🔬 materials science

MANDALA: An E(3)-Equivariant Graph Neural Network Framework for Learning Electronic-Structure Operators with Observable Guidance

ماندالا (Mandala) هو إطار عمل للشبكات العصبية الرسومية المعيارية والمتكافئة مع مجموعة التحويلات (E(3، يجسّر الفجوة بين التعلم الآلي وحسابات البنية الإلكترونية من خلال تعلم مؤثرات كمومية ذات كثافة متفرقة كتلية للتنبؤ مباشرة بالملاحظات الإلكترونية مثل هياكل النطاق وكثافة الحالات، مما يكمل جهود إمكانات الذرات المتفاعلة القائمة على التعلم الآلي التقليدي.

المؤلفون الأصليون: Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne, Attila Cangi

نُشر 2026-07-29

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne, Attila Cangi

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 فهم كيفية عمل آلة ضخمة ومعقدة، مثل مدينة مستقبلية أو خلية بيولوجية عملاقة. للقيام بذلك، يستخدم العلماء أداة قوية تسمى "نظرية الدالة الوظيفية للكثافة" (DFT). فكر في (DFT) كأنها كاميرا عالية الدقة تلتقط صوراً لكيفية حركة الإلكترونات (الجسيمات الصغيرة سالبة الشحنة التي تربط الذرات ببعضها البعض) وكيفية ترتيب نفسها. هذه الكاميرا بارعة جداً لدرجة أنها تساعد الكيميائيين وعلماء المواد على تصميم أدوية جديدة، وبطاريات أقوى، وألواح شمسية أفضل. ومع ذلك، هناك عقبة: التقاط هذه الصور بطيء للغاية ومكلف. الأمر يشبه محاولة تصوير فيلم بدقة 8K باستخدام هاتف ذكي لا يملك سوى طاقة بطارية تكفي لعشر ثوانٍ فقط من التسجيل. لهذا السبب، لا يستطيع العلماء إلا محاكاة أنظمة صغيرة جداً أو لحظات زمنية قصيرة جداً.

لتسريع هذه العملية، بدأ العديد من الباحثين في استخدام "تعلم الآلة" لتخمين الإجابات. عادةً، تعمل نماذج الذكاء الاصطناعي هذه مثل خبير الأرصاد الجوية: فهي تنظر إلى الذرات وتتنبأ بـ "الطقس" (مقدار الطاقة التي يمتلكها النظام ومدى قوة دفع الذرات لبعضها البعض). هذا سريع ومفيد، لكنه يشبه معرفة درجة الحرارة دون معرفة لماذا الجو حار أو بارد. أنت تفقد الفيزياء الأساسية، مثل أنماط الرياح أو الرطوبة. إذا كنت تريد فهم "البنية الحزمية" (التي تخبرك ما إذا كانت المادة معدناً أم عازلاً) أو كيفية تدفق الكهربال عبرها، فأنت بحاجة إلى الصورة الكاملة، وليس مجرد تقرير عن حالة الطقس. وهنا يأتي البحث الجديد، ليقدم طريقة لتعليم الذكاء الاصطناعي رؤية الفيلم بأكمله، وليس مجرد تقرير الطقس.

تعرف على ماندالا (Mandala): الذكاء الاصطناعي الذي يتعلم "مخططات" المادة

في هذا البحث، يقدم فريق من العلماء برنامج ماندالا (Mandala)، وهو إطار عمل برمج جديد يعمل كمهندس معماري بارع للعالم الكمي. وبينما تكتفي معظم نماذج الذكاء الاصطناعي في علم المواد بتخمين النتيجة النهائية للعبة (الطاقة)، صُمم "ماندالا" ليتعلم القواعد والأساليب الفعلية (المؤثرات الرياضية) التي تحكم سلوك الإلكترونات.

تخيل الإلكترونات في مادة ما كأنها حفلة رقص ضخمة وفوضوية. نماذج الذكاء الاصطناعي التقليدية تكتفي فقط بعدّ عدد الأشخاص الذين يرقصون وكمية الطاقة التي تستهلكها الموسيقى. أما "ماندالا"، فيتعلم خطوات الرقص المحددة، وطريقة تواصل الشركاء، وإيقاع الغرفة. وهو يفعل ذلك من خلال التنبؤ بثلاثة "مخططات" أو مصفوفات محددة: الهاملتوني (Hamiltonian) (الذي يصف الطاقة وقواعد الرقص)، والتداخل (Overlap) (الذي يصف كيفية تداخل المساحات الشخصية للراقصين)، والكثافة (Density) (التي توضح أماكن تجمهر الراقصين).

