Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides
تُظهر هذه الدراسة أن التعلم بنقل المعرفة من المنظم إلى غير المنظم باستخدام الشبكات العصبية الرسومية يتنبأ بفعالية بطاقات التكوين في أكاسيد البيروفسكايت عالية الاعتلاج، ولكنه يتطلب بيانات إضافية خاصة بأكاسيد البيروفسكايت عالية الاعتلاج وتمثيلات هندسية ثلاثية الأجسام لنمذجة فجوات HOMO-LUMO بدقة نظراً لحساسيتها للبيئات الكيميائية المحلية.
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 طاهٍ ماهر يحاول ابتكار الحساء المثالي. بدلاً من اختيار مكون أو اثنين فقط، تقرر إضافة مزيج فوضوي من خمسة أنواع مختلفة من التوابل، وثلاثة أنواع من الخضروات، وحفنة من الأعشاب دفعة واحدة. هذا هو عالم المواد "عالية الاعتلال" (high-entropy): مطبخ فائق التعقيد حيث يخلط العلماء العديد من الذرات معاً لإنشاء مواد جديدة ذات قدرات مذهلة، مثل السيراميك فائق القوة أو المواد التي يمكنها توصيل الكهرباء بطرق غريبة. المشكلة هي أن هذا "الحساء" فوضوي وغير متوقع للغاية، لدرجة أن حتى أكثر عمليات المحاكاة الحاسوبية ذكاءً تجد صعوبة في تذوقه قبل نضجه. الأمر يشبه محاولة تخمين نكهة حساء من خلال النظر إلى ملعقة واحدة مرتبة بدقة من المكونات، بينما القدر الحقيقي عبارة عن عاصفة دوامة من الفوضى.
لحل هذه المشكلة، يستخدم العلماء حيلة ذكية تسمى "تعلم النقل" (transfer learning). فكر في الأمر كتعلم قيادة السيارة؛ فأنت لا تبدأ بقيادة شاحنة وحشية للطرق الوعرة وسط الوحل، بل تبدأ على طريق سريع سلس ومنظم بمسارات واضحة. وبمجرد إتقان قواعد الطريق على هذا الطريق السريع البسيط، قد تتمكن من التعامل مع حفرة الوحل الفوضوية ببعض التدريب الإضافي فقط. تطرح هذه الورقة سؤالاً ملحاً: إذا علمنا الكمبيوتر كيفية التنبؤ بخصائص المواد باستخدام وصفات "الطريق السريع" البسيطة والمنظمة، فهل يمكنه بعد ذلك التنبؤ فوراً بخصائص "حساء العشوائية" الفوضوي عالي الاعتلال؟ وإذا لم يكن الأمر كذلك، فكم يحتاج من التدريب الإضافي فعلياً؟
لقد وضع الباحثون، وهم فريق من جامعة ليموج في فرنسا، نصب أعينهم اختبار هذه الفكرة باستخدام نوع معين من المواد يسمى "أكاسيد البيروفسكايت" (perovskite oxides). هذه المواد تشبه لبنات البناء للعديد من التقنيات الحديثة. لقد أنشأوا مكتبة رقمية ضخمة لهذه المواد، تحتوي على الآلاف من الوصفات "المنظمة" (حيث تترتب الذرات بشكل أنيق) والآلاف من الوصفات "المضطربة" (حيث تختلط الذرات عشوائياً، مثل البيروفسكايت عالي الاعتلال). ثم قاموا بتدريب أربعة أنواع مختلفة من "طهاة الذكاء الاصطناعي" (تسمى الشبكات العصبية الرسومية - Graph Neural Networks) للتنبؤ بشيئين: مدى استقرار المادة (طاقة التكوين) وكيفية تعاملها مع الكهرباء (فجوة HOMO-LUMO، وهي طريقة فنية لوصف مدى صعوبة جعل الإلكترونات تقفز حول).
