M\=oLe-{\Lambda}: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties

ملخص تقني: M¯oLe-Λ

بيان المشكلة
تُعد نظرية المجموعات المقترنة (Coupled-cluster theory)، وتحديداً نوع CCSD (السينجل والدبلز)، المعيار الذهبي للحسابات الدقيقة لخصائص الحالة الأرضية في الكيمياء الكمية. ومع ذلك، فإن تكلفتها الحسابية تتناسب طردياً مع $O(N^6)$، مما يحد من تطبيقها الروتيني على الأنظمة الصغيرة. وبينما نجحت مناهج التعلم الآلي (ML) الحديثة في التنبؤ بالطاقات والقوى، أو تعلم الكثافات والهاملتونيان، إلا أنها غالباً ما تفشل في تمثيل حالة استجابة المجموعات المقترنة الكاملة بشكل مباشر. وبشكل محدد، لا تستطيع نماذج التعلم الآلي القياسية المدربة على الطاقات وسعات الطرف الأيمن ($T$) وحدها استعادة الملاحظات "المسترخية" (relaxed observables)—مثل التدرجات التحليلية، وكثافات الاستجابة، والاستقطابيات، وخصائص الإلكترونين—والتي تعتمد جوهرياً على سعات الطرف الأيسر المرافقة ($\Lambda$). وبدون $\Lambda$، تتطلب هذه الخصائص معالجة لاحقة مكلفة أو لا يمكن حسابها بدقة من النموذج المتعلم.

المنهجية
يقدم البحث M¯oLe-Λ، وهو امتداد لإطار عمل تعلم المدارات الجزيئية (M¯oLe) المصمم للتنبؤ بحالة استجابة المجموعات المقترنة الكاملة للحالة الأرضية. تتعلم الطريقة كلاً من سعات الإثارة للطرف الأيمن ($T_1, T_2$) وسعات إلغاء الإثارة للطرف الأيسر ($\Lambda_1, \Lambda_2$) مباشرة من المدارات الجزيئية (MOs) الموضعية لهارتري-فوك (Hartree–Fock).

• البنية: تحتفظ البنية بمشفر المدارات المتكافئ لـ M¯oLe، والذي يعالج المدارات الجزيئية الموضعية من خلال عمود فقري مشترك من انتباه المدار الجزيئي وتحديثات Odd-MACE. يضمن هذا التكافؤ الدوراني للمدخلات والتكافؤ الإشاري فيما يتعلق بقلب طور المدار.
• القراءات المزدوجة: تم تعزيز البنية بأربعة رؤوس قراءة متميزة: رأسان لسعات $T$ ($T_1, T_2$) ورأسان لسعات $\Lambda$ ($\Lambda_1, \Lambda_2$). تحاكي رؤوس $\Lambda$ قيود التماثل الخاصة برؤوس $T$.
• استراتيجية التدريب: يتم تدريب النموذج لتقليل متوسط مربع الخطأ بين السعات المتوقعة والمرجعية. ولتحسين كفاءة البيانات، يستخدم المؤلفون استراتيجية التدريب المتبقي (residual training) حيث يتعلم النموذج التصحيح ($\Delta$) بين سعات CCSD وسعات MP2 الاضطرارية، بدلاً من السعات الخام. يستفيد هذا من الهيكل الاضطراري منخفض الرتبة الطبيعي كأولوية مسبقة.
• إعادة بناء الخصائص: بمجرد التنبؤ بالسعات، تُشتق جميع الخصائص اللاحقة عبر إجراءات معالجة لاحقة قياسية للمجموعات المقترنة بدلاً من رؤوس تنبؤ منفصلة. ويشمل ذلك:
  • الطاقات والقوى: تُحسب من لاغرانج CCSD باستخدام كل من $T$ و $\Lambda$.
  • ملاحظات الجسيم الواحد: يتم إعادة بناء ثنائيات الأقطاب، ورباعيات الأقطاب، وكثافات الإلكترونات من مصفوفة الكثافة المختزلة لجسيم واحد (1-RDM) الناتجة عن حالة $\Lambda$.
  • ملاحظات الجسيمين: يتم إعادة بناء كثافات الزوج من 2-RDM.
  • خصائص الاستجابة: يتم الحصول على الاستقطابيات من خلال تقييم مشتقات مصفوفات الكثافة المعاد بناؤها تحت تأثير اضطرابات خارجية ضعيفة.