السر الخفي: التماثل والتخلخل

لماذا يعتبر "ماندالا" مميزاً؟ إنه يستخدم خدعتين ذكيتين لجعل المستحيل ممكناً.

أولاً، يستخدم التكافؤ E(3). تخيل أنك تنظر إلى ندفة ثلج؛ إذا قمت بتدوير ندفة الثلج، فستبدو كما هي تماماً، لكنها مدورة فقط. قد يرتبك الذكاء الاصطناعي العادي إذا قمت بتدوير ندفة الثلج في الصورة، معتقداً أنها جسم جديد ومختلف. أما "ماندالا"، فهو "واعٍ بالتماثل". إنه يدرك أن قوانين الفيزياء لا تتغير لمجرد أنك أدرت رأسك. إنه يتعلم خطوات الرقص بطريقة تعمل بغض النظر عن كيفية تدوير الذرات أو قلبها. وهذا يجعله فعالاً ودقيقاً للغاية، مثل راقص يعرف تصميم الرقصة جيداً لدرجة تمكنه من أدائها في أي اتجاه.

ثانياً، يستخدم التخلخل (Sparsity). في مدينة ضخمة، أنت لا تتحدث مع الجميع في وقت واحد؛ بل تتفاعل فقط مع جيرانك. وبالمثل، تتفاعل الإلكترونات غالباً مع الذرات القريبة منها مباشرة. أدرك "ماندالا" أن معظم "المخططات" فارغة (صفر) لأن الذرات البعيدة لا تؤثر على بعضها البعض. وبدلاً من محاولة حفظ جدول بيانات ضخم وفارغ، فإنه يركز فقط على الاتصالات النشطة. هذا يشبه المحقق الذي يستجوب فقط الشهود الذين كانوا موجودين بالفعل في مسرح الجريمة، متجاهلاً بقية المدينة، مما يجعل التحقيق أسرع بكثير.

ماذا وجدوا؟

اختبر المؤلفون "ماندالا" على ثلاثة أنواع مختلفة تماماً من المواد لمعرفة ما إذا كان بإمكانه التعامل مع فوضى العالم الحقيقي:

ZnCu2Sn(SeS)2: مادة معقدة مكونة من خمسة عناصر مختلفة، مثل حساء يحتوي على خمس مكونات متميزة يجب خلطها بدقة.
أكسيد السيليكون غير المتبلور (Amorphous Silicon Oxide): زجاجي، فوضوي، وغير منظم، مثل كومة من الرمل لم يتم فرزها.
السيليكون البلوري (Crystalline Silicon): شبكة مرتبة ومنظمة، مثل جدار من الطوب المرصوص بدقة.

في جميع هذه الحالات، نجح "ماندالا" في تعلم التنبؤ بـ "المخططات" (المصفوفات) بدقة عالية. لكن السحر الحقيقي حدث عندما استخدموا تلك التنبؤات لحساب أشياء لم يتم تدريبه عليها صراحةً. ولأنه تعلم القواعد الأساسية، استطاع تلقائياً توليد:

البنى الحزمية (Band Structures): "خارطة طريق" مستويات الطاقة التي تخبرنا ما إذا كانت المادة توصل الكهرباء أم لا.
كثافة الحالات (Density of States): رسم بياني يوضح عدد "المقاعد" الإلكترونية المتاحة عند مستويات طاقة مختلفة.
طاقات الحزم وأعداد الإلكترونات: إجمالي الطاقة وعدد الإلكترونات، المستمدة مباشرة من المخططات المتوقعة.

يظهر البحث أن "ماندالا" يمكنه القيام بذلك دون الحاجة إلى ذكاء اصطناعي منفصل لكل مهمة. إنه "متجر شامل" يتعلم الفيزياء ثم يستنتج الإجابات.

