (Atomistic NEGF)

بيان المشكلة
أدى التصغير المستمر للترانزستورات إلى وصول أبعاد الأجهزة إلى النطاق الذي تصبح فيه عمليات محاكاة النقل الكمي (QT) القائمة على المبادئ الأولية (ab-initio) ضرورية. وبينما توفر صيغة "دالة غرين غير المتوازنة" (NEGF) المقترنة بنظرية وظيفية الكثافة (DFT) إطارًا صارمًا لمحاكاة الأجهزة نانوية الحجم، إلا أن التطبيقات الحالية تواجه اختناقات كبيرة. تاريخيًا، كانت هذه المحاكاة مقيدة بالأنظمة الصغيرة (بضع ذرات) أو حد النقل البالستي. إن تضمين آليات التشتت المعقدة (الإلكترون-فونون، الإلكترون-إلكترون، الإلكترون-فوتون) والارتقاء إلى أحجام أجهزة واقعية (آلاف الذرات) يظل مكلفًا حوسبيًا بشكل كبير بسبب التدرج الحسابي $O(N^3)$ لنظرية DFT والطبيعة التسلسلية لخوارزميات "دالة غرين المتكررة" (RGF) التقليدية. علاوة على ذلك، يظل توليد مصفوفات الهاملتوني للهياكل الكبيرة والمتطورة ديناميكيًا (على سبيل المثال، أثناء مسح الجهد الكهربائي) تحديًا رئيسيًا.

المنهجية
يعالج المؤلفون هذه القيود من خلال نهج متعدد الأوجه يتضمن تحسين الخوارزميات، والتوازي عالي الأداء، ودمج التعلم الآلي:

الإطار الخوارزمي: تعتمد المحاكاة الأساسية على حل معادلات NEGF لدوال غرين الراجعة ( $G^R$ ) والأقل/الأكبر ( $G^{<,>}$ ) في وجود طاقات التشتت الذاتية ( $\Sigma^{R, <, >}$ ). تميز المنهجية بين مهمتين حسابيتين:
- الأنظمة الخطية من المعادلات (LSE): حل دوال غرين عند نقاط طاقة محددة، وهي مستقلة ومناسبة للتوازي.
- تكاملات الطاقة (EC): حساب حدود التشتت التي تتطلب التكامل عبر العديد من نقاط الطاقة.
  لتحسين الذاكرة والاتصال، طبق المؤلفون مخطط نقل البيانات (data transposition). بالنسبة لمهام LSE، يتم تخزين البيانات حسب نقطة الطاقة ( $E, \omega$ ) عبر المؤشرات المكانية ( $i, j$ )، بينما في مهام EC (باستخدام تحويلات فوريه السريعة)، يتم نقل البيانات للوصول إلى نقاط طاقة متعددة لمؤشرات مكانية محددة.
التوازي (Serinv): للتغلب على الاختناق التسلسلي لخوارزمية RGF القياسية، استخدم المؤلفون مكتبة Serinv. تستخدم هذه الحزمة مفتوحة المصدر والقائمة على وحدات معالجة الرسومات (GPU) طريقة "متمم شور" (Schur complement) على المصفوفات ثلاثية الأقطاب الكتلية (BT). يتم تقسيم النظام عبر وحدات حوسبة متعددة (CPU/GPU)، مما يسمح بالحل المتوازي للأنظمة المختزلة من المعادلات قبل إعادة بناء مدخلات دالة غرين المحلية.
دمج التعلم الآلي: لتجاوز حسابات DFT المكلفة ذات التدرج $O(N^3)$ لتوليد الهاملتوني، يستكشف المؤلفون الشبكات العصبية الرسومية المتكافئة (EGNNs). يتضمن سير العمل المقترح تدريب EGNN على بيانات DFT من تكوين جهاز واحد. وبمجرد تدريبها، تتنبأ الشبكة بمدخلات مصفوفة الهاملتوني لتكوينات جديدة (مثل توزيعات فجوات الأكسجين المختلفة في خلايا الذاكرة) بتدرج $O(N)$ ، مما يمكّن محاكة آلاف الذرات.

