Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys

ملخص تقني: الشبكة العصبية الرسومية الكريستالية الكسرية للتنبؤ بطاقة السبائك عالية الإنتروبيا

بيان المشكلة
تتمتع السبائك عالية الإنتروبيا (HEAs) بخصائص ميكانيكية وحرارية ومقاومة للإشعاع استثنائية، ومع ذلك فإن فضاء تركيبها الواسع يجعل الاستكشاف والتحسين المنهجيين أمراً صعباً. فالطرق التجريبية التقليدية مكلفة للغاية وتستغرق وقتاً طويلاً، بينما تواجه النهج الحسابية الحالية قيوداً؛ فحسابات المبادئ الأولى (DFT) دقيقة ولكنها مكثفة حاسوبياً، وفي المقابل، غالباً ما تعتمد نماذج التعلم الآلي التقليدية، مثل التوسع العنقودي ونماذج التفاعل الزوجي الفعال، على مجموعات بيانات ذات تركيب ثابت، مما يحد من قدرتها على التعميم عبر مشهد السبائك عالية الإنتروبيا المتوسع. هناك حاجة لنموذج يجمع بين دقة طرق المبادئ الأولى وكفاءة التعلم الآلي، ويكون قادراً على التعامل مع كامل فضاء التركيب والبيئات الذرية المتغيرة.

المنهجية
يقترح المؤلفون الشبكة العصبية الرسومية الكريستالية الكسرية (CrysFracGNN)، وهي بنية هجينة مصممة للتنبؤ بالطاقة الكلية للهياكل البلورية للسبائك عالية الإنتروبيا. تم اختبار النموذج خصيصاً على نظام Mo-Nb-Ta-W عالي الإنتروبيا، والذي يظهر بنية مكعبة مركزية الجسم (BCC). تتضمن المنهجية ثلاثة مكونات أساسية:

1. CrystalGNN (البيئة المحلية): تستخدم هذه الوحدة طبقات شبكة الانتباه الرسومية (GAT) لتعلم التفاعلات المحلية بين الذرات داخل الشبكة البلورية. وتحديداً، تقوم بمعالجة خلية فائقة (supercell) من نوع BCC مكونة من 16 ذرة (تكوين B2). يحول النموذج الميزات الذرية إلى رسم بياني حيث تمثل العقد الذرات وتمثل الحواف الاتصالات بناءً على المسافات بين الذرات. يتم تعيين أوزان الحواف بناءً على عتبات المسافة (على سبيل المثال، <0.45 Å مقابل 0.45–0.55 Å) لالتقاط تفاعلات الجيران الأقرب. تستخدم الشبكة تجميع المتوسط عبر القنوات (channel-wise mean pooling) لتجميع ميزات العقد في متجه ثابت الحجم.
2. FractionFNN (التركيب العالمي): هي شبكة عصبية متصلة بالكامل تشفر المعلومات التركيبية العالمية. تأخذ متجهاً رباعي الأبعاد يمثل التواجد الكسري لعناصر Mo وNb وTa وW (يتراوح من 0 إلى 1) وتولد تضميناً تركيبياً.
3. ConcatFNN (دمج الميزات): هذه الشبكة المتصلة بالكامل النهائية تدمج مخرجات كل من CrystalGNN وFractionFNN. فهي تجمع التمثيل الهيكلي المحلي مع السياق الكيميائي العالمي للتنبؤ بطاقة البلورة الكلية.

البيانات والتدريب
تم تدريب النموذج على مجموعة بيانات مكونة من 1,049 هيكلاً بلورياً، تشمل هياكل رباعية، وثلاثية، وثنائية، وأحادية العنصر، بما في ذلك 605 تكوينات منخفضة الطاقة لضمان الدقة في النطاقات المفضلة طاقياً. تم إجراء التحقق من الصحة على 198 هيكلاً رباعياً. تم تحسين المعلمات الفائقة باستخدام Optuna عبر 100 تجربة، باختيار أفضل نموذج بناءً على أدنى متوسط مربع خطأ (MSE) للتحقق من الصحة. استخدم التدريب مُحسّن Adam مع جدولة معدل التعلم والتوقف المبكر.

النتائج الرئيسية

• الدقة في الهياكل القياسية: حقق النموذج جذر متوسط مربع الخطأ (RMSE) قدره 0.00139 إلكترون فولت/ذرة على بيانات الاختبار، وهو ما يضاهي RMSE المرجعي البالغ 0.001 إلكترون فولت/ذرة الذي يمكن تحقيقه عبر المحاكاة. وهذا يشير إلى أن النموذج يمكنه التنبؤ بطاقات البلورات بدقة تقارب حسابات المبادئ الأولى.
• الأداء في الطاقة المنخفضة: بالنسبة لتكوينات الاختبار منخفضة الطاقة، أظهر النموذج دقة أعلى، حيث حقق RMSE قدره 0.00054 إلكترون فولت/ذرة، متجاوزاً بذلك معيار المحاكاة.
• متانة التماثل: أظهر النموذج متانة عالية تجاه التحويلات التي تحافظ على التماثل (الدوران وعمليات المرآة)، كما يتضح من الاتساق بين بيانات التدريب، والتحقق، والبيانات المختبرة المولدة بالتماثل.
• قيود القابلية للتوسع: عند اختباره على خلايا فائقة أكبر (54 ذرة و1024 ذرة)، تدهورت أداء النموذج بشكل كبير. ارتفع RMSE إلى 0.00301 إلكترون فولت/ذرة للهياكل المكونة من 54 ذرة، وإلى 0.0162 إلكترون فولت/ذرة للهياكل المكونة من 1024 ذرة. يعزو المؤلفون ذلك إلى أن النموذج تم تدريبه حصرياً على خلايا مكونة من 16 ذرة، مما جعله يفتقر إلى الارتباطات طويلة المدى والتفاعلات التراكمية الموجودة في الخلايا الأكبر. بالإضافة إلى ذلك، تتراكم أخطاء التنبؤ لكل ذرة في الأنظمة الأكبر، ولوحظ وجود انحياز منهجي (نقص في التقدير لـ 1024 ذرة وزيادة في التقدير لـ 54 ذرة).

الأهمية والادعاءات
يزعم البحث أن CrysFracGNN ينجح في دمج دقة التعلم الآلي المتقدم مع كفاءة النماذج التقلية الموضعية. ومن خلال الفصل الصريح ثم الدمج بين ميزات البيئة الذرية المحلية والكسور التركيبية العالمية، يقدم النموذج بديلاً عملياً لمحاكاة المبادئ الأولى المباشرة لتقدير طاقات البلورات. وهذا يتيح تقييماً أسرع بكثير للهياكل المرشحة، لا سيما لتكوينات الطاقة المنخفضة الحاسمة في اكتشاف المواد. ومع ذلك، يقر المؤلفون بتواضع بأن النموذج الحالي محدود بأحجام أنظمة محددة ويتطلب عملاً مستقبلياً لمعالجة قضايا القابلية للتوسع وتوسيع نطاق التطبيق لأنظمة بلورية أكثر تعقيداً وأكبر حجماً.