⚛️ quantum physics

Machine-learned, finite temperature Fermi-operator expansions suitable for GPUs and AI-hardware

تقدم هذه الورقة طريقة توسيع مؤثر فيرمي تكرارية عند درجات حرارة محدودة، معززة بالتعلم الآلي بناءً على مخطط SP2، والتي تقوم برسم خرائط حسابات البنية الإلكترونية إلى بنيات شبكات عصبية عميقة، مما يتيح تسريعاً بمقدار رتبة عشرية على وحدات معالجة الرسومات وأجهزة الذكاء الاصطناعي من خلال استخدام عمليات ضرب المصفوفات بضرب المصفوفات وتحجيم تقاربي لتجنب التقطيع الصريح وإعادة تدريب النموذج.

المؤلفون الأصليون: Stanislaw Kowalski, Christian F. A. Negre, Anders M. N. Niklasson, Kipton Barros, Joshua Finkelstein

نُشر 2026-05-12

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC0 1.0

المؤلفون الأصليون: Stanislaw Kowalski, Christian F. A. Negre, Anders M. N. Niklasson, Kipton Barros, Joshua Finkelstein

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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

الصورة الكبيرة: طريقة أسرع لمحاكاة الذرات

تخيل أنك تحاول التنبؤ بكيفية تحرك وتفاعل حشد من الناس (الإلكترونات) في غرفة (مادة ما). في عالم الفيزياء الكمية، هذا أمر صعب للغاية. للحصول على الإجابة الدقيقة، يتعين عليك عادةً حل لغز ضخم ومعقد يسمى "القطرية" (Diagonalization).

فكر في القطرية كأنك تحاول ترتيب مليون كتاب عن طريق قراءة كل صفحة في كل كتاب للعثور على الترتيب الصحيح. إنها دقيقة، لكنها تستغرق وقتاً طويلاً، خاصة كلما كبر حجم الغرفة.

لقد بنى مؤلفو هذه الورقة البحثية طريقاً مختصراً. فبدلاً من قراءة كل صفحة، أنشأوا "آلة تخمين ذكية" تتعلم كيفية ترتيب الكتب بشكل فوري تقريباً. ويطلقون عليها اسم توسيع مؤثر فيرمي المعتمد على التعلم الآلي (Machine-Learned Fermi-operator expansion).

المشكلة: الحشود الساخنة مقابل الباردة

في الماضي، كانت هذه الطرق المختصرة تعمل بشكل جيد فقط عندما يكون "الحشد" بارداً جداً (درجة حرارة صفر). في الحشد البارد، يقف الجميع ساكنين في خط منتظم يمكن التنبؤ به. الرياضيات هنا بسيطة: إما أنك داخل الخط أو لست داخله.

ومع ذلك، في العالم الحقيقي، غالباً ما تكون الأشياء "ساخنة". عندما تصبح الإلكترونات ساخنة، تصبح مضطربة. بعض الأشخاص الذين كانوا واقفين في الصف قد يخرجون منه، والبعض الآخر الذي كان ينتظر قد يدخل فيه. هذا يخلق حدوداً "ضبابية" حيث يكون الناس جزئياً في الداخل وجزئياً في الخارج.

فشلت الطرق المختصرة السابقة هنا لأنها كانت جامدة للغاية؛ لم تكن قادرة على التعامل مع "الضبابية" الناتجة عن الحشد الساخن.

الحل: تعليم الشبكة العصبية كيفية "الضغط"

أدرك المؤلفون أن الرياضيات المستخدمة لترتيب الحشد البارد تشبه تماماً هيكل الشبكة العصبية العميقة (نوع الذكاء الاصطناعي المستخدم للتعرف على الوجوه أو كتابة القصائد).

الطريقة القديمة (SP2): تخيل آلة تأخذ رقماً وتقوم إما بتربيعه ( $x^2$ ) أو تقوم بعملية طرح محددة ( $2x - x^2$ ). تكرر هذه العملية مراراً وتكراراً، "تضغط" الأرقام حتى تصبح إما 0 أو 1. هذا يعمل بشكل رائع للحشود الباردة.
الطريقة الجديدة (MLSP2): أخذ المؤلفون هذه الآلة ومنحوها "دماغاً". بدلاً من استخدام قواعد ثابتة، قاموا بتدريب الآلة باستخدام التعلم الآلي. لقد علموا الآلة كيفية ضبط "مقابضها" الداخلية (المعاملات) بحيث يمكنها التعامل مع الحشد الساخن "الضبابي" بشكل مثالي.