المساهمات الرئيسية

حزمة QuaTrEx: تنفيذ هذه النماذج والخوارزميات في حزمة جديدة مفتوحة المصدر تسمى QuaTrEx.
حلل متوازٍ قابل للتوسع: عرض التوسع الضعيف (weak scaling) على سوبر كمبيوتر Frontier، حيث حققت كفاءة توازي بنسبة 80% عند التوسع من 1 إلى 9,400 عقدة (75,200 وحدة GPU) لمحاكاة شريط نانوي سيليكوني.
تضمين التشتت: محاكة ناجحة لشريط نانوي من السيليكون (25,344 ذرة) بما في ذلك تفاعلات الإلكترون-إلكترون ذاتية الاتساق (تقريب GW)، متجاوزة بذلك حد النقل البالستي.
التنبؤ بالهاملتوني بواسطة التعلم الآلي: تطوير EGNN قادرة على التنبؤ بمصفوفات الهاملتوني لأجهزة تحتوي على آلاف الذرات، مدربة على تكوين واحد للتعامل مع الحالات الفيزيائية المتغيرة.

النتائج

محاكاة الشريط النانوي للسيليكون: قام المؤلفون بمحاكاة شريط نانوي من السيليكون بطول 52.1 نانومتر يحتوي على 25,344 ذرة. أكدت النتائج أن تضمين تفاعلات الإلكترون-إلكترون (عبر تقريب GW ذاتي الاتساق) يزيد قليلاً من فجوة النطاق، وهو ما يتوافق مع التوقعات النظرية. كما أثبتت الدراسة صحة حفظ التيار عبر الجهاز رغم الاختلافات في توزيع التيار الطيفي على طول اتجاه النقل.
الأداء: تعامل التنفيذ المتوازي بنجاح مع النطاق الكامل لسوبر كمبيوتر Frontier، مما أثبت جدوى محاكاة الأجهزة واسعة النطاق مع تشتت الناقل-الناقل.
دقة التعلم الآلي: بالنسبة لتطبيق خلية ذاكرة تغيير التبديل (VCM)، حققت شبكة EGNN متوسط خطأ يبلغ حوالي 2 ميلي إلكترون فولت في مدخلات الهاملتوني مقارنة بـ DFT. ومع ذلك، يشير المؤلفون إلى أنه بينما يعد هذا الخطأ مقارنًا بتوقعات الجزيئات الحديثة، إلا أنه ليس دقيقًا بما يكفي حاليًا لإعادة إنتاج سلوك دالة الإرسال للجهاز بشكل كامل.

الأهمية والادعاءات
يزعم البحث أن الجمع بين استراتيجية توازي Serinh والخوارزميات العددية المخصصة يفتح القدرة على استكشاف أحجام الوظائف والأجهزة الأقرب إلى الواقع التجريبي، بما في ذلك التأثيرات الفيزيائية ذات الصلة مثل تشتت الناقل-الناقل التي كانت مكلفة حوسبيًا للغاية في السابق.

فيما يتعلق بالتعلم الآلي، يقدمه المؤلفون كمسار واعد لإلغاء الحاجة جزئيًا إلى حسابات DFT المتكررة، خاصة للأجهزة ذات الهندسات الذرية المتطورة زمنيًا. ومع ذلك، ظلوا متواضعين بشأن الحالة الراهنة لهذه التكنولوجيا، مع الإقرار بأنه على الرغم من أن فوائد التدرج (Scaling) كبيرة ( $O(N)$ مقابل $O(N^3)$ )، إلا أن الدقة التنبؤية لخصائص النقل المعقدة (مثل دوال الإرسال) ليست كافية بعد للاستبدال الكامل لطرق المبادئ الأولى. يعد هذا العمل خطوة تأسيسية نحو دمج التعلم الآلي في سير عمل النقل الكمي القائم على المبادئ الأولية.