إليكم ما وجدوه، وهي قصة ذات نتيجتين مختلفتين تماماً. أولاً، كان طهاة الذكاء الاصطناعي رائعين في التنبؤ بالاستقرار. فعندما تم تدريبهم فقط على وصفات "الطريق السريع" المنظمة والأنيقة، استطاعوا النظر إلى "حساء العشوائية" الفوضوي عالي الاعتلال وتخمين استقراره بدقة تقارب الدقة نفسها. اتضح أن القواعد التي تلتصق بها الذرات معاً لتبقى مستقرة متشابهة بشكل مدهش، سواء كان المطبخ مرتباً أو فوضوياً. لقد تعلم الذكاء الاصطناعي "فيزياء الالتصاق" جيداً لدرجة أنه لم يكن بحاجة لرؤية الحساء الفوضوي ليعرف ما إذا كان سيتماسك أم لا.
ومع ذلك، تغيرت القصة تماماً عندما حاولوا التنبؤ بالخصائص الكهربائية (فجوة HOMO-LUMO). فقد كان طهاة الذكاء الاصطناعي، حتى الأكثر ذكاءً منهم، سيئين جداً في تخمين السلوك الكهربائي للحساء الفوضوي إذا كانوا قد رأوا فقط الطرق السريعة المنظمة. لقد قفز الخطأ بنحو عشرة أضعاف! يبدو أن الكهرباء حساسة للغاية للترتيب الفوضوي الدقيق للذرات. إن أي إزاحة طفيفة في مكان وجود الذرة في الفوضى تغير التدفق الكهربائي، ولم يستطع الذكاء الاصطناعي فهم ذلك بمجرد النظر إلى الطرق السريعة المنظمة.
لكن هناك نهاية سعيدة. اكتشف الباحثون أن الذكاء الاصطناعي لم يكن بحاجة لرؤية كل الحساء الفوضوي ليصبح جيداً في التنبؤ بالكهرباء. كانوا يحتاجون فقط لإظهار "تذوق صغير" له — مجرد 20% من بيانات التدريب الفوضوية — ممزوجة مع البيانات المنظمة. ومع جلسة "التذوق" الصغيرة هذه، تحسنت تنبؤات الذكاء الاصطناعي للخصائص الكهربائية بشكل كبير، حيث انخفض معدل الخطأ من 0.28 إلكترون فولت ضخم إلى 0.07 إلكترون فولت دقيق للغاية.
كما اختبر الفريق أنواعاً مختلفة من بنيات الذكاء الاصطناعي. ووجدوا أن أفضل طاهٍ كان نموذجاً يسمى ALIGNN. هذا النموذج مميز لأنه لا ينظر فقط إلى أي الذرات هي جيران لبعضها البعض، بل يهتم أيضاً بـ الزوايا بينها، مثل ملاحظة ما إذا كانت الرابطة منحنية أو مستقيمة. هذا الطاهي "الواعي بالزوايا" كان أفضل بكثير في فهم الهندسة المعقدة لهذه المواد من غيره، مما يثبت أنه لفهم هذه المواد، يجب عليك الانتباه لشكل الروابط، وليس فقط للمكونات.
باختصار، تشير هذه الورقة إلى أنه يمكننا استخدام المواد البسيطة والمنظمة لتدريب الذكاء الاصطناعي على التنبؤ باستقرار المواد المعقدة والفوضوية عالية الاعتلال دون مشاكل كبيرة. ولكن إذا أردنا التنبؤ بكيفية توصيلها للكهرباء، فلا يمكننا الاعتماد فقط على التدريب المنظم؛ بل نحتاج إلى إعطاء الذكاء الاصطناعي عينة صغيرة ومحددة من الواقع الفوضوي لضبط ذوقه. إنها استراتيجية قوية: تعلم الأساسيات على الطريق السريع، ثم خذ منعطفاً سريعاً في الوحل لتتقن البقية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.