🤖 machine learning

Generating Physically Consistent Molecules with Energy-Based Models

تقدم الورقة البحثية EBMol، وهو نموذج قائم على الطاقة يستعيد الانحياز الاستقرائي الفيزيائي لتوليد الجزيئات ثلاثية الأبعاد عبر تعلم جهد قياسي مضاف للذرات من خلال هدف مستوحى من التدفق، محققاً أداءً هو الأفضل في فئته على مجموعتي بيانات QM9 وGEOM-Drugs مع تمكين التصنيف النوعي المبدئي والتصميم القابل للتحكم في وضع الصفر.

المؤلفون الأصليون: Christoph Griesbacher, Lea Bogensperger, Andreas Habring, Thomas Pock

نُشر 2026-05-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Christoph Griesbacher, Lea Bogensperger, Andreas Habring, Thomas Pock

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 تعليم حاسوب كيفية تصميم جزيئات جديدة، مثل هياكل "ليغو" متناهية الصغر مكونة من ذرات. الهدف هو إنشاء جزيئات مستقرة وممكنة فيزيائياً، وليست مجرد تجمعات عشوائية من الكتل التي قد تتفكك بمجرد لمسها.

تعتمد معظم طرق الذكاء الاصطناعي الحالية لهذه المهمة على أسلوب يشبه نظام الملاحة عبر نظام تحديد المواقع العالمي (GPS). فهي تتعلم مساراً من "الفوضى" (الضجيج العشوائي) إلى "الوجهة" (جزيء صالح). وهي بارعة جداً في إيصالك إلى هناك، لكن بمجرد وصولك، لا تفهم حقاً "لماذا" تعد هذه الوجهة مكاناً جيداً. لا يمكنها بسهولة معرفة ما إذا كانت نسخة مختلفة قليلاً من الجزيء أفضل أو أسوأ، كما لا يمكنها بسهولة دمج أجزاء من جزيئين مختلفين لصنع جزيء جديد دون إعادة تدريب النظام بأكره.

أما EBMol فهو نهج جديد يغير قواعد اللعبة. فبدلاً من تعلم المسار، يتعلم المشهد الطبيعي (Landscape).

المشهد الطاقي: سلسلة جبال من الجزيئات

تخيل أن جميع الترتيبات الممكنة للذرات هي سلسلة جبال ثلاثية الأبعاد عملاقة.

الأودية تمثل جزيئات مستقرة وحقيقية. وكلما كان الوادي أعمق، كان الجزيء أكثر استقراراً.
الجبال تمثل هياكل غير مستقرة، أو مستحيلة، أو "محطمة".

في الفيزياء، تستقر الجزيئات طبيعياً في أعمق الأودية (وهذا ما يسمى "توزيع بولتزمان"). تكمن المشكلة في أن رسم هذه الخريطة الجبلية من البيانات أمر صعب للغاية. المحاولات السابقة إما استسلمت عن رسم الخريطة تماماً (باستخدام طريقة الـ GPS المذكورة) أو حاولت رسمها لكنها تعثرت لأن الخريطة كانت وعرة ومربكة للغاية ويصعب التنقل فيها.

كيف يرسم EBMol الخريطة

قدم المؤلفون طريقة تدريب جديدة تسمى مطابقة المجال المسترد (Restoring Field Matching - RFM).

تخيل أن لديك ورقة مطاطية ناعمة تمثل المشهد الطاقي. تضع كرة ثقيلة (جزيء حقيقي) على الورقة. أنت تريد للورقة أن تنخفض تماماً تحت الكرة، لتخلق وادياً مثالياً.

الطرق القديمة حاولت تخمين شكل الانخفاض من خلال النظر إلى الكرة من مسافة بعيدة، وغالباً ما كانت تخطئ في تقدير الشكل.
طريقة EBMol تشبه وجود رياح سحرية. تهب هذه الرياح من كلا الجانبين باتجاه الكرة نحو المركز. إذا كنت على يسار الجزيء، فإن الرياح تدفعك نحو اليمين. وإذا كنت على اليمين، فإنها تدفعك نحو اليسار. وإذا كنت فوق أو تحت، فإنها تدفعك للأسفل.

من خلال تدريب الذكاء الاصطناعي على إنشاء هذه "الرياح المستردة" التي تشير دائماً للعودة إلى الجزيئات الحقيقية، يتعلم الذكاء الاصطناعي تلقائياً نحت أودية مثالية (نقاط صغرى محلية) حيث توجد البيانات الحقيقية. وهو يفعل ذلك دون الحاجة إلى تشغيل عمليات محاكاة فيزيائية مكلفة خلال مرحلة التدريب.

التنقل في الخريطة: السائر المرآتي (The Mirror Walker)

بمجرد رسم الخريطة، تحتاج إلى وسيلة للمشي عبرها للعثور على جزيئات جديدة. خوارزميات المشي القياسية (مثل ديناميكيات لانجفان) تعمل بشكل جيد على الأرض المسطحة (الإحداثيات)، لكنها تواجه صعوبة عندما تصطدم بجدار (مثل القواعد التي تنص على أن احتمالية ذرة ما يجب أن تساوي 100%).

يستخدم EBMol خدعة ذكية تسمى خوارزمية لانجفان المرآتية (Mirror Langevin Algorithm).

تخيل أنك تسير في غرفة ذات جدران منحنية. إذا حاولت السير في خط مستقيم، فقد تصطدم بالجدار.
طريقة "المرآة" تشبه ارتداء نظارات خاصة تجعل الغرفة المنحنية تبدو مسطحة بالنسبة لك. أنت تسير في خط مستقيم في "عالم المرآة"، وعندما تنزع النظارات، تدرك أنك في الواقع قد مشيت على طول انحناء الجدار بشكل مثالي.
يسمح هذا للذكاء الاصطناعي بتحديث كل من موقع الذرات (أين توجد) ونوعها (سواء كانت كربوناً، أو أكسجيناً، إلخ) في آن واحد وبشكل صحيح، دون كسر قواعد الكيمياء.

لماذا يهم هذا الأمر: "القوة الخارقة" للخريطة

لأن EBMol يتعلم بالفعل خريطة الطاقة (الـ "لماذا" وراء الجزيء)، فإنه يكتسب قوى خارقة لا تمتلكها نماذج أسلوب الـ GPS:

التصنيف والترشيح: يمكنك توليد 1,000 جزيء وتصنيفها فوراً. الجزيئات ذات الطاقة الأقل (الأودية الأعمق) هي الأفضل. إنها تشبه وجود مفتش مراقبة جودة يعرف بالضبط أي الجزيئات سليمة فيزيائياً.
الخلط والمطابقة (التوليد القابل للتركيب): بما أن الطاقة هي مجرد مجموع أجزاء، يمكنك أخذ "خريطة الطاقة" لشكل معين (مثل الكرة) ودمجها مع خريطة جزيء دواء. يقوم الذكاء الاصطناعي بعد ذلك بالسير في المسار الذي يلبي كلا الشرطين. يمكنك أن تطلب "دواءً كروياً" وسيقوم بتوليده، حتى لو لم يسبق له رؤية دواء كروي في بيانات التدريب الخاصة به.
تصميم الرابط بنظام "الصفر المعرفي" (Zero-Shot Linker Design): تخيل أن لديك نصفين لجزيء (مثل قطعتي أحجية/بازل) وتحتاج إلى تصميم القطعة الوسطى لربطهما. يمكن لـ EBMol ملء الفراغ الأوسط عن طريق "المشي" في مشهد الطاقة للعثور على اتصال مستقر، دون الحاجة إلى إعادة تدريبه لهذا اللغز المحدد.

النتائج

تظهر الورقة البحثية أن EBMol ينشئ جزيئات ليست صالحة فحسب، بل هي أيضاً أقرب فيزيائياً إلى الحالة المستقرة "المثالية" من أي طريقة سابقة لم تكن تنمذج الروابط الكيميائية بشكل صريح. لقد حقق درجات عالية في الاختبارات القياسية (QM9 و GEOM-Drugs)، والأهم من ذلك، أن الجزيئات التي ولدها تتطلب قدرًا أقل بكثير من "الاسترخاء" (التعديل الفيزيائي) لتصبح مستقرة.

باختد، يتوقف EBMol عن معاملة توليد الجزيئات كلعبة "تخمين الوجهة" ويحولها إلى لعبة "التنقل في مشهد فيزيائي"، مما يمنح الذكاء الاصطناعي فهماً أعمق وأكثر حدسية للكيمياء.

ملخص تقني: توليد جزيئات متسقة فيزيائياً باستخدام نماذج الطاقة (Energy-Based Models)

بيان المشكلة

تخضع الحالات الجزيئية عند التوازن الحراري لتوزيع بولتزمان، $p(x) \propto \exp(-E(x)/(k_BT))$ ، حيث يتحدد احتمال التشكيل بناءً على طاقته الكامنة. وبينما تحتوي مجموعات البيانات القياسية لتوليد الجزيئات (مثل QM9 وGEOM-Drugs) على هياكل مُحسّنة هندسياً ومسترخية عند الحد الأدنى للطاقة المحلية، إلا أنها ليست مستمدة من توزيع بولتزمان؛ بل تعكس تردداتها النسبية استراتيجيات التعداد بدلاً من الأوزان الديناميكية الحرارية. وبناءً على ذلك، فإن مشهد الطاقة القياسي (scalar energy landscape) حيث تتوافق القيم الدنيا مع التشكيلات المستقرة هو الهدف الطبيعي للنمذجة.

ومع ذلك، لا تزال عملية تعلم هذه المشاهد وأخذ العينات منها تمثل تحديات مفتوحة. تتطلب نماذج الطاقة التقليدية (EBMs) بيانات موزعة وفق توزيع بولتزمان للتدريب، أو تعتمد على طرق ماركوف (MCMC) المكلفة التي تواجه صعوبة في عبور المناطق غير الفيزيائية الوعرة بين الضجيج والهياكل الصالحة. وفي المقابل، تتجنب نماذج الانتشار (diffusion) ونماذج مطابقة التدفق (flow-matching) الحديثة هذه المشكلات عبر تعلم حقول النقل المشروطة بالزمن. ورغم فعاليتها، تفقد هذه النماذج الانحياز الاستقرائي للطاقة (energy inductive bias)، حيث لا توفر دالة طاقة صريحة لتقييم أو ترتيب أو تركيب التشكيلات أثناء الاستدلال.

المنهجية: EBMol

قدم المؤلفون EBMol، وهو نموذج قائم على الطاقة (EBM) لتوليد الجزيئات ثلاثية الأبعاد يستعيد الانحياز الاستقرائي للطاقة دون الحاجة إلى محاكة صريحة أثناء التدريب. يتكون الإطار من مكونين أساسيين:

1. مطابقة المجال المسترد (RFM) للتدريب

لتعلم مشهد طاقة قابل للتتبع $E_\theta(x)$ دون الحاجة إلى بيانات موزعة وفق توزيع بولتزمان، اقترح المؤلفون مطابقة المجال المسترد (Restoring Field Matching - RFM).