الحدود والمستقبل

يشير المؤلفون بحذر إلى أن "ماندالا" ليس عصا سحرية تحل كل شيء فوراً. فهو يعمل بشكل أفضل عندما تكون الذرات قريبة بما يكفي للتفاعل ضمن مسافة معينة (نصف قطر القطع)، ويركز حالياً على أنواع محددة من المواد حيث تكون الإلكترونات موضعية (مستقرة بالقرب من الذرات) بدلاً من أن تكون حرة الحركة في كل مكان.

كما أوضحوا أن "ماندالا"، رغم قدرته على التنبؤ بـ "طاقة الحزمة" (جزء محدد من الطاقة الكلية)، فإنه لا يحسب بعد الطاقة الكلية للنظام بأكملها. وهذا يعني أنه لا يمكنه حالياً التنبؤ بالقوى التي تحرك الذرات في عملية المحاكاة (مثل محركات فيزياء ألعاب الفيديو) بدقة تامة. وهذا هدف للمستقبل.

ومع ذلك، فإن النتائج واعدة. فمن خلال تعلم "المؤثرات" (القواعد الرياضية) بدلاً من مجرد "الملاحظات" (الأرقام النهائية)، يردم "ماندالا" الفجوة بين سرعة تعلم الآلة وعمق الفيزياء الكمية. إنه يشير إلى أنه يمكننا الحصول على كل ما نريد: سرعة الذكاء الاصطناعي مع الرؤى العميقة والغنية بالفيزياء التي توفرها ميكانيكا الكم التقليدية.

باختصار، "ماندالا" هو نوع جديد من الأدوات التي تعلم الحواسيب فهم لغة الإلكترونات، وليس مجرد مفرداتها. فهو يسمح للعلماء بمحاكاة مواد أكبر وأكثر تعقيداً ورؤية التفاصيل الإلكترونية الخفية التي كان حسابها مكلفاً للغاية في السابق، مما يفتح الباب لتصميم مواد أفضل لمستقبلنا.

ملخص تقني: Mandala – إطار عمل للشبكات العصبية الرسومية المتكافئة مع E(3) لتعلم مؤثرات البنية الإلكترونية

1. بيان المشكلة

تعد حسابات البنية الإلكترونية القائمة على نظرية الدالة الكثافية كوهن-شام (DFT) لا غنى عنها في علوم المواد الحسابية، لكنها محدودة بسبب التكاليف الحسابية العالية، مما يقيد أحجام الأنظمة وأوقات المحاكاة المتاحة. وبينما نجحت الجهود لتعلم الجهود بين الذرية (MLIPs) في تسريع المحاكاة للطاقات والقوى، إلا أنها تعمل عادةً على المستوى القياسي (scalar) أو المتجهي (vector). وبناءً على ذلك، تفشل نماذج MLIP التقلية في توفير المعلومات على مستوى المؤثر (operator) المطلوبة لإعادة بناء الملاحظات الميكانيكية الكمومية مثل بنى النطاقات (band structures)، وكثافة الحالات (DOS)، والتوزيعات المكانية للشحنة، وغيرها من الخصائص الإلكترونية. هناك فجوة منهجية لإطار عمل قابل للتوسع يتعلم مؤثرات البنية الإلكترونية نفسها (مصفوفات الهاملتوني، والتداخل، والكثافة) مع الاحتفاظ بالقدرة على اشتقاق هذه الملاحظات المعقدة مباشرة من المؤثرات المتعلمة.

2. المنهجية

Mandala هو إطار عمل برمجي معياري مصمم لتعلم مصفوفات البنية الإلكترونية متفرقة الكتل باستخدام الشبكات العصبية الرسومية (GNNs) المتكافئة مع E(3). وتعتمد المنهجية على الركائز التالية:

تمثيل المؤثر: بدلاً من معاملة البنية الإلكترونية كمصفوفات عالمية كثيفة، يمثل Mandala مصفوفات الهاملتوني ( $H$ )، والتداخل ( $S$ )، والكثافة ( $D$ ) كموترات كتلية متفرقة (sparse block tensors) محلية لكل زوج من الذرات. يستفيد هذا من موضعية البنية الإلكترونية في القواعد المدارية الموضعية.
التكافؤ مع E(3): يستخدم إطار العمل شبكات GNN متكافئة مع E(3) لاحترام قوانين التحول الهندسي للفضاء ثلاثي الأبعاد (الانسياقات، والدورانات، والانعكاسات). يتم تفكيك الميزات الخفية إلى تمثيلات غير قابلة للاختزال (irreps) لمجموعة الدوران $O(3)$ ، والموسومة بالزخم الزاوي $\ell$ والتكافئ $p$ . يضمن هذا تحول المؤثرات المتعلمة بشكل صحيح تحت عمليات التماثل دون الاعتماد على ثوابت مصممة يدوياً.
سير عمل موحد: يدمج إطار العمل عدة مكونات في خط إنتاج واحد:
- استيعاب البيانات: تقوم أدوات التحليل (parsers) لمختلف الأنظمة الخلفية (OpenMX، FHI-aims، PySCF) بتحويل المخرجات المتنوعة إلى تنسيق Snapshot موحد.
- تحويل القاعدة: يقوم BlockIrrepMapper بتحويل ترتيب المدارات واتفاقيات الإشارة الخاصة بكل نظام خلفي إلى تمثيل داخلي مشترك متوافق مع مكتبة e3nn.
- بناء الرسم البياني: يتم التعامل مع الشروط الحدودية الدورية عبر إنشاء حواف مع ناقلات إزاحة الشبكة الصريحة، مما يضمن المحاذاة الدقيقة بين حواف الرسم البياني وكتل المصفوفات المتفرقة.
- بنية النموذج: يستخدم الشبكة تمرير رسائل متكافئ، وحواصل ضرب تينسور (tensor products)، ورؤوس قراءة (readout heads) قابلة للضبط للتنبؤ بمتجهات الـ irrep، والتي يتم بعد ذلك إعادة بنائها في كتل مؤثرات متفرقة.
توجيه الملاحظات: الميزة الرئيسية هي القدرة على استخدام "التدريب الموجه بالملاحظات". نظرًا لأن المؤثرات المتنبأ بها قابلة للاشتقاق، يمكن حساب كميات مثل طاقة النطاق ( $E_b = \text{Tr}(DH)$ ) وعدد الإلكترونات ( $N_e = \text{Tr}(DS)$ ) مباشرة من المصفوفات المتنبأ بها. ويمكن تضمين هذه الكميات كحدود خسارة (loss terms) إلى جانب أخطاء إعادة بناء المصفوفات. بالنسبة للأنظمة الدورية، يتم دعم التوجيه الطيفي أيضاً، من خلال مقارنة أطياف القيم الذاتية المعممة المستمدة من المؤثرات المتنبأ بها مقابل الأطياف المرجعية على شبكة نقاط k.
المعالجة اللاحقة: يتضمن إطار العمل خطوات معالجة لاحقة واعية بالفيزياء، مثل تماثل المصفوفات، ومحاذاة القياس (تصحيح إزاحة التداخل) للهاملتوني، وتطبيع الكثافة لضمان اتساق عدد الإلكترونات.

3. المساهمات الرئيسية

تصميم إطار العمل: يوفر Mandala مجموعة برمجية معيارية وقابلة لإعادة الاستخدام توحد التنبؤ بالمؤثرات المتفرقة، وتوجيه الملاحظات، والتعامل مع البيانات متعددة الأنظمة الخلفية، واستكشاف البنى المختلفة. ويسمح للباحثين بتبادل تنسيقات البيانات، والأهداف الفيزيائية، ونماذج المتغيرات دون إعادة كتابة الكود الأساسي.
التعلم على مستوى المؤثر: على عكس نماذج MLIPs التي تتنبأ بالطاقات القياسية فقط، يتنبأ Mandala بالمؤثرات الكمومية الأساسية. وهذا يتيح إعادة البناء المباشر لبنى النطاقات، وكثافة الحالات، والتوزيعات الشحنية من النموذج المتعلم.
التنفيذ المتكافئ مع E(3): ينفذ إطار العمل نهجاً صارماً متكافئاً مع E(3) للمصفوفات متفرقة الكتل، حيث يربط كتل أزواج الذرات بالتمثيلات غير القابلة للاختزال لضمان الاتساق الهندسي.
أهداف تدريب مرنة: يدعم النظام تعلم المصفوفات الصرف، أو التعلم المختلط بين المصفوفات والملاحظات، أو التدريب الموجه بالكامل بالملاحظات. ويسمح بالتنبؤ المتزامن بمصفوفات الهاملتوني، والتداخل، والكثافة باستخدام تمثيلات كامنة مشتركة.
القابلية للتوسع والامتداد: صُمم إطار العمل لدعم التركيبات الكيميائية غير المتجانسة وأنواع مختلفة من البنى العصبية ضمن سير عمل واحد، ويتضمن أدوات للبحث المنهجي عن البنى عبر معاملات التكوين.

