Universal Machine-learning Molecular Dynamics at the Speed of Empirical Potentials

لفهم عالم الذرات، يعتمد العلماء غالباً على أداتين مختلفتين تماماً. إحداهما عبارة عن مجموعة من القواعد المستمدة من أعمق قوانين ميكانيكا الكم، والتي توفر دقة فائقة ولكنها تتطلب قدرة حوسبة هائلة لدرجة أن عمليات المحاكاة تقتصر على مجموعات ضئيلة من الذرات أو لحظات زمنية عابرة. والأخرى هي مجموعة من القواعد التجريبية المبسطة التي تعمل بسرعة مذهلة، مما يسمح للباحثين بمراقحة مليارات الذرات وهي تتفاعل لفترات طويلة، لكن هذه القواعد غالباً ما تفشل عندما تتغير البيئة الكيميائية أو عندما تكون الدقة العالية مطلوبة. لعقود من الزمن، واجه المجتمع العلمي خياراً محبطاً: كان بإمكانك الحصول على محاكاة دقيقة أو سريعة، ولكن نادراً ما تحصل على كليهما، وبالتأكيد ليس نموذجاً يمكنه التعامل مع الخلطات المعقدة والفوضوية الموجودة في المواد الواقعية.

لقد قدم فريق من الباحثين الآن نهجاً جديداً يسد هذه الفجوة. فقد طوروا نظاماً يسمى DPA4C، والذي يجمع بين دقة ميكانيكا الكم وسرعة القواعد التجريبية البسيطة. هذا الإنجاز يسمح للعلماء بتشغيل عمليات محاكاة لأنظمة ضخمة، تحتوي على مليارات الذرات، بمستوى من التفصيل كان مستحيلاً في السابق. ويعد هذا العمل مهماً لأنه يتيح دراسة العمليات المعقدة، مثل كيفية اختلاط المعادن المختلفة عند حدودها، أو كيفية تفاعل المواد تحت الضغط، دون التضحية بالدقة اللازمة للوثوق بالنتائج. ومن خلال الجمع بين تصميم رياضي ذكي وكود حاسوبي مُحسّن للغاية، أنشأ الفريق أداة يمكنها التعامل مع التنوع الهائل للعناصر الكيميائية مع العمل على أجهزة رسوميات قياسية بسرعات كانت في السابق حكراً على التقريبات التقريبية.

يكمن جوهر هذا الاختراق في كيفية "تفكير" الحاسوب في الذرات. في المحاولات السابقة لصنع نماذج تعلم آلي يمكنها التنبؤ بالسلوك الذري، كان على النماذج غالباً تمرير معلومات معقدة ومكتسبة من ذرة إلى جيرانها، طبقة تلو الأخرى. كانت هذه العملية تشبه لعبة "الهاتف المكسور" حيث يجب أن تنتقل الرسالة عبر أيدٍ كثيرة، مما يتطلب كميات هائلة من الذاكرة والوقت، خاصة مع زيادة عدد الذرات. يغير نظام DPA4C الجديد هذه البنية الأساسية؛ فبدلاً من تمرير بيانات معقدة ذهاباً وإياباً، يقوم بحساب تأثير الذرات المجاورة في خطوة واحدة مباشرة. إنه ينظر إلى المسافة بين الذرات وأنواعها الكيميائية، ثم يستخدم جدول بحث مُعد مسبقاً لتحديد تفاعلها. هذا التصميم يعني أن النموذج لا يحتاج إلى تخزين حالة فريدة ومعقدة لكل اتصال منفرد في نظام ضخم.

يسمح هذا التحول المعماري للباحثين بضغط استخدام ذاكرة النموذج بشكل كبير. تخيل مكتبة حيث، بدلاً من كتابة كتاب فريد لكل محادثة محتملة بين شخصين، لديك دليل مرجعي واحد مدمج يخبرك بالضبط بما يجب قوله بناءً على من يتحدث وإلى أي مسافة يفصل بينهما. لقد بنى الباحثون نموذجهم ليعمل بهذه الطريقة تماماً. لقد دربوا النظام على مجموعات بيانات ضخمة من التفاعلات الذرية، تغطي نطاقاً واسعاً من العناصر والبيئات الكيميائية. وبمجرد التدريب، تم تحويل الدوال الرياضية المعقدة التي تصف هذه التفاعلات إلى جداول وذاكرة تخزين مؤقت بسيطة وثابتة. وعندما تعمل المحاكاة، يقوم الحاسوب ببساطة بالبحث عن هذه القيم بدلاً من إعادة حساب المعادلات المعقدة لكل زوج من الذرات. وهذا يسمح للنظام بالحفاظ على دقة عالية مع استخدام جزء ضئيل من الذاكرة وقوة المعالجة المطلوبة بالطرق السابقة.

