🔬 materials science

DMFlow: Disordered Materials Generation by Flow Matching

تقدم هذه الورقة البحثية DMFlow، وهو إطار عمل توليدي مبتكر يستخدم مطابقة التدفق الريماني وشبكة عصبية رسومية متخصصة لتوليد المواد غير المنتظمة (الاستبدالية، والموضعية، والمختلطة) بفعالية، مع التفوق على النماذج الحالية المصممة للبلورات المنتظمة فقط.

المؤلفون الأصليون: Liming Wu, Rui Jiao, Qi Li, Mingze Li, Songyou Li, Shifeng Jin, Wenbing Huang

نُشر 2026-02-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Liming Wu, Rui Jiao, Qi Li, Mingze Li, Songyou Li, Shifeng Jin, Wenbing Huang

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 مهندس معماري بارع يحاول تصميم مبانٍ جديدة. لفترة طويلة، كان مهندسو الذكاء الاصطناعي المعماري بارعين للغاية في تصميم ناطحات سحاب مثالية ومتناظرة. كل طوبة في مكانها الدقيق، وكل نافذة محاذية تماماً، والهيكل يتكرر في نمط مثالي. هذه هي ما يسميها العلماء "البلورات المنتظمة".

لكن في العالم الحقيقي، العديد من المواد الأكثر فائدة ليست ناطحات سحاب مثالية. إنها تشبه الأسواق المزدحمة والصاخبة أو الفسيفساء غير المنتظمة. في هذه المواد، قد تكون بعض المواقع مشغولة بأنواع مختلفة من الذرات بشكل عشوائي (اضطراب استبدالي)، أو قد تكون الذرات مزاحة قليست قليلاً عن أماكنها المثالية، تتأرجح مثل الناس في غرفة مزدحمة (اضطراب موضعي). هذه هي "البلورات المضطربة"، وهي ضرورية لأشياء مثل الموصلات الفائقة والسبائك عالية القوة.

حتى الآن، لم يكن مهندسو الذكاء الاصطناعي المعماري يعرفون كيفية تصميم هذه المباني الفوضوية. كانوا يعرفون فقط كيفية بناء المباني المثالية.

إليك DMFlow: المهندس المعماري للمواد غير المنتظمة

يقدم البحث DMFlow، وهو نظام ذكاء اصطناعي جديد مصمم خصيصاً لإنتاج هذه المواد "الفوضوية". إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. المخطط الشامل (التمثيل الموحد)

تخيل أن لديك مخططاً يمكنه وصف مبنى مثالي، ومبنى تم استبدال بعض طوبه عشوائياً، ومبنى تكون فيه بعض الطوب مائلة قليلاً - وكل ذلك باستخدام نفس اللغة.

الطريقة القديمة: كان على نماذج الذكاء الاصطناعي التعامل مع هذه كثلاث مشكلات مختلفة تماماً.
طريقة DMFlow: يستخدم تمثيلاً موحداً. إنه ينظر إلى كل "موقع" في المادة ويسأل: "هل هذا الموقع يحتوي على ذرة واحدة بنسبة 100%؟ أم أنه مزيج بنسبة 50/50 من ذرتين؟ أم أن الذرة هنا مزاحة قليلاً إلى اليسار أو اليمين؟" إنه يعامل كل هذه الاحتمالات كجزء من نظام واحد مرن.

2. "تدفق" الخلق (مطابقة التدفق)

فكر في توليد مادة ما مثل خلط الطلاء. تبدأ بدلو من الضجيج العشوائي الفوضوي (مثل دلو من الرمل المختلط وغير الملون). تريد ببطء تحويل هذه الفوضى إلى لوحة محددة وجميلة (المادة الجديدة).