4. النتائج

يستعرض البحث قدرات Mandala على ثلاث مجموعات بيانات متميزة:

ZnCu2Sn(SeS)2: مركّب كالكوجينيد متعدد المكونات يحتوي على خمسة عناصر وبيئات كيميائية متميزة. نجح النموذج في حل الكيمياء المحلية غير المتجانسة والاقتران بين البيئات.
Amorphous SiO2: تكوين زجاجي غير متبلور مكون من 150 ذرة، مما أظهر قدرة إطار العمل على التعامل مع البيئات غير المنتظمة وغير الدورية ضمن إطار دوري.
السيليكون المضطرب: سيليكون بلوري مع اضطرابات، استُخدم للتحقق من الأداء على نظام دوري قياسي.

مقاييس الأداء:

حققت النماذج متوسط خطأ مطلق (MAE) منخفض للمصفوفات (الهاملتوني، التداخل، والكثافة) في مجموعات التحقق.
تم التنبؤ بدقة بطاقات النطاق وأعداد الإلكترونات مباشرة من المؤثرات.
تمت إعادة بناء كثافة الحالات (DOS) وبنى النطاقات بنجاح ومطابقتها مع حسابات DFT المرجعية.
توسع الاستدلال: أظهرت اختبارات الأداء على الخلايا الفائقة للسيليكون الدوري (حتى 4096 ذرة) على وحدة معالجة رسومات واحدة من نوع NVIDIA B200 أن الاستدلال يتوسع خطياً مع حجم النظام حتى الحد المختبر. وكانت العقبات الرئيسية المحددة هي إعداد الرسم البياني وذاكرة تقييم النموذج، وليس عملية التمرير الأمامي للشبكة العصبية نفسها.

5. الأهمية والادعاءات

يضع البحث Mandala كأداة مكملة لسير عمل الجهود بين الذرية. تكمن أهميته الأساسية في سد الفجوة بين التعلم الآلي الفعال والحاجة إلى تحليل مفصل للبنية الإلكترونية.

التكامل: يُقصد من Mandala أن يكمل سير عمل MLIPs الحالي عبر حل البنية الإلكترونية والملاحظات المشتقة من المؤثرات ضمن تنفيذ واحد قابل للتوسع، بدلاً من استبداله.
التقدم المنهجي: من خلال تعلم المؤثرات مباشرة، يحافظ إطار العمل على تمثيل مرتبط بالمبادئ الكمومية، مما يسمح بتحليل ظواهر مثل انتقال الشحنة، والتهجين المداري، والحالات الموضعية في العيوب، وهي أمور لا يمكن الوصول إليها عبر نماذج MLIPs القياسية.
القابلية للتكرار والامتداد: يؤكد إطار العمل على القابلية للتكرار من خلال الترتيب الحتمي للحواف، والتكوينات المتسلسلة، والتصميم المعياري، مما يجعله منصة قوية للتجارب المنهجية المستقبلية في تعلم الآلة العلمي.

يشير المؤلفون إلى القيود الحالية، بما في ذلك القصر على المصفوفات الحقيقية غير المستقطبة مغناطيسياً، والاعتماد على قواعد مدارية موضعية، وحقيقة أن ملاحظة طاقة النطاق لا تشمل بعد جميع المساهمات في طاقة كوهن-شام الإجمالية (مما يحد من الاستخدام المباشر للمشتقات لحساب قوى الإجهاد والطاقة الكلية). ومع ذلك، فقد صُمم إطار العمل لاستيعاب هذه التوسعات في التطوير المستقبلي.