Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory

على مدى أكثر من ستين عاماً، اعتمد العلماء على مجموعة قوية من القواعد لفهم كيفية تماسك الذرات معاً لتكوين المواد المحيطة بنا. هذا الإطار، المعروف باسم نظرية الدالة الوظيفية للكثافة، يعامل السحابة الإلكترونية المحيطة بالذرة ليس كمجموعة من الجسيمات الفردية، بل ككثافة مستمرة وناعمة. يتيح هذا النهج للباحثين التنبؤ بخصائص كل شيء، من الأدوية الجديدة إلى البطاريات المتقدمة. ومع ذلك، هناك عقبة؛ فمن أجل الحصول على نتائج دقيقة، تتطلب النظرية عملية حسابية معقدة ومتكررة تتضمن الحل لخصائص سلوك كل إلكترون في النظام. ومع ازدياد حجم النظام، يتضخم الوقت المطلوب لهذه الحسابات بشكل هائل، بحيث ينمو بسرعة تجعل محاكاة قطعة معدنية متوسطة الحجم أو جزيء بيولوجي كبير أمراً مستحيلاً حتى على أقوى الحواسيب الفائقة. لقد أبقت هذه العقبة العديد من الأسئلة العلمية الهامة بعيدة المنال، مما أجبر الباحثين على الاختيار بين الدقة والنطاق.

وجد فريق من الباحثين في معهد كاليفورنيا للتكنولوجيا طريقة لكسر هذا الحاجز عبر تعليم الكمبيوتر تخطي الجزء الأكثر تكلفة في الحساب دون فقدان الدقة. فبدلاً من محاولة التنبؤ بالنتيجة النهائية مباشرة أو تعلم اختصار رياضي صعب غالباً ما يفشل، علموا ذكاءً اصطناعياً القيام بالخطوة المحددة والمتكررة التي تحدث في كل دورة حسابية واحدة. ومن خلال التركيز على هذه الخطوة المتوسطة، ابتكروا طريقة يمكنها محاكة أنظمة تحتوي على عشرات الآلاف من الذرات باستخدام بطاقة رسوميات واحدة، وهي مهمة كانت تتطلب سابقاً آلاف المعالجات. والنتيجة هي طريقة جديدة لنمذجة المادة سريعة تقريباً مثل أبسط التقريبات، لكنها تحتفظ بالدقة العالية لأكثر الطرق صرامة.

يكمن جوهر المشكلة في كيفية تعامل هذه النظرية مع الإلكترونات. لإيجاد الحالة المستقرة للمادة، يجب على الكمبيوتر تعديل خريطة كثافة الإلكترونات بشكل متكرر حتى تتوقف عن التغير. في الطريقة التقليدية، يتطلب هذا التعديل حل مسألة قيم ذاتية ضخمة، وهي في الأساس البحث عن الأنماط المحددة لحركة الإلكترونات لكل ذرة في النظام. هذه العملية ثقيلة حسابياً لدرجة أن تكلفتها تنمو تكعيبياً مع عدد الإلكترونات؛ أي أن مضاعفة حجم النظام تجعل الحساب أصعب بثماني مرات. لعقود من الزمن، حاول العلماء تجاوز ذلك عبر إلغاء الحاجة لتتبع أنماط الإلكترونات الفردية تماماً، وهي استراتيجية تُعرف بنظرية الدالة الوظيفية للكثافة الخالية من المدارات. ومع ذلك، فشلت المحاولات السابقة لتعلم هذا الاختصار باستخدام التعلم الآلي. حاول البعض تعلم العلاقة بين كثافة الإلكترونات والطاقة، لكن هذه العلاقة غير مستقرة رياضياً وعرضة للأخطاء. وحاول آخرون التنبؤ بالكثافة الإلكترونية النهائية مباشرة من ترتيب الذرات، لكن هذه النماذج فشلت عندما طُلب منها التنبؤ بأنظمة أكبر أو مختلفة كيميائياً عما تدربت عليه.

أدرك الباحثون أن المفتاح يكمن في التوقف عن محاولة التنبؤ بالوجهة النهائية والبدء في تعلم الرحلة بدلاً من ذلك. في كل خطوة من الخطوات التقليدية، يرسم الكمبيوتر خريطة للقوى المؤثرة على الإلكترونات وينتج خريطة جديدة لمكان تواجد الإلكترونات المرجح. هذه الخطوة الأمامية مستقرة رياضياً ومحددة بدقة. قام الفريق بتدريب شبكة عصبية متخصصة، وهي نوع من الذكاء الاصطناعي المصمم لفهم الأنماط المكانية، لتعلم هذا التحول بالضبط. لقد غدوا الشبكة بآلاف الأمثلة من خرائط القوى وخرائط الكثافة الإلكترونية المقابلة لها، والمستمدة من مجموعة متنوعة تضم 8,504 جزيئاً ومواد صلبة، بما في ذلك المركبات العضوية، والمواد العازلة، والمعادن. تعلمت الشبكة التنبؤ بالكثافة الإلكترونية الجديدة مباشرة من القوى، مما أدى فعلياً إلى استبدال الحساب الثقيل والبطيء بتنبؤ سريع ومدروس.

