← أحدث الأبحاث
🔬 materials science

A latent-space extrapolation grade built into graph atomic cluster expansion foundation potentials

تقدم هذه الورقة درجة الاستقراء "كاليم" (CALM) المعايرة، وهي مقياس لعدم اليقين لكل ذرة يتسم بالكفاءة الحسابية ومدمج في إمكانات "غريس" (GRACE) التأسيسية، والتي تكتشف بدقة الاستقراء الهيكلي والكيميائي من خلال ربط مسافات الفضاء الكامن بأخطاء القوة لتوجيه عملية جمع البيانات المستهدفة.

المؤلفون الأصليون: Yury Lysogorskiy, Anton Bochkarev, Ralf Drautz

نُشر 2026-10-01
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yury Lysogorskiy, Anton Bochkarev, Ralf Drautz

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 عالم علم المواد، يستخدم الباحثون برامج حاسوبية قوية للتنبؤ بكيفية سلوك الذرات. هذه البرامج، المعروفة باسم إمكانات التعلم الآلي، تعمل كجسر بين الحسابات الدقيقة والبطيئة للفيزياء الكمومية وبين المحاكاة واسعة النطاق والسريعة اللازمة لتصميم بطاريات جديدة، أو معادن أقوى، أو خلايا شمسية أكثر كفاءة. ومن خلال التعلم من مكتبات ضخمة من الترتيبات الذرية المعروفة، يمكن لهذه النماذج أن تخمن فوراً الطاقة والقوى المؤثرة على الذرات في موقف جديد. لقد أتاحت هذه السرعة القدرة على محاكاة بلورات كاملة وتفاعلات كيميائية معقدة كانت في السابق مكلفة للغاية من حيث الحوسبة. ومع ذلك، تظل هناك نقطة عمياء حرجة: فعندما تواجه هذه النماذج موقفاً لم تره من قبل، فإنها غالباً ما تفشل بصمت؛ إذ قد تعطي نتيجة تبدو منطقية تماماً ولكنها خاطئة تماماً، دون تقديم أي تحذير بأن التنبؤ قد انحرف بعيداً عن النطاق الذي تعرفه النماذج بالفعل.

ولحل هذه المشكلة، طور فريق من الباحثين في جامعة روهر بوش (Ruhr-University Bochum) طريقة جديدة لقياس الثقة في الوقت الفعلي. لقد قدموا نظاماً يسمى "درجة الماهالانوبيس للاستقراء المعايرة"، أو ببساطة "درجة الهدوء" (calm grade)، والتي تعمل كبوصلة داخلية لهذه النماذج الذرية. تخيل خريطة يعرف فيها النموذج كل شارع في مدينة معينة؛ إذا ظل السائق في تلك الشوارع، فإن الخريطة تكون موثوقة. ولكن إذا وجد السائق نفسه فجأة في صحراء أو بلد آخر، فإن الخريطة تصبح عديمة الفائدة. يمنح هذا النظام الجديد كل ذرة درجة تخبر الحاسوب بدقة مدى ابتعادها عن الشوارع المعروفة. فإذا كانت الدرجة منخفضة، تكون الذرة في منطقة مألوفة، وإذا كانت الدرجة مرتفعة، تكون الذرة في منطقة غير معروفة، ويعرف الحاسوب حينها ضرورة التعامل مع النتيجة بحذر شديد.

بنى الباحثون هذا النظام ضمن نموذج تأسيسي يسمى "غريس" (GRACE)، والمصمم للعمل عبر نطاق واسع من العناصر والبيئات الكيميائية. وبدلاً من تشغيل نسخ متعددة من النموذج للتحقق من الأخطاء — وهي طريقة دقيقة ولكنها مكلفة حاسوبياً وبطيئة — قاموا بهندسة فحص واحد خفيف الوزن يعمل جنباً إلى جنب مع الحساب الرئيسي. يبحث هذا الفحص في "البصمة" الرياضية لحيّز الذرة؛ حيث يقارن هذه البصمة بمكتبة من البصمات التي جُمعت من بيانات التدريب. وإذا كانت البصمة الجديدة مختلفة جداً عما رآه النموذج من قبل، يقوم النظام بوضع علامة عليها. ومن الأهمية بمكان أن هذا الفحص قد تمت معايرته بحيث تمثل درجة محددة، وهي الواحد، الحد الفاصل بين ما يعرفه النموذج وما يخمنه.

اختبر الفريق هذا النهج بصرامة باستخدام مجموعتين ضخمتين من البيانات تحتويان على ملايين التكوينات الذرية. ووجدوا أن الدرجة ترتبط ارتباطاً وثيقاً بالخطأ الفعلي في تنبؤات النموذج. فعندما كانت الدرجة منخفضة، كانت تخمينات النموذج حول كيفية دفع وسحب الذرات لبعضها البعض دقيقة. وعندما ارتفعت الدرجة فوق العتبة، زادت الأخطاء بشكل كبير، وