Excited Pfaffians: Generalized Neural Wave Functions Across Structure and State

1. بيان المشكلة

يعد الحساب الدقيق لحالات الإثارة الإلكترونية أمراً بالغ الأهمية لتطبيقات تتراوح من تصميم الأدوية إلى الخلايا الكهروضوئية. وبينما حققت طريقة مونت كارلو التباينية (VMC) باستخدام الدوال الموجية ذات الشبكات العصبية دقة غير مسبوقة للحالات الأرضية، فإن توسيع نطاق ذلك ليشمل حالات الإثارة يواجه عقبتين رئيسيتين في القابلية للتوسع:

1. عدم كفاءة أخذ العينات: يتطلب حساب التداخل $\langle \Psi_s | \Psi_t \rangle$ بين $N_s$ من الحالات فرض التعامد. وتتطلب الطرق القياسية عدداً من عينات مونت كارلو يتناسب خطياً مع $N_s$ للحفاظ على تباين منخفض في تقديرات التداخل. وهذا يؤدي إلى تكلفة حوسبية تتناسب بشكل فوق خطي (غالباً $O(N_s^4)$) مع عدد الحالات.
2. عدم كفاءة التمثيل: يتطلب تمثيل حالات إثارة متعددة عادةً تدريب شبكات عصبية منفصلة لكل حالة أو استخدام شبكات ضخمة جداً بمعاملات خاصة بكل حالة. وهذا يمنع استرداد تكاليف التدريب عبر الهياكل الجزيئية المختلفة.

وبناءً على ذلك، تقتصر الطرق السابقة على حساب عدد قليل من حالات الإثارة (عادةً أقل من 10) لهندسة جزيئية واحدة، مما يجعل توليد أسطح طاقة الجهد (PES) متعددة الحالات أو التعميم عبر الجزيئات أمراً غير ممكن حوسبياً.

2. المنهجية

يقترح المؤلفون إطاراً موحداً يجمع بين مكونين مبتكرين: أخذ العينات لأهمية تعدد الحالات (MSIS) وبنية "بافاتيان" المثارة (Excited Pfaffian).

أ. أخذ العينات لأهمية تعدد الح states (MSIS)

لمعالجة عقبة أخذ العينات، قدم المؤلفون تقنية MSIS، التي تجمع العينات من جميع $N_s$ من الحالات لتقدير التداخلات الزوجية.

• الآلية: بدلاً من أخذ العينات من توزيع حالة واحدة $\rho_s$، تقوم MSIS بأخذ العينات من توزيع خليط $\rho_{mix} = \frac{1}{N_s} \sum \rho_s$.
• الميزة الرياضية:
  • تباين محدود: المتغير العشوائي المستخدم للتقدير، $\frac{\Psi_t(r)\Psi_s(r)}{\rho_{mix}(r)}$، محصور بـ $N_s/2$. وهذا يلغي القيم المتطرفة ذات الذيول الثقيلة التي تحدث بالقرب من عقد الدوال الموجية في أخذ عينات الحالة الواحدة.
  • تقليل التباين: يتناسب تباين مُقدّر التداخل كـ $O(1/N_b)$ (حيث $N_b$ هو إجمالي حجم الدفعة) بدلاً من $O(N_s/N_b)$. وهذا يسمح لبقاء إجمالي حجم العينة ثابتاً بغض النظر عن عدد الحالات، مما يحقق توسعاً حوسبياً يقترب من الثبات.
• التطبيع: بما أن الدوال الموجية غير معيرة، تستخدم MSIS أخذ عينات الجسر (bridge sampling) لتقدير نسب ثوابت التطبيع ($Z_s/Z_t$) بشكل تكراري.

ب. بنية "بافاتيان" المثارة (Excited Pfaffian)

لمعالجة عقبة التمثيل، قدم المؤلفون بنية "بافاتيان" المثارة، وهي بنية عصبية مستوحاة من نظرية هارتري-فوك (HF).

• مشاركة المعاملات: على عكس النهج القياسية التي تتعلم مدارات منفصلة لكل حالة، تشترك بنية "بافاتيان" المثارة في شبكة "عمود فقري" واحدة (تولد تضمينات الإلكترونات ومصفوفات المدارات $\Phi$) عبر جميع الحالات.
• تمييز الحالات: يتم تمييز الحالات فقط من خلال مصفوفات اختيار مدارية خفيفة الوزن وخاصة بكل حالة ($A_s$). تُعرف الدالة الموجية كمزيج خطي من "بافاتيان":
  $$\psi_s(r) = \sum_{k=1}^{N_k} \text{Pf}(\Phi(r)_k A_{sk} \Phi(r)_k^T)$$
• التعامد: من خلال تغيير المُحدد $A_s$ فقط (على غرار مُحدد المدار $\Pi_s$ في نظرية هارتري-فوك)، تضمن البنية التعامد بين الحالات مع تقليل عدد المعاملات وبصمة الذاكرة بشكل كبير. وهذا يتجنب الانفجار في الذاكرة المرتبط بـ $O(N_s)$ والناتج عن الأوزان المدارية المنفصلة.

