Small-supercell and Small-dataset Training Strategy of Machine Learning Interatomic Potentials for Point Defects
تقترح هذه الورقة استراتيجية تدريب لإمكانات ذرية تعتمد على تعلم الآلة وتتسم بالكفاءة الحسابية، حيث تستخدم مجموعة بيانات صغيرة مستمدة من حسابات نظرية الكثافة الوظيفية (DFT) المحدودة على خلايا فائقة صغيرة، مدمجة مع بيانات العيوب والكتل النقية متعددة الأحجام، للتنبؤ بدقة بخصائص عيوب النقاط في الأنظمة واسعة النطاق بأقل قدر من الخطأ.
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
داخل المواد الصلبة التي تشغل عالمنا الحديث، من رقائق السيليكون في هواتفنا إلى الخلايا الشمسية على أسطح منازلنا، تملي العيوب الصغيرة أداء هذه المواد. هذه العيوب، المعروفة باسم "عيوب النقطة"، هي في الأساس ذرات مفقودة أو ذرات في غير مكانها الصحيح داخل الشبكة البلورية المنتظمة. ورغم أنها مجهرية، إلا أن تأثيرها عياني (مرئي)؛ فهي تحدد مدى جودة توصيل أشباه الموصلات للكهرباء أو كفاءة تحويل الضوء إلى طاقة. لعقود من الزمن، اعتمد العلماء على محاكاة حاسوبية معقدة تعتمد على قوانين ميكانيكا الكم لفهم هذه العيوب. تعمل هذه المحاكاة مثل مجهر رقمي، مما يسمح للباحثين برؤية كيفية تحرك الذرات وكيفية تغير الطاقة عند وجود عيب ما. ومع ذلك، فإن هذا المجهر الرقمي بطيء للغاية ومكلف الاستخدام. وللحصول على نتائج دقيقة، خاصة بالنسبة للعيوب التي تحمل شحنة كهربائية، يجب أن تقوم عمليات المحاكاة بنمذجة عدد هائل من الذرات — غالبًا مئات أو حتى آلاف الذرات — لتجنب الأخطاء الاصطناعية الناتجة عن حدود النموذج الحاسوبي. وهذا المتطلب يجعل من المستحيل تقريبًا دراسة هذه العيوب في الأنظمة الكبيرة والواقعية حيث تعمل فعليًا.
لقد ظهر نهج جديد لتسريع هذه الحسابات: "إمكانات التفاعل بين الذرات القائمة على التعلم الآلي". فكر في هذه الإمكانات كأنها طرق مختصرة ذكية. فبدلاً من حل المعادلات الكمومية الثقيلة في كل مرة، يتعلم برنامج حاسوبي قواعد تفاعل الذرات من مجموعة صغيرة من الأمثلة عالية الجودة. وبمجرد تدريبه، يمكن لهذا البرنامج التنبؤ بكيفية سلوك الذرات في أنظمة ضخمة بدقة تقارب الكمال ولكن في جزء ضئيل من الوقت. ومع ذلك، كان التحدي يكمثل في أن تدريب هذه البرامج يتطلب عادةً مكتبة ضخمة من البيانات، والتي تتضمن غالبًا آلاف عمليات المحاكاة المكلفة. وهذا أمر صعب للغاية بالنسبة للعيوب المشحونة، حيث تجعل الحاجة إلى نماذج ذرية ضخمة لتجنب الأخطاء عملية جمع البيانات باهظة التكالية. وقد طور باحثون في جامعة فودان وجامعة ديلاوير الآن طريقة لتدريب هذه النماذج القائمة على التعلم الآلي باستخدام جزء ضئيل من البيانات المعتادة، مما يثبت أن مجموعة صغيرة ومختارة بعناية من الأمثلة يمكن أن تعلم الكمبيوتر التنبؤ بسلوك العيوب في أنظمة أكبر بكثير.
ركز الفريق على استراتيجية محددة لمعرفة ما إذا كان بإمكانهم بناء نموذج موثوق دون الحاجة إلى جبل البيانات المعتاد. وقد اختاروا ثلاث مواد مختلفة — نتريد الغاليوم، وثاني أكسيد السيليكون، ومركب قائم على النحاس يستخدم في الخلايا الشمسية — كمواد اختبار. وبالنسبة لكل منها، بحثوا في عيوب محددة، مثل ذرة نيتروجين مفقودة أو ذرة نحاس في غير مكانها، في حالات شحن كهربائي مختلفة. كان هدفهم هو معرفة ما إذا كان بإمكانهم تدريب نموذج تعلم آلي باستخدام عدد قليل فقط من النماذج الذرية الصغيرة، التي تحتوي على أقل من مائة ذرة، ومن ثم جعل هذا النموذج يتنبأ بدقة بما سيحدث في نموذج أكبر بكثير يحتوي على أكثر من مائتين من الذرات. واختبروا طريقتين مختلفتين لتغذية البيانات إلى الكمبيوتر. في الطريقة الأولى، قدموا فقط بيانات من الذرات المعيبة نفسها، والمأخوذة من عمليات محاكاة لأحجام صغيرة مختلفة. وفي الطريقة الثانية، أضافوا بيانات من قطع مثالية خالية من العيوب من نفس المادة للمساعدة في فهم البيئة المحيطة.
كشفت النتائج عن درس واضح حول كيفية تعلم هذه الطرق المختصرة الرقمية. فعندما قام الباحثون بتدريب النموذج باستخدام بيانات من حجم واحد فقط من النماذج الذرية، فشل البرنامج فشلاً ذريعًا عندما طُلب منه التنبؤ بسلوك الأنظمة الأكبر. كانت الأخطاء في توقعات الطاقة هائلة، حيث وصلت أحيانًا إلى عشرات الإلكترون فولت، وهو خطأ جسيم في عالم الفيزياء الذرية. لقد قام الكمبيوتر ببساطة بحفظ الخصائص الفريدة لذلك النموذج الصغير بدلاً من تعلم الفيزياء الأساسية. ومع ذلك، عندما تضمنت بيانات التدريب أمثلة من عدة أحجام صغيرة مختلفة، تحسنت قدرة النموذج على التنبؤ بالأنظمة الأكبر بشكل كبير. فمن خلال رؤية كيف يتصرف العيب في عنقود صغير، وعنقود متوسط، وآخر أكبر قليلاً، تعلم الكمبيوتر التعرف على الأنماط التي تظل ثابتة بغض النظر عن حجم النظام. وقد سمح ذلك له بإجراء تنبؤات دقيقة للأنظمة التي تحتوي على أكثر من مائتي ذرة، حيث انخفضت أخطاء الطاقة إلى أقل من 0.3 إلكترون فولت في كثير من الحالات.
وقد وفرت إضافة مادة مثالية خالية من العيوب إلى بيانات التدريب دفعة إضافية، لا سيما للعيوب ذات الشحنة الكهربائية المنخفضة. ساعدت هذه المعلومات الإضافية النموذج على فهم البيئة المستقرة وغير المضطربة التي تحيط بالعيب، مما جعل تنبؤاته أكثر موثوقية. ومع ذلك، سلطت الدراسة الضوء أيضًا على حد لهذه الكفاءة؛ فبالنسبة للعيوب ذات الشحنة الكهربائية العالية جدًا، لم يكن مجرد استخدام نماذج صغيرة وإضافة مادة مثالية كافيًا. فالقوى الكهربائية بعيدة المدى في هذه الأنظمة عالية الشحنة قوية جدًا، بحيث ظل النموذج بحاجة إلى رؤية أمثلة لأنظمة أكبر، مشحونة ومعيبة، لتعلم السلوك الصحيح. وبدون هذه الأمثلة الأكبر، ظلت التنبؤات غير مستقرة.
يوفر هذا العمل خارطة طريق عملية للعلماء الذين يرغبون في استخدام التعلم الآلي لدراسة العيوب دون انتظار سنوات حتى تنتهي الحواسيب الفائقة من حساباتها. فهو يظهر أنك لست بحاجة إلى مجموعة بيانات ضخمة للحصول على نتائج جيدة، بل تحتاج إلى مجموعة ذكية. فمن خلال الاختيار الدقيق لعدد قليل من الأمثلة من أحجام مختلفة وخلطها ببيانات من مواد مثالية، يمكن للباحثين تدريب نماذج دقيقة بما يكفي لمحاكاة العيوب واسعة النطاق. وهذا يجعل من الممكن دراسة العيوب المجهرية التي تتحكم في أداء الأجهزة الإلكترونية والبصرية التي تشكل حياتنا اليومية، محولاً مهمة مستحيلة حاسوبيًا إلى مهمة يمكن إدارتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.