العملية: يستخدم DMFlow تقنية تسمى مطابقة التدفق (Flow Matching). إنه يتعلم "تياراً" أو "تدفقاً" يدفع جزيئات الرمل العشوائية إلى مواضعها الصحيحة والمنظمة.
التحول: نظرًا لأن المواد المضطربة لها قواعد (مثل الاحتمالات التي يجب أن تجمع إلى 100%)، لا يمكن للذكاء الاصطناعي مجرد دفع الرمل إلى أي مكان. يجب عليه دفعه على طول مسار منحني محدد ("متعدد طيات ريماني") لضمان بقاء الرياضيات صالحة فيزيائياً.
التشبيه: تخيل محاولة صب الماء في مجموعة من الكؤوس المتصلة حيث يجب أن يكون إجمالي كمية الماء دائماً غالوناً واحداً بالضبط. إذا سكبت الماء عشوائياً، فقد ينسكب أو يفيض. يستخدم DMFlow "خريطة كروية" خاصة لضمان أن الماء (الاحتمالات) يتناسب دائماً تماماً داخل الكؤوس دون انسكاب.

3. العقل الذكي (الشبكة العصبية الرسومية)

لتحديد الاتجاه الذي يجب دفع الرمل إليه، يستخدم DMFlow نوعاً خاصاً من الأدمغة يسمى الشبكة العصبية الرسومية (GNN).

المهمة: ينظر هذا الدماغ إلى كيفية تواصل كل ذرة مع كل ذرة أخرى.
الابتكار: في البلورة المثالية، تتواصل الذرة (أ) ببساطة مع جارتها (ب). ولكن في البلورة المضطربة، قد تكون الذرة (أ) في مكانين في وقت واحد (احتمالياً)، وقد تكون الذرة (ب) أيضاً في مكانين. دماغ DMFlow ذكي بما يكفي لحساب المحادثة بين جميع التوليفات الممكنة لهذه المواقع. إنه يشبه الدبلوماسي الذي يمكنه التفاوض على معاهدة سلام بين أربع نسخ مختلفة من نفس الشخص في آن واحد.

4. القرار النهائي (التقطيع)

بعد أن ينتهي الذكاء الاصطناعي من "تدفقه"، تكون لديه صورة ضبابية واحتمالية. يقول: "هذا الموقع عبارة عن 60% حديد و40% نيكل". لكن في العالم الحقيقي، الموقع إما حديد أو نيكل.

الحل: يستخدم DMFlow نظام تصويت من مرحلتين.
- المرحلة 1: إذا كان الذكاء الاصطناعي متأكداً جداً (مثلاً 99% حديد)، فإنه يثبت ذلك الموقع كحديد.
- المرحلة 2: إذا كان الذكاء الاصطناعي غير متأكد (مثلاً 60/40)، فإنه يجري "تصويت لجنة". يستخدم خمس قواعد مختلفة (مثل "اختر أفضل 2"، "اختر أي شيء فوق 20%"، إلخ) لتخمين المزيج النهائي. إذا اتفقت معظم القواعد على توليفة معينة، فإن ذلك هو الجواب النهائي. هذا يضمن أن النتيجة حقيقية فيزيائياً وليست مجرد متوسط رياضي.

5. الملعب الجديد (المعيار المرجعي)

لأنه لم يسبق لأحد القيام بهذا من قبل، لم يكن هناك "صالة ألعاب رياضية" لاختبار الذكاء الاصطناعي. قام المؤلفون ببناء أول معيار مرجعي (مجموعة اختبار) عام يحتوي على آلاف من هذه البلورات المضطربة وغير المنتظمة من قاعدة بيانات واقعية.

النتائج: عندما اختبروا DMFlow مقابل نماذج الذكاء الاصطناعي الأخرى (التي أُجبرت على محاولة التكيف مع هذه البيانات الفوضوية)، فاز DMFflow بسهولة. لقد كان أفضل بكثير في التنبؤ بهيكل المادة بناءً على مكوناتها، وأفضل بكثير في ابتكار مواد مضطربة جديدة تماماً ومستقرة من الصفر.