فكر في الأمر كالتالي:

الآلة القديمة: ختم جامد يطبع فقط "نعم" أو "لا".
الآلة الجديدة: طابعة ثلاثية الأبعاد مرنة تتعلم بالضبط كيفية تشكيل الـ "نعم" والـ "لا" لإنشاء منحنى سلس ومثالي بينهما، اعتماداً على مدى سخونة الحشد.

الخدعة السحرية: نموذج واحد يناسب درجات حرارة متعددة

عادةً، إذا قمت بتغيير درجة حرارة المحاكاة الخاصة بك، يتعين عليك إعادة تدريب نموذج الذكاء الاصطناعي الخاص بك من الصفر. وهذا يستغرق وقتاً طويلاً جداً.

اكتشف المؤلفون خدعة ذكية تسمى إعادة القياس الأفيني (Affine Rescaling).
تخيل أن لديك خريطة لمدينة ما. إذا كنت تريد التكبير أو التصغير، فأنت لا تحتاج إلى إعادة رسم المدينة بأكملها؛ بل تحتاج فقط إلى شد أو تقليص الخريطة.

وجد المؤلفون أنه يمكنهم تدريب نموذج الذكاء الاصطناعي الخاص بهم مرة واحدة فقط لمستوى "تكبير" معين (درجة حرارة وجهد كيميائي محدد). بعد ذلك، لأي درجة حرارة أخرى ضمن نطاق معين، يقومون ببساطة بـ "شد" أو "تقليص" البيانات المدخلة (مصفوفة الهاميلتوني) قبل تغذيتها للنموذج. لا يحتاج النموذج إلى إعادة تعلم أي شيء؛ فهو يرى البيانات بمقياس مختلف قليلاً ويعطي الإجابة الصحيحة.

هذا يعني أن بإمكانهم تشغيل عمليات محاكاة حيث تتغير درجة الحرارة باستمرار (مثل التفاعلات الكيميائية) دون الحاجة إلى التوقف لإعادة تدريب الذكاء الاصطناعي.

الأجهزة: استخدام رقائق الذكاء الاصطناعي للعلوم

توضح الورقة البحثية أن هذه الطريقة مبنية خصيصاً للرقائق الحاسوبية الحديثة، وخاصة وحدات معالجة الرسومات (GPUs) وأنوية تنسور (Tensor Cores) (وهي رقائق مصممة للذكاء الاصطناعي).

التشبيه: القطرية التقليدية تشبه النجار الماهر الذي ينحت كل قطعة أثاث يدوياً. إنها دقيقة ولكنها بطيئة.
الطريقة الجديدة: هذه تشبه استخدام طابعة ثلاثية الأبعاد عالية السرعة. فهي تستخدم البنية الخاصة برقائق الذكاء الاصطناعي لأداء عمليات ضرب المصفوفات الضخمة بسرعة هائلة.

اختبر المؤلفون هذا على وحدة معالجة رسومات Nvidia RTX 6000 Ada. ووجدوا أن طريقتهم كانت أسرع بـ 9 إلى 16 مرة من الطرق المعيارية المحسنة للغاية التي يستخدمها العلماء اليوم، مع الحفاظ على دقة عالية.

ملخص النتائج

السرعة: حققوا تسارعاً هائلاً (يصل إلى 16 ضعفاً) في حساب كيفية سلوك الإلكترونات في المواد، خاصة على أجهزة الذكاء الاصطناعي الحديثة.
الدقة: يمكنهم نمذجة الإلكترونات "الساخنة" (الاحتلال الجزئي) بدقة متناهية، وهو أمر لم تستطع الطرق المختصرة السابقة القيام به بشكل جيد.
الكفاءة: من خلال تدريب النموذج مرة واحدة واستخدام خدع رياضية لإعادة قياس المدخلات، يتجنبون الحاجة إلى إعادة تدريب النموذج في كل مرة تتغير فيها درجة الحرارة في المحاكاة.
لا وجود لـ "القطرية السحرية": لقد تجنبوا تماماً الرياضيات الثقيلة والبطيئة للقطرية، معتمدين بدلاً من ذلك على خطوات الضرب المتكررة والسريعة التي تعشقها رقائق الذكاء الاصطناعي.

باختصار، حول المؤلفون عملية رياضية بطيئة وجامدة إلى أداة مرنة وسريعة مدعومة بالذكاء الاصطناعي، تعمل بكفاءة عالية على رقائق الكمبيوتر الحديثة، مما يسمح للعلماء بمحاكاة المواد المعقدة بشكل أسرع بكثير من ذي قبل.