ج. التقنيات المساعدة

• الالتقاط للحالة المغزلية (Spin-State Snapping): تمت إضافة حد خسارة لربط الدوال الموجية ديناميكياً بأقرب قيمة عددية صحيحة أو نصف صحيحة لخاصية المغزل ($S(S+1)$)، مما يمنع التقارب إلى تركيبات خطية من حالات مغزلية مختلفة دون الحاجة لمعرفة مسبقة بالمغزل المستهدف.
• التدريب المسبق المعمم: تم تقديم مخطط لنشر أهداف هارتري-فوك عبر سطح طاقة الجهد (PES) باستخدام رسم بياني موجه غير حلقي (DAG) ومحاذاة "بروكروستس" (Procrustes alignment)، مما يضمن استمرارية الحالة بسلاسة عبر الاضطرابات الهندسية.

3. المساهمات الرئيسية

1. توسع يقترب من الثبات: يقلل الجمع بين MSIS و"بافاتيان" المثارة من التوسع الحوسبي مع عدد الحالات من التوسع فوق الخطي ($O(N_s^3)$ إلى $O(N_s^4)$) إلى توسع يقترب من الثبات ($O(N_s^{0.14})$ تجريبياً).
2. دوال موجية متعددة الحالات ومعممة: أول طريقة قادرة على التعميم المشترك عبر الهياكل الجزيئية، والتكوينات الكيميائية، والحالات الإلكترونية ضمن شبكة عصبية واحدة.
3. استقرار التقارب: تعمل MSIS على استقرار تدريب حالات الإثارة من خلال القضاء على التباين العالي في تقديرات التداخل الذي كان يسبب سابقاً عدم استقرار في تحسين الطاقة.
4. كفاءة الذاكرة: تقلل البنية من متطلبات الذاكرة بعدة مراتب مقارنة بالتوسعات البدائية لتعدد الحالات، مما يسمح باستخدام المحسنات من الدرجة الثانية (مثل SPRING) لأعداد كبيرة من الحالات.

4. النتائج التجريبية

تم تقييم الطريقة على الذرات، الجزيئات، ومنحنيات التفكك:

• التوسع الحوسبي: في ذرة النيون، حققت الطريقة وقتاً ثابتاً تقريباً للخطوة مع زيادة عدد الحالات من 1 إلى 30، وهو ما يتناقض بشدة مع التوسع فوق الخطي في الأعمال السابقة (Pfau et al., 2024; Szabó et al., 2024).
• الدقة والكفاءة:
  • ثنائي الكربون ($C_2$): طابقت الطريقة دقة طريقة "الحالات المثارة الطبيعية" (NES) مع استخدام موارد حوسبية أقل بـ 200 مرة ونمذجة حالات أكثر بنسبة 50% (12 حالة مقابل 8).
  • ذرات وجزيئات الصف الثاني: حقق نموذج واحد تم تدريبه على ذرات Li–Ne و12 جزيئاً دقة كيميائية ($<1.6$ mHa) لـ 10 حالات لكل ذرة، باستخدام عينات أقل بـ 20–80 مرة من نهج التدريب المنفصل.
• حساب الحالات الكثيرة (البريليوم): بالاستفرد بميزة التوسع المواتية، تمكن المؤلفون من حساب جميع حالات الإثارة الـ 33 لذرة البريليوم (حتى جهد التأين) باستخدام الشبكات العصبية لأول مرة، مع أخطاء $<0.5$ mHa مقارنة ببيانات NIST.
• أسطح طاقة الجهد (PES): نجحت الطريقة في تتبع تقاطعات الحالات في منحنى تفكك $C_2$ والتواء الإيثيلين وتسطحه، متفوقة على الطرق السابقة التي فشلت في تتبع الحالات بشكل صحيح عند الهندسات الممتدة.
• تحسين الحالة الأرضية: أظهر المؤلفون أن تضمين حالات الإثارة في هدف التدريب يحسن دقة الحالة الأرضية بالقرب من تقاطعات الحالات، وهي ظاهرة غالباً ما تفشل فيها طرق الحالة الأرضية فقط بسبب الوقوع في النهايات الصغرى المحلية.

5. الأهمية

يمثل هذا العمل تحولاً جذرياً في الكيمياء الكمية العصبية:

• إمكانية حساب حالات الإثوة متعددة الأجسام: جعل حساب فضاءات حالات الإثارة عالية الأبعاد ممكناً، وهو ما كان مقيداً سابقاً بالتكلفة الحوسبية.
• نماذج التأسيس للكيمياء: من خلال تمكين نموذج واحد من التعميم عبر الهياكل والحالات، فإنه يمهد الطريق لـ "نماذج التأسيس" في الكيمياء الكمية التي يمكنها التنبؤ بخصائص الجزيئات غير المرئية والعمليات الكيمياء الضوئية المعقدة.
• التطبيقات: إن القدرة على توليد بيانات مرجعية دقيقة ومتعددة الحالات بكفاءة تفتح آفاقاً جديدة لتدريب مجالات القوة المعتمدة على تعلم الآلة، والدوال الوظيفية للكثافة، ومحاكاة الديناميكيات الكيمياء ضوئية وأطياف الامتصاص.

باختصار، تحل "بافاتيان المثارة" المشكلتين المزدوجتين المتمثلتين في تباين أخذ العينات وتكرار المعاملات في طريقة مونت كارلو التباينية العصبية، مما يتيح أول حساب قابل للتوسع، ومعمم، وعالي الدقة لحالات الإثارة عبر الأنظمة الكيميائية المتنوعة.