المفهوم: بدلاً من معاملة نقاط البيانات كنقاط نهاية للمسارات (كما في مطابقة التدفق القياسية)، يقوم RFM بتوسيع فاصل الاستكمال (interpolation interval) إلى $t \in [-1, 1]$ ، بحيث يمر عبر البيانات عند $t=0$ .
بناء المجال المستهدف: يتم تدريب النموذج لمطابقة التدرج السالب للطاقة، $-\nabla E_\theta(x_t)$ ، مع مجال استرداد مستهدف $u$ . يشير هذا المجال نحو البيانات $x_0$ من كلا الجانبين (الاستكمال $t \in [0, 1]$ والاستكمال الخارجي $t \in [-1, 0]$ ).
الثبات (Stationarity): تقوم دالة تنعيم $b(|t|)$ بتغيير حجم المجال المستهدف بحيث يتلاشى عند $t=0$ (نقطة البيانات)، مما يضمن أن تصبح نقاط البيانات قيمًا دنيا محلية في مشهد الطاقة المتعلم.
التنظيم (Regularization): يعمل مصطلح تنظيم لكل ذرة على تثبيت قيم الطاقة لنقاط البيانات النظيفة نحو الصفر لمنع التحيز العميق الاصطناعي في العينات.
التعامل مع فضاء الحالة: يتعامل الأسلوب مع الحالات المختلطة المستمرة والمنفصلة ( $x = (c, p)$ ، حيث $c$ هي الإحداثيات و $p$ هي أنواع الذرات) عن طريق تعريف مستكملات منفصلة: مسارات خطية للإحداثيات (محاذية عبر النقل الأمثل) ومسارات قائمة على الانعكاس للميزات الفئوية للبقاء ضمن الـ (simplex).

2. خوارزمية مرآة لانجفان (Mirror-Langevin Algorithm - MLA) لأخذ العينات

لأخذ عينات من التوزيع المتعلم $p_\theta(x) \propto \exp(-E_\theta(x)/\tau)$ ، قام المؤلفون بتكييف خوارزمية مرآة لانجفان.

التحديثات الموحدة: تدفع ديناميكيات لانجفان القياسية أنواع الذرات خارج الـ (probability simplex). تحل MLA هذه المشكلة عبر إجراء التحديثات في فضاء مزدوج غير مقيد ثم الإسقاط عبر خريطة مرآة.
- بالنسبة للإحداثيات المستمرة، يختزل الجهد الإقليدي (Euclidean potential) خوارزمية MLA إلى خوارزمية لانجفان غير المعدلة.
- بالنسبة لأنواع الذرات الفئوية، تقوم دالة الإنتروبيا السالبة برسم الـ (simplex) إلى فضاء الـ (logit)، مع استخدام دالة (softmax) للإسقاط مرة أخرى.
التبديل المتوازي (Parallel Tempering): لمعالجة صعوبة عبور مشاهد الطاقة الوعرة، استخدم المؤلفون التبديل المتوازي مع سلاسل متعددة عند درجات حرارة مختلفة. تسمح عمليات تبديل "ميتروبوليس-هستينغز" الدورية للسلاسل "الساخنة" بالاستكشاف الواسع، وللسلاسل "الباردة" بالتحسين، مما يتيح توسيع الحوسبة أثناء الاستدلال.

المساهمات الرئيسية

مطابقة المجال المسترد (RFM): هدف تدريب خالٍ من المحاكاة يشكل مشهد طاقة مضاف للذرات (atom-additive) حيث تكون نقاط البيانات قيمًا دنيا محلية. يقدم المؤلفون ضمانات نظرية فيما يتعلق بوجود ووحدانية الحل ويصفون السلوك تحت تأثير قوة التنظيم المتغيرة.
إطار أخذ عينات مرآة لانجفان: أول إطار موحد لـ (Langevin) للنماذج التوليدية العميقة ذات الهندسة المختلطة، حيث يجمع بين تحديثات الإحداثيات وتحديثات أنواع الذرات المقيدة بالـ (simplex) في خطوة واحدة، مدعومة بالتبديل المتوازي.
أداء رائد (State-of-the-Art): يحقق EBMol نتائج رائدة على معايير QM9 وGEOM-Drugs، مما يثبت أن نمذجة الطاقة يمكن أن تضاهي جودة التوليد لنماذج الانتشار/مطابقة التدفق مع تقديم قدرات إضافية.