النتائج الرئيسية
قيم المؤلفون M¯oLe-Λ على مجموعة بيانات QM7 وعدة مجموعات اختبار خارج النطاق، مقارنة بـ Hartree–Fock (HF)، وMP2، والجهود البينية المعتمدة على التعلم الآلي (MLIPs) المتطورة مثل MACE وeSEN.

• الدقة: يحقق M¯oLe-Λ متوسط خطأ مطلق (MAE) قدره 0.10 mHa للطاقات و 0.12 mHa/Bohr للقوى على مجموعة اختبار QM7، متفوقاً على كل من نماذج MLIP المباشرة لـ CCSD ونماذج $\Delta$-MP2 الأساسية.
• خصائص الاستجابة: يحسن النموذج بشكل كبير من التنبؤ بالثنائيات، ورباعيات الأقطاب، والاستقطابيات مقارنة بـ HF وMP2 ونماذج إعادة بناء M¯oLe التي تعتمد على حالة الطرف الأيمن فقط. يؤكد هذا أن تعلم سعات $\Lambda$ أمر ضروري للحصول على ملاحظات مسترخية دقيقة.
• التعميم: يُظهر النموذج قدرة قوية على التوسع في الحجم، حيث يحافظ على أخطاء منخفضة في الأحماض الأمينية الأكبر وجزيئات PubChem (حتى 15 ذرة ثقيلة) حيث تتدهور نماذج MLIP المعتمدة على الهندسة فقط. كما يُظهر أداءً فائقاً في الهندسات الخارجة عن حالة التوازن (مثل تمدد الروابط ومسحات الزاوية ثنائية السطح).
• كثافة الإلكترونات والزوج: تكشف التحليلات البصرية لكثافة الإلكترونات وكثافة الزوج أن M¯oLe-Λ يلتقط هياكل زوج الإلكترونات المترابطة ويقلل من الأخطاء بعيداً عن الذرات بشكل أفضل بكثير من MP2 أو نماذج الطرف الأيمن فقط.
• الكفاءة: توفر الطريقة تسريعاً كبيراً. بالنسبة للأنظمة حتى C21، يقوم M¯oLe-Λ بحساب كل من سعات $T$ و $\Lambda$ بسرعة تزيد بمقدار رتبتين من القدر عن حل معادلات CCSD و $\Lambda$ الكاملة. لوحظ أن القياس التجريبي أقل من $O(N^3)$ في النطاق المختبر، ويرجع ذلك على الأرجح إلى التوازي الفعال لعمليات التنسور (tensor) على وحدات معالجة الرسومات (GPU).

الأهمية والادعاءات
يزعم البحث أن M¯oLe-Λ يمثل تحولاً في التعلم الآلي للكيمياء المترابطة من تقريب الملاحظات المنعزلة إلى تقريب حالة البنية الإلكترونية الأساسية. من خلال تعلم حالة الاستجابة الكاملة ($T, \Lambda$)، يمكن لكائن واحد متعلم دعم إطار عمل موحد للطاقات، والقوى، وخصائص الاستجابة، وملاحظات مصفوفة الكثافة المختزلة.

يضع المؤلفون هذا العمل كمسار نحو "نماذج بديلة لمستوى الدالة الموجية" تجعل خصائص الاستجابة عالية الدقة لمستوى CCSD متاحة بجزء ضئيل من التكلفة الحسابية. ويؤكدون أن هذا النهج مفيد بشكل خاص في أنظمة البيانات المنخفضة، حيث توفر تنسورات السعة المهيكلة تمثيلاً أكثر كفاءة من مطابقة الخصائص المباشرة. يقتصر العمل على الأنظمة ذات الغلاف المغلق مع أساس def2-SVP والعناصر الموجودة في QM7، مع خطط مستقبلية لأنظمة قواعد أساس أكبر، وأنظمة مفتوحة الغلاف، وتمثيلات التنسور المتناثرة.