ما يجعل هذا النهج فريداً هو كيفية تعامله مع تعقيد الأنظمة المختلفة. صمم الباحثون الشبكة لتكون "مستقلة عن المجال"، مما يعني أنها تستطيع تطبيق نفس القواعد المتعلمة على جزيء صغير وبلورة ضخمة دون الحاجة لإعادة التدريب لكل حجم جديد. كما ضمنوا أن تحترم الشبكة التناظرات الأساسية للمكان، بحيث تفهم أن تدوير أو إزاحة الجزيء لا يغير خصائصه الفيزيائية. وعند اختبارها على أنظمة لم ترها من قبل، أثبت النموذج قدرة مذهلة على الصمود. ففي مجموعة من الجزيئات الشبيهة بالأدوية التي تحتوي على عناصر وأحجام غير موجودة في بيانات التدريب، حافظت الطريقة الجديدة على دقة عالية، بينما ارتفعت أخطاء نماذج التنبؤ المباشرة السابقة بشكل حاد مع زيادة حجم الجزيئات. وتسمح الطبيعة "متسقة الذات" للطريقة بتصحيح أخطائها في كل خطوة، تماماً مثل الملاح الذي يتحقق من موقعه بشكل متكرر بدلاً من تخمين الطريق بأكمله دفعة واحدة.

تجلت قوة هذه الطريقة عندما طبقها الفريق على الأنظمة الدورية، مثل البلورات، وعلى العيوب الممتدة في المعادن. في الحسابات القياسية للبلورات، يجب على الكمبيوتر تكرار الحساب الثقيل لعديد من النقاط المختلفة في الفضاء الرياضي الذي يصف النمط المتكرر للبلورة. تتخطى الطريقة الجديدة هذا التكرار تماماً، حيث تطور الكثافة الإلكترونية في الخلية الوحدة دون الحاجة لأخذ عينات من هذه النقاط بشكل فردي. سمح ذلك للباحثين بتقريب الحسابات للأنظمة المعدنية وأشباه الموصلات باستخدام نموذج واحد، مع إعادة إنتاج الأطياف الإلكترونية والخصائص الهيكلية بنفس دقة الطريقة التقليدية. علاوة على ذلك، أظهر النموذج قدرة مفاجئة على الانتقال بين أنواع مختلفة من التقريبات النظرية؛ حيث يمكن استخدام نموذج تم تدريبه على نوع معين من الحسابات مع تقريب أكثر دقة للقوى دون الحاجة لإعادة التدريب، وذلك ببساطة عبر استبدال قوى المدخلات.

جاء الاختبار النهائي عندما طبق الباحثون الطريقة على "خلع مغنيسيوم"، وهو نوع من العيوب في بلورة معدنية يعد حاسماً لفهم كيفية تشوه المواد وانكسارها. تخلق هذه العيوب مجالات مرنة طويلة المدى تتطلب محاكاة آلاف الذرات لنمذجتها بدقة. كانت المحاولات السابقة لمحاكاة مثل هذا النظام بدقة عالية تتطلب حاسوباً فائقاً يحتوي على آلاف وحدات معالجة الرسومات وتستغرق أياماً لتشغيلها. نجحت الطريقة الجديدة، التي تعمل على بطاقة رسوميات حديثة واحدة، في إتمام الحساب لنظام يحتوي على 8,250 ذرة مغنيسيوم و82,500 إلكترون تكافؤ. ونما وقت إكمال الحساب بشكل خطي تقريباً مع حجم النظام، مما أكد إزالة العقبة الحسابية. وكانت الكثافات الإلكترونية الناتجة لا يمكن تمييزها عن المرجع عالي الدقة، مما سمح للباحثين بحل فروق الطاقة الدقيقة بين أنواع العيوب المختلفة التي تحدد قوة المعدن.

يظهر هذا العمل أن التعلم الآلي يمكنه توسيع نطاق حسابات البنية الإلكترونية ليس عبر استبدال النظرية الفيزيائية بأكملها، بل عبر تسريع أكثر عملياتها تكراراً والأكثر تكلفة. ومن خلال تعلم الخريطة الأمامية من القوى إلى الكثافة، خلق الباحثون أداة مستقرة، وقابلة للانتقال عبر أنواع مختلفة من المادة، وقادرة على التعامل مع أنظمة بمقياس كان في السابق بعيد المنال. توفر الطريقة تشخيصاً مباشراً لموثوقيتها؛ فإذا فشلت العملية في التقارب، فإن ذلك يشير إلى أن النظام خارج النطاق الموثوق للنموذج، وهي ميزة تفتقر إليها نماذج التنبؤ المباشر. وبينما يتنبأ النموذج الحالي بكثافة الإلكترونات، يمكن أيضاً الحصول على الطاقة الإجمالية والخصائص الأخرى بخطوة نهائية واحدة، مما يحافظ على دقة النظرية الكاملة. يفتح هذا النهج الباب لمحاكة المواد المعقدة، والأنظمة البيولوجية، والتفاعلات الكيميائية بمستوى من التفصيل والنطاق كان يُعتبر سابقاً ضرباً من المستحيل نظرياً.