الملخص

باختصار، DMFlow هو أول ذكاء اصطناعي يفهم أن العالم الحقيقي ليس مثالياً دائماً. إنه يعامل الاضطراب ليس كخطأ، بل كميزة. من خلال استخدام تدفق رياضي خاص للتنقل عبر قواعد الاحتمالية ونظام تصويت ذكي لاتخاذ القرارات النهائية، يمكنه تصميم الجيل القادم من المواد المتقدمة التي هي بطبيعتها "فوضوية" ولكنها قوية للغاية.

ملخص تقني: DMFlow

بيان المشكلة

يعد تصميم المواد ذات الخصائص المصممة خصيصاً هدفاً أساسياً في التقدم التكنولوجي. وبينما سرعت النماذج التوليدية العميقة مؤخراً من اكتشاف البلورات المثالية المرتبة، إلا أنها تغفل إلى حد كبير المواد غير المنتظمة (disordered materials)، وهي فئة واسعة وحيوية تكنولوجياً تشمل السبائك عالية الإنتروبيا، والإلكتروليتات في الحالة الصلبة، والموصلات الفائقة.

تواجه النهج التوليدية الحالية ثلاث عقبات رئيسية عند تطبيقها على البلورات غير المنتظمة:

فجوة التمثيل (Representation Gap): تفترض النماذج الحالية دورية مثالية، حيث تتكرر أنواع الذرات والإحداثيات بشكل حتمي. وهي تفتقر إلى تمثيل متماسك لـ الاضطراب الاستبدالي (Substitutional Disorder - SD)، حيث تشغل أنواع مختلفة المواقع بشكل احتمالي، و الاضطراب الموضعي (Positional Disorder - PD)، حيث تنحرف الذرات عن المواقع المثالية.
انتهاك القيود (Constraint Violation): يجب أن تشكل أوزان الاضطراب (احتمالات الإشغال) توزيعات احتمالية صالحة (تجمع إلى واحد على "السمبلكس" - simplex). وتكافح النماذج التوليدية الإقليدية القياسية لفرض قيود السمبلكس هذه دون عدم استقرار عددي أو مخرجات غير صالحة.
نقص المعايير المرجعية (Lack of Benchmarks): لا يوجد معيار مرجعي عام منشور للنمذجة التوليدية للبلورات غير المنتظمة، مما يعيق التقييم المنهجي.

المنهجية: DMFlow

لمعالجة هذه التحديات، قدم المؤلفون DMFlow، وهو أول إطار عمل توليدي عميق مصمم خصيصاً للبلورات غير المنتظمة. تعتمد المنهجية على أربع ركائز:

1. التمثيل الموحد

يقترح DMFlow رباعية موحدة $(s_i, f_i, w_i, f'_i)$ لكل موقع بلوري $i$ :

$s_i$ (متجه الاستبدال): متجه احتمالي على سمبلكس من الدرجة $(D-1)$ يمثل احتمالات إشغال الأنواع الذرية المختلفة في الموقع $i$ . وهذا يعمم المتجه "أحادي الساخن" (one-hot) المستخدم في البلورات المرتبة.
$f_i$ (الإحداثي الأساسي): الإحداثي الكسري للموقع الأساسي.
$w_i$ (المتجه الموضعي): متجه احتمالي على سمبلكس من الدرجة 1 (الحالة الثنائية) يمثل احتمالات إشغال موقعين محتملين.
$f'_i$ (الإحداثي الثانوي): الإحداثي الكسري للموقع الثانوي.

هذه الصيغة تستوعب بسلاسة البلورات المرتبة، والاضطراب الاستبدالي (SD)، والاضطراب الموضعي (PD) (والهياكل المختلطة SPD) ضمن إطار عمل واحد.

2. مطابقة التدفق الريماني (Riemannian Flow Matching)

تستخدم العملية التوليدية مطابقة التدفق الشرطية (Conditional Flow Matching - CFM) المكيفة مع الـ "مانيفولد" (manifolds) غير الإقليدية:

الشبكة البلورية والإحداثيات: يتم نمذجتها باستخدام مطابقة التدفق القياسية على الفضاء الإقليدي وعلى "التوروس" (torus) (بالنسبة للإحداثيات الكسرية)، باتباع إعداد نموذج FlowMM.
أوزان الاضطراب (قيد السمبلكس): لضمان أوزان اضطراب صالحة فيزيائياً، يستخدم المؤلفون مطابقة التدفق الريماني على "سمبلكس الاحتمالات". ويستخدمون إعادة بارامترية كروية ( $\pi(\mu) = \sqrt{\mu}$ ) لربط السمبلكس بـ "الأورثانت" (orthant) الموجب لكروية الوحدة. يحول هذا التحويل "مترية فيشر-راو" (Fisher-Rao metric) إلى مسافة كروية، مما يسمح باستكمال جيوديسي مستقر ويتجنب عدم الاستقرار العددي المرتبط بتطبيقات السمبلكس المباشرة.

3. هيكل شبكة عصبية رسومية (GNN) مبتكر

تتعلم شبكة GNN متخصصة حقل المتجهات لعملية مطابقة التدفق. وتشمل الميزات المعمارية الرئيسية ما يلي:

التهيئة المدركة للاضطراب: يتم تهيئة ميزات العقد عن طريق إسقاط متجهات الاستبدال المستمرة $s_i$ والخطوات الزمنية، بدلاً من الاعتماد على الترميز أحادي الساخن.
تضمينات الحواف متعددة التفاعل: لالتقاط التفاعلات المعقدة في أنظمة PD، تحسب الشبكة ميزات الحواف من خلال النظر في جميع مجموعات الحالات الموضعية بين أزواج الذرات $(i, j)$ . وتُوزن هذه التفاعلات باحتمالات الإشغال المشتركة ( $w_{i,a}w_{j,b}$ )، مما يضمن احترام النموذج للطبيعة الاحتمالية للهيكل.
فرض التماثل: تفرض البنية التماثلات الفيزيائية الرئيسية، بما في ذلك الثبات الدوري.

4. التجزئة ثنائية المرحلة

بما أن النماذج التوليدية تنتج متجهات احتمالية مستمرة، فإن إجراء تجزئة قوي مطلوب لتحويلها إلى تعيينات ذرية منفصلة (متجهات متعددة الساخن):

المرحلة الأولى (تحديد الموقع المرتب): يتم تحديد المواقع ذات الحدة العالية في الاحتمالية (نسبة الاحتمال الأقصى إلى ثاني أقصى احتمال) كأماكن مرتبة ويتم تعيين متجه أحادي الساخن لها.
المرحلة الثانية (التصويت الجماعي): بالنسبة للمواقع غير المنتظمة، تقوم خمسة استدلالات تكميلية (Top-k، العتبة المطلقة، المئوي، العتبة التكيفية، القائم على الإنتروبيا) بتوليد متجهات مرشحة "متعددة الساخن". ويتم تحديد التعيين النهائي من خلال التصويت بالأغلبية عبر هذه المرشحات، مما يقلل من انحياز أي استدلال منفرد.

المساهمات الرئيسية

إطار عمل DMFlow: نموذج توليدي موحد قادر على تمثيل وتوليد كل من الاضطراب الاستبدالي والموضعي، مع توسيع مطابقة التدفق لتشمل المانيفولدات الريمانية لأوزان الاضطراب.
أول معيار مرجعي للمواد غير المنتظمة: بناء وإصدار مجموعة بيانات مرجعية (مستمدة من قاعدة بيانات علم البلورات المفتوحة COD) تحتوي على هياكل SD و PD وهياكل SPD مختلطة، مقسمة حسب عدد الذرات (20 و 50 ذرة).
التحقق التجريبي: تقييم شامل لمهام التنبؤ بالهيكل البلوري (CSP) والتوليد من الصفر (DNG)، مما أظهر أداءً متفوقاً على النماذج المرجعية المعدلة.

النتائج

أجريت التجارب على المجموعات المرجعية المنشأة (مجموعات COD-SD و COD-SPD) لمقارنة DMFlow مع النسخ المعدلة من مولدات البلورات المرتبة الحديثة: DiffCSP و MatterGen و FlowMM.

التنبؤ بالهيكل البلوري (CSP):
- في مجموعات SD النقية، يؤدي DMFlow أداءً يضاهي FlowMM-Prob (أفضل نسخة مرجعية).
- في مجموعات الاضطراب المختلط (SPD)، يتفوق DMFflow بشكل كبير على جميع النماذج المرجعية. على سبيل المثال، في COD-SPD-50، يحقق DMFflow معدل مطابقة قدره 45.87% و جذر متوسط مربعات (RMSE) قدره 0.0725، مقارنة بـ 44.00% و 0.0887 لـ FlowMM-Prob.
- أثبت الإطار الموحد أنه أكثر قوة من تعديلات تقسيم الرسم البياني المستخدمة في النماذج المرجعية عند التعامل مع الاضطراب الموضعي.
التوليد من الصفر (DNG):
- تؤكد دراسات الاستبعاد (Ablation studies) أن قيد السمبلك (Simplex constraint) (التدفق الريماني) أمر بالغ الأهمية؛ حيث يؤدي إزالته إلى انخفاض حاد في صلاحية التركيب (على سبيل المثال، من ~69% إلى ~30% في COD-SD-20).
- يعمل نمذجة التفاعل المتعدد على تحسين الصلاحية الهيكلية والدقة بشكل كبير.
- يحقق نموذج DMFlow الكامل أفضل توازن بين الصلاحية، والتغطية، ومواءمة الخصائص عبر جميع مجموعات البيانات.
تعزيز البيانات: تسمح التمثيلية الموحدة بتضمين بيانات البلورات المرتبة أثناء التدريب، مما يحسن معدلات المطابقة ويقلل من RMSE في مجموعات الاختبار غير المنتظمة.

الأهمية والادعاءات

يضع المؤلفون DMFlow كخطوة تأسيسية نحو الاكتشاف القائم على الذكاء الاصطناعي للمواد غير المنتظمة. ويدعون أنه من خلال تجاوز افتراض الدورية المثالية، يعالج عملهم فجوة حرجة في نمذجة المواد في علم المواد.

يؤكد البحث على أن:

المواد غير المنتظمة ضرورية للسبائك عالية الإنتروبيا والموصلات الفائقة، ومع ذلك فإن طبيعتها الاحتمالية أعاقت التطبيق المباشر للنماذج التوليدية سابقاً.
توفر مطابقة التدفق الريماني مع إعادة البارامترية الكروية آلية مستقرة وصالحة فيزيائياً لتوليد أوزان الاضطراب، وهي قدرة تفتقر إليها النهج السابقة القائمة على الفضاء الإقليدي.
يسهل التمثيل الموحد مهمة التوليد ويسمح بتدريب البيانات المختلطة، مما يثبت إمكانية نمذجة الهياكل المرتبة وغير المنتظمة ضمن بنية واحدة.

يختتم المؤلفون بأن DMFlow يظهر أداءً واعداً في كل من التنبؤ بالهياكل لتركيبات معينة واكتشاف مواد جديدة من الصفر، مما يوفر أساساً ضرورياً للأبحاث المستقبلية في هذا المجال. ويصرحون صراحة بأنه بينما تعتبر هذه التكنولوجيا قوية، فإنهم يعطون الأولوية للشفافية وإمكانية التكرار للتخفيف من المخاطر المحتملة لإساءة الاستخدام.