ملخص تقني: توسعات مؤثرات فيرمي عند درجات حرارة محدودة باستخدام التعلم الآلي

بيان المشكلة
تعتبر حسابات البنية الإلكترونية، لا سيما ضمن نظرية وظيفية الكثافة لكوهن-شام (KS-DFT)، محدودة حوسبياً بسبب التكلفة التكعيبية لقطر مصفوفة الهاملتوني لحل مسألة القيم الذاتية. وبينما توفر مخططات توسيع مؤثر فيرمي التكرارية، مثل طريقة الإسقاط الطيفي من الدرجة الثانية (SP2)، وسيلة لحساب مصفوفة الكثافة مباشرة دون الحاج من عملية القطر، فإن التطبيقات الفعالة الحالية تقتصر على درجة الحرارة الإلكترونية عند الصفر. عند درجة حرارة الصفر، تكون مصفوفة الكثافة متطابقة (الاحتلالات تكون 0 أو 1 تماماً). ومع ذلك، تتطلب العديد من الأنظمة الفيزيائية — مثل المعادن أو الأنظمة عند درجات حرارة إلكترونية مرتفعة — احتلالات مدارية كسرية لنمذجة الحالات الذاتية المتدهورة أو التلطيخ الحراري بدقة.

وقد تضمنت المحاولات السابقة لتعميم طريقة SP2 لتشمل درجات الحرارة المحدودة قطع التوسع التكراري لإدخال التلطيخ الحراري. ومع ذلك، فإن هذه التوسعات المقطوعة هي بطبيعتها تقريبية، وتفشل في إعادة إنتاج دالة فيرمي بدقة، لا سيما بالقرب من الجهد الكيميائي حيث تكون الدقة أمراً حاسماً. أما الطرق البديلة مثل توسعات تشيبيشيف أو تقريبات بادي، فقد تتطلب رتباً متعددة الحدود عالية جداً لقمع تذبذبات غيبس، أو تسبب عبئاً حوسبياً كبيراً بسبب الحاجة إلى حلول متكررة للأنظمة الخطية.

المنهجية
يقترح المؤلفون إطار عمل يعمم طريقة SP2 التكرارية لتشمل درجات الحرارة المحدودة من خلال إسقاط بنيتها الجبرية على بنى الشبكات العصبية العميقة (DNN). وتتمثل الرؤية الجوهرية في أن تحديثات SP2 التكرارية تشبه طبقات الشبكة العصبية. ومن خلال معاملة معاملات التوسع كأوزان وانحيازات قابلة للتدريب، صاغ المؤلفون نماذج تعلم آلي قادرة على تقريب دالة توزيع فيرمي مع احتلالات كسرية عند درجات حرارة تعسفية.

المكونات المنهجية الرئيسية تشمل:

بنى الشبكات العصبية:
- MLSP2 (النسخة المتعلمة آلياً من SP2): وهي تعميم لطريقة SP2 حيث تُستبدل قواعد التحديث التربيعية ( $X^2$ أو $2X-X^2$ ) بمتعددات حدود تربيعية قابلة للتعلم ( $ax^2 + bx + c$ ) مع حد تراكمي. وهذا يسمح للنموذج بتقريب التلطيخ الحراري الدقيق لدالة فيرمي بدلاً من دالة الخطوة المقطوعة.
- Max-SP2: بنية أكثر تعبيراً تتضمن "وصلات تخطي" (skip connections)، حيث تكون كل طبقة هي مربع لمزيج خطي من جميع الطبقات السابقة.
- Skip-SP2: نسخة مضغوطة من Max-SP2 تستخدم ذاكرة محدودة للطبقات الأخيرة والمراكمات لتحقيق التوازن بين القدرة التعبيرية واستهلاك الذاكرة.
تقريب الإنتروبيا:
قام المؤلفون أيضاً بتطوير مخطط تكراري لتقريب دالة الإنتروبيا الإلكترونية $s(x)$ ، الضرورية لحساب الطاقة الحرة الإلكترونية. وقد استخدموا ناتج ضرب مدروس لدالة فيرمي ومتممها $f(x)(1-f(x))$ كتقدير أولي، والذي يتم صقله عبر توسيع تربيعي تكراري مُدرب ليتوافق مع المشتق الثاني للإنتروبيا الحقيقية عند الجهد الكيميائي.
التدريب والتحسين:
تُدرب النماذج على مدخلات قياسية ضمن الفترة $[0, 1]$ بدلاً من المصفوفات الكاملة، باستخدام خوارزمية ليفنبرغ-ماركواتد مع تسارع جيوديسي. ويتم أخذ عينات من بيانات التدريب بوزن يتناسب مع مشتق دالة فيرمي لتقليل الخطأ الأقصى بالقرب من الجهد الكيميائي.
إعادة القياس الأفيني والقابلية للنقل:
يعد استخدام إعادة القياس الأفيني (Affine Rescaling) ابتكاراً حاسماً لإلغاء الحاجة إلى إعادة التدريب عند تغير بارامترات المحاكاة. فمن خلال تطبيع الهاملتوني ( $H'$ )، والجهد الكيميائي ( $\mu'$ )، ودرجة الحرارة العكسية ( $\beta'$ )، يمكن لنموذج واحد مُدرب عند بارامترات محددة $(\beta_0, \mu_0)$ أن يُطبق على "منطقة صلاحية" واسعة من البارامترات الأخرى. ويتحقق ذلك من خلال إعادة قياس الهاملتوني المدخل ليتوافق مع ظروف التدريب، مما يسمح باستخدام نفس مجموعة الأوزان عبر درجات حرارة وجهود كيميائية متغيرة أثناء المحاكاة.
التنفيذ على الأجهزة:
تم تحسين الخوارزميات للعمل على وحدات معالجة الرسومات الحديثة وأجهزة الذكاء الاصطناعي (تحديداً NVIDIA Tensor Cores). ويستفيد المؤلفون من الحسابات ذات الدقة المختلطة (FP16/FP32) لإجراء عمليات تربيع المصفوفات بكفاءة، مع استغلال تماثل الهاملتوني لتقليل عدد عمليات الضرب ونقل البيانات.