نتائج هذا النهج مذهلة. فقد اختبر الباحثون خمس نسخ مختلفة من نموذجهم، تتراوح من نسخة مدمجة جداً إلى نسخة أكبر وأكثر تفصيلاً. وحتى أصغر نسخة، والتي تستخدم أقل قدر من الموارد الحوسبية، أثبتت أنها أكثر دقة بكثير من النماذج العالمية الأسرع الموجودة في ذلك الوقت. وفي الاختبارات التي شملت الماس والنحاس، عمل هذا النموذج المدمج بسرعة تقارب ضعف حامل الرقم القياسي السابق للنماذج العالمية، مع تقليل الأخطاء في حسابات الطاقة والقوة بأكثر من النصف. أما النسخ الأكبر من النموذج، فقد اقتربت من دقة أكثر الطرق الدقيقة الموجودة حالياً، لكنها كانت تعمل بسرعة تبلغ حوالي مائة ضعف. وهذا يعني أن عمليات المحاكاة التي كانت تستغرق أسابيع للتشغيل على أقوى الحواسيب الفائقة، يمكن الآن إكمالها في جزء من الوقت باستخدام أجهزة قياسية.

إن قوة هذا النظام لا تكمن فقط في سرعته على حاسوب واحد، بل في مدى جودة توسعه عندما تعمل حواسيب متعددة معاً. أظهر الباحثون أن نموذجهم يمكنه تشغيل محاكاة تتضمن أكثر من ملياري ذرة عبر ألف وحدة معالجة رسوميات. وفي هذا الإعداد الضخم، حافظ النظام على كفاءة تزيد عن 83 بالمائة، مما يعني أن إضافة المزيد من الحواسيب استمرت في تسريع المحاكاة بشكل مثالي تقريباً. تفتح هذه القدرة الباب لدراسة ظواهر كانت بعيدة المنال سابقاً، مثل سلوك المواد على مقياس شرائح ميكروية كاملة، أو التفاعلات المعقدة داخل الأنظمة البيولوجية الكبيرة. نجح النموذج في التعامل مع أنظمة تضم ملايين الذرات على بطاقة رسوميات واحدة، وهو إنجاز كان مستحيلاً سابقاً للنماذج ذات هذا المستوى من الدقة.

ما يجعل هذا التطور مهماً بشكل خاص هو أنه لا يعتمد على نوع واحد من المواد أو تركيب كيميائي محدد. لقد تم تدريب النموذج ليكون "عالمياً"، مما يعني أنه يمكنه التعامل مع مجموعة واسعة من العناصر والخلطات دون الحاجة إلى إعادة تدريبه لكل سيناريو جديد. هذه العالمية أمر بالغ الأهمية لدراسة المواد الواقعية، التي غالباً ما تكون سبائك معقدة أو خلطات من عناصر عديدة مختلفة. ومن خلال الجمع بين هذا النطاق الكيميائي الواسع مع دقة تقارب دقة ميكانيكا الكم، وسرعة الجهد التجريبي، أنشأ الباحثون أداة يمكنها أخيراً محاكاة الأنظمة المعقدة متعددة المكونات التي تقود التكنولوجيا الحديثة وعلم المواد. ويشير العمل إلى أن المقايضة طويلة الأمد بين الدقة والسرعة في المحاكاة الذرية يمكن التغلب عليها، بشرداً تم تصميم النموذج مع مراعاة قيود النشر في العالم الحقيقي.

كما اختبر الباحثون حدود نظامهم بعناية. ووجدوا أنه بينما يتفوق النموذج في التفاعلات قصيرة المدى، فإنه لا يأخذ في الاعتبار صراحة القوى الكهربائية بعيدة المدى أو قوى التشتت، وهي أمور مهمة لأنواع معينة من المواد. ومع ذلك، بالنسبة للغالبية العظمى من سيناريوهات الترابط الموجودة في المواد الصلبة والسائلة، يؤدي النموذج عمله بموثوقية استثنائية. وقد تحقق الفريق من أن النسخة المضغوطة من النموذج، التي تستخدم جداول البحث، أنتجت نتائج متطابقة تقريباً مع النسخة غير المضغوطة، مما أكد أن الضغط لم يضحِ بالدقة. كما أظهروا أن النموذج يمكنه التعامل مع الجزيئات المشحونة والأنظمة ذات المدارات المفتوحة، مما وسع نطاق تطبيقه إلى ما هو أبعد من المواد الصلبة البسيطة.

في النهاية، يمثل هذا العمل تحولاً في كيفية مقاربة العلماء لمحاكاة المادة. فمن خلال إعادة التفكير في البنية الأساسية لنماذج التعلم الآلي لإعطاء الأولوية للكفاءة والقابلية للضغط، نجح الفريق في فتح مجال جديد من الأداء. لقد أثبتوا أنه من الممكن امتلاك نموذج يكون عالمياً عبر الكيمياء، ودقيقاً بما يكفي للوثوق بالتوقعات الحرجة، وسريعاً بما يكفي للعمل على مقياس مليارات الذرات. إن هذا الإنجاز ينقل المجال من حالة التسوية والمساومة إلى حالة القدرة والتمكين، مما يسمح للباحثين بطرح أسئلة حول المواد والجزيئات التي كانت في السابق أكبر من أن تُحاكى أو أكثر تعقيداً من أن تُدرس. ويتمثل المسار المستقبلي الآن في توسيع هذه الأساليب لتشمل التفاعلات بعيدة المدى ومزيد من الصقل للنماذج لتطبيقات أكثر تخصصاً، ولكن الأساس قد وُضع بقوة.