النتائج التجريبية

تم تقييم النموذج على QM9 (134 ألف جزيء صغير) و GEOM-Drugs (430 ألف جزيء شبيه بالدواء).

جودة التوليد: في QM9، يتفوق EBMol (مع 1810 تقييمات لدالة الشبكة) على جميع النماذج المرجعية في استقرار الذرات والجزيئات، محققاً 99.76% و97.09% على التوالي. وفي GEOM-Drugs، يتفوق EBMol بشكل كبير على النموذج المرجعي القوي SLDM، ليصل إلى 98.68% لاستقرار الذرات و61.42% لاستقرار الجزيئات عند ميزانيات حوسبة عالية.
الاتساق الفيزيائي: يعمل مشهد الطاقة المتعلم كمقياس جودة مبدئي. يحقق EBMol متوسط طاقة استرخاء قدره 1.78 كيلو كالوري/مول في GEOM-Drugs، وهو أقل بمقدار رتبة عشرية من النماذج السابقة التي تعتمد على الروابط (bond-implicit) ومنافس للنماذج التي تعتمد على الروابط الصريحة (bond-explicit) مثل Megalodon، رغم امتلاكه لعدد بارامترات أقل بـ 18 ضعفاً ودون إشراف صريح على الروابط.
الارتباط مع الطاقة الفيزيائية: ترتبط الطاقة المتعلمة بشكل كبير ( $r=0.65$ ) مع انخفاض الطاقة عند الاسترخاء باستخدام GFN2-xTB، مما يسمح للنموذج بالعمل كمرشح خفيف للأشكال الهندسية المجهدة فيزيائياً.
التوليد القابل للتحكم:
- توجيه الشكل (Shape Steering): من خلال تركيب جهد الشكل المتعلم مع جهود شكل قابلة للاشتقاق (خطية، مستوية، كروية)، يمكن للنموذج توجيه التوليد نحو الأشكال غير الممثلة بكثرة دون إعادة تدريب.
  ما تصميم الرابط الصفري (Zero-Shot Linker Design): تسمح الطبيعة المضافة للطاقة بالتوليد الشرطي عبر تثبيت أجزاء جزيئية. يحقق EBMol نسبة نجاح 73.9% في مهام تصميم الروابط عبر مستويات تعقيد مختلفة دون تدريب خاص بالمهمة.

الأهمية والادعاءات

يزعم البحث أن EBMol يظهر إمكانات نماذج الطاقة كإطار عمل متعدد الاستخدامات لتوليد الجزيئات ثلاثية الأبعاد. تكمن أهميته الأساسية في استعادة الانحياز الاستقرائي للطاقة الذي فقدته النماذج المشروطة بالزمن، مما يتيح:

التقييم ذو المعنى الفيزيائي: القدرة على ترتيب وتصفية العينات المولدة بناءً على دالة طاقة صريحة.
التوليد القابل للتركيب: القدرة على توجيه التوليد عبر تركيب الجهود (مثل توجيه الشكل) والقيام بالتوليد الشرطي الصفري (مثل تصميم الروابط) دون إعادة تدريب.
توليد عالي الجودة: تحقيق استقرار وصلاحية رائدة مع توليد هياكل قريبة بشكل مدهش من القيم الدنيا الفيزيائية المحلية، مما ينافس النماذج التي تمتلك إشرافاً صريحاً على الروابط.

يشير المؤلفون إلى وجود قيود، بما في ذلك حساسية خوارزمية أخذ العينات للمعلمات الفائقة (hyperparameters) والحاجة الحالية لميزانيات حوسبة كبيرة (NFEs) لتحقيق النتائج المثلى. ويقترحون أن العمل المستقبلي يمكن أن يركز على معايرة الطاقة مقابل الكميات الفيزيائية (DFT/GFN2-xTB) ودمج أخذ عينات أكثر تطوراً.