النتائج الرئيسية

الدقة: تحقق نماذج MLSP2 أخطاءً في حدود $10^{-7}$ في تقريب دالة فيرمي، مما يتفوق بشكل كبير على طرق SP2 المقطوعة (التي تصل أخطاؤها إلى $10^{-2}$ ) ويضاهي دقة القطر ثنائي الدقة في العديد من المجالات.
الأداء: على وحدة معالجة الرسومات NVIDIA RTX 6000 Ada، أظهر نهج MLSP2 تسريعاً بمقدار 16 ضعفاً مقارنة بالقطر ثنائي الدقة (باستخدام cuSOLVER) للمصفوفات متوسطة الحجم، وتسريعاً بمقدار 9 أضعاف للمصفوفات الأكبر. وحتى عند مقارنتها بالقطر أحادي الدقة، يوفر MLSP2 تسريعاً يتراوح بين 2 إلى 5 أضعاف مع الحفاظ على استقرار ودقة فائقين.
القابلية للتوسع: تعتمد الطريقة حصرياً على عمليات ضرب المصفوفات المحسنة للغاية، متجنبة عملية القطر الصريح. كما أن عدد الطبقات المطلوبة لتحقيق دقة مستهدفة يتناسب لوغاريتمياً مع مقلوب درجة الحرارة ( $\beta$ )، مما يسمح بالحساب الفعال حتى عند درجات الحرارة المنخفضة.

الأهمية والادعاءات
يدعي البحث أن هذا النهج يوفر حلاً قوياً وقابلاً للتعميم لحسابات البنية الإلكترونية عند درجات حرارة محدودة، وهو ما يتجنب الاختناقات الحوسبية لعملية القطر. ومن خلال تعميم SP2 عبر التعلم الآلي، يُمكّن المؤلفون من حساب مصفوفات الكثافة للأنظمة ذات الاحتلالات الكسرية بتكلفة أقل بكثير من الطرق التقليدية.

تكمن الأهمية في القدرة على إجراء محاكاة ديناميكية للأنظمة ذات درجات الحرارة المحدودة (مثل الديناميكا الجزيئية الكمية) حيث يتذبذب الجهد الكيميائي ودرجة الحرارة الإلكترونية بين الخطوات الزمنية. وتضمن استراتيجية إعادة القياس الأفيني إمكانية إعادة استخدام نموذج واحد مُدرب مسبقاً طوال المحاكاة دون الحاجة لإعادة التدريب، مما يجعل الطريقة عملية للتطبيقات واسعة النطاق. علاوة على ذلك، تم تصميم هذا النهج خصيصاً لاستغلال خصائص الأداء لأجهزة الذكاء الاصطنا الحديثة (Tensor Cores)، مما يوفر تسريعاً كبيراً فوق برامج القطر المُحسنة من قبل الشركات المصنعة مع الحفاظ على دقة عددية عالية.