A single design choice determines whether machine learning models of materials make physically impossible predictions
تُثبت هذه الورقة أن دمج تسميات التكافؤ (parity labels) في سمات نماذج تعلم الآلة هو خيار تصميمي حاسم يضمن تنبؤات دقيقة فيزيائياً للخصائص المحظورة تناظرياً في البلورات ذات المركز المتماثل، في حين أن النماذج التي تفتقر إلى هذه السمة تنتج أخطاءً مستحيلة فيزيائياً في جميع الحالات تقريباً دون التضحية بالدقة.
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
في رحلة البحث عن مواد جديدة، اعتمد العلماء لفترة طويلة على اختصار قوي: استخدام قواعد التماثل للتنبؤ بكيفية سلوك البلورة. البلورات ليست تجمعات عشوائية من الذرات؛ بل هي هياكل عالية النظام حيث تتكرر الذرات في أنماط دقيقة. وبسبب هذا النظام، تملي قوانين الفيزياء أن بعض الخصائص يجب أن تسلك طرقاً محددة. على سبيل المثال، إذا كانت البلورة تبدو متطابقة تماماً عند تدويرها مقلوبة رأساً على عقب عبر مركزها — وهي خاصية تُعرف بالتماثل المركزي — فإنها لا يمكنها توليد الكهرباء عند ضغطها. لا يتعلق الأمر بكون المادة ضعيفة أو القياس غير دقيق؛ بل هي قاعدة صارمة من قواعد الطبيعة. إذا كانت البلورة تمتلك هذا التماثل المركزي، فإن الاستجابة الكهربائية يجب أن تكون صفراً تماماً.
لعقود من الزمن، استخدم الباحثون عمليات محاكاة حاسوبية معقدة قائمة على ميكانيكا الكم لحساب هذه الخصائص. أما اليوم، فهناك طريقة أسرع بدأت تسيطر: التعلم الآلي. يتم تدريب نماذج الذكاء الاصطناوي هذه على التنبؤ بخصائص المواد من خلال التعلم من قواعد بيانات ضخمة للبلورات المعروفة. إنها تصبح الأداة الأساسية لاكتشاف مواد جديدة للبطاريات، والخلايا الشمسية، والإلكترونيات. والأمل هو أن تتمكن هذه النماذج من تعلم قواعد التماثل تماماً كما يفعل الفيزيائي البشري، أو ربمًا بشكل أفضل، من خلال إيجاد أنماط في البيانات قد يغفل عنها البشر. لكن هذه السرعة تأتي مع مخاطرة: إذا لم يلتزم النموذج بصرامة بقوانين التماثل الأساسية، فقد يتنبأ بأن البلورة يمكنها القيام بشيء تحظره الطبيعة، مثل توليد الكهرباء في حين أنها لا تستطيع فعل ذلك فيزيائياً.
يكشف دراسة حديثة أجراها باحثون من جامعة تكساس إيه آند إم ومؤسسات أخرى عن خلل مذهل في كيفية بناء العديد من هذه النماذج الشهيرة للتعلم الآلي. اكتشف الفريق أن ما إذا كان النموذج يحترم هذه القوانين المطلقة للفيزياء لا يتحدد بمدى كمية البيانات التي يراها أو مدة تدريبه، بل يتقرر من خلال خيار تصميمي واحد صغير للغاية يتم اتخاذه قبل بدء التدريب حتى. هذا الخيار هو ما إذا كانت "الميزات" الداخلية للنموذج — وهي اللبنات الرياضية التي يستخدمها لفهم شكل البلورة — تحمل تسمية محددة تسمى "التكافؤ" (parity). التكافؤ هو وسيلة لتتبع كيفية تغير الشكل عند انعكاسه في المرآة أو قلبه رأساً على عقب. وجد الباحثون أنه إذا افتقر النموذج إلى هذه التسمية، فإنه عاجز رياضياً عن التنبؤ بالصفر الدقيق المطلوب بواسطة التماثل، مهما حاول. سيظل دائماً ينتج رقماً صغيراً غير صفري، وهو ما يمثل تنبؤاً مستحيلاً من الناحية الفيزيائية.
لإثبات ذلك، وضع الباحثون اختباراً صارماً باستخدام خاصية تسمى "تنسور الكهروضغطية" (piezoelectric tensor)، والتي تقيس مقدار الكهرباء التي تنتجها البلورة عند ضغطها. ركزوا على ألفي بلورة مختلفة من المعروف أنها ذات تماثل مركزي، مما يعني أنها تمتلك مركز تماثل. ووفقاً لقوانين الفيزياء، يجب أن تكون الاستجابة الكهروضغطية لجميع هذه البلورات صفراً تماماً. أخذ الفريق عدة من أكثر نماذج التعلم الآلي تقدماً المستخدمة في هذا المجال وأنشأ نسختين من كل منها. النسخة الأولى بُنيت مع تضمين تسميات التكافؤ، بينما بُنيت الأخرى بدونها، وكانت متطابقة في كل شيء آخر. ثم قاموا بتدريب كلا النسختين على نفس البيانات وسألوهما التنبؤ بالاستجابة الكهروضغطية لهاتين الألفي بلورة ذات التماثل المركزي.
كانت النتائج دراماتيكية وفورية. تنبأت النماذج التي تحتوي على تسميات التكافؤ بقيمة صفر لكل بلورة، وصولاً إلى حدود دقة الحاسوب. لقد حددت بشكل صحيح أن هذه المواد لا يمكنها إنتاج الكهرباء. وفي المقابل الصارخ، فشلت النماذج التي تفتقر إلى تسميات التكافؤ فشلاً ذريعاً؛ حيث تنبأت باستجابة كهربائية غير صفرية لـ 90 إلى 96 بالمئة من البلورات. لم تكن هذه التنبؤات مجرد أخطاء طفيفة؛ بل كانت غالباً بحجم الاستجابات الكهربائية الحقيقية الموجودة في المواد التي يمكنها توليد الكهرباء. لم يكن الفرق بين المجموعتين مسألة بضعة أرقام عشرية؛ بل كان فجوة قدرها ست درجات من القوة (six orders of magnitude)، مما يعني أن النماذج "الخاطئة" كانت أكثر عرضة بمليون مرة للتنبؤ بحدث مستحيل فيزيائياً مقارنة بالنماذج "الصحيحة".
اختبر الباحثون بعد ذلك ما إذا كان التدريب يمكن أن يصلح المشكلة. قاموا بتغذية النماذج "الخاطئة" ببيانات إضافية، وتحديداً عرض أمثلة لبلورات ذات تماثل مركزي مع التسمية الصحيحة (الصفر)، على أمل أن تتعلم النماذج احترام القاعدة. لم ينجح الأمر. حتى بعد رؤية آلاف الأمثلة حيث كانت الإجابة هي صفر، استمرت النماذج في التنبؤ بقيم غير صفرية. كان بإمكانها الاقتراب من الصفر، لكنها لم تستطع أبداً الوصول إلى الصفر الدقيق الذي تتطلبه قوانين الفيزياء. كما أظهرت الدراسة أن مجرد حساب متوسط نتائج نموذج وصورته المرآتية لم يحل المشكلة، لأن الهيكل الأساسي للنموذج نفسه كان أعمى عن قاعدة التماثل.
لهذا الاكتشاف تداعيات عميقة على مجال علوم المواد. فهو يشير إلى أن موثوقية نموذج التعلم الآلي لا تتعلق فقط بدقته في الاختبارات القياسية، بل بقدرته الهيكلية على تمثيل الواقع الفيزيائي. قام الباحثون بمراجعة ثمانية عشر معمارية مختلفة للتعلم الآلي مستخدمة حالياً ووجدوا أن نصفها بالضبط يفتقر إلى تسميات التكافؤ اللازمة. وهذا يعني أن جزءاً كبيراً من الأدوات التي يستخدمها العلماء لاكتشاف مواد جديدة عاجز جوهرياً عن تقديم التنبؤ الصحيح لفئة كبيرة من البلورات. المشكلة ليست في أن هذه النماذج سيئة في التعلم؛ بل في أن تصميمها يمنعها من تعلم هذه الحقيقة المحددة.
كما سلطت الدراسة الضوء على توجه متزايد في هذا المجال حيث يأخذ العلماء نموذجاً مدرباً مسبقاً، والذي تعلم بالفعل الهيكل العام للذرات، ويقومون بإلحاق "رأس" (head) جديد به للتنبؤ بخاصية معينة. أظهر الباحثون أنه إذا بُني النموذج الأصلي بدون تسميات التكافؤ، فإن متنبئ الخاصية الجديد سيرث تلك العلة. لا يهم مدى دقة تصميم الجزء الجديد؛ إذا كان الأساس يفتقر إلى تسمية التماثل، فإن الهيكل بأكمله سيفشل في احترام قوانين الفيزياء. وهذا يعني أن قرار تضمين أو استبعاد هذه التسمية يتم في مرحلة سابقة (upstream)، غالباً من قبل صانعي النموذج الأساسي، وهو ما يحدد بصمت صحة كل تنبؤ يقوم به أي شخص يستخدم ذلك النموذج لاحقاً.
في النهاية، تجادل الورقة البحثية بأنه لكي يكون التعلم الآلي جديراً بالثقة حقاً في العلوم، يجب أن تُبنى قوانين الفيزياء داخل هيكله، وليس مجرد تعلمها من البيانات. يقترح الباحثون فحصاً بسيطاً: قبل الوثوق بنموذج يتنبأ بخاصية يجب أن تكون صفراً بسبب التماثل، يمكن اختبار ذلك في ثوانٍ عن طريق تطبيق انعكاس مرآتي على هيكل بلوري عشوائي. إذا تنبأ النموذج بقيمة غير صفرية، فهو يفتقر إلى تسمية التكافؤ اللازمة ولا يمكن الوثوق به لهذه المهمة. هذا ليس اقتراحاً للتحسين بل هو مطلب للصلاحية الفيزيائية. وتخلص الدراسة إلى أن وجود أو غياب هذه التسمية الوحيدة هو ما يحدد ما إذا كان النموذج أداة للاكتشاف أم مصدراً لتنبؤات مستحيلة، وهو تفصيل يجب الإبلاغ عنه والتحقق منه لكل نموذج يُستخدم في البحث عن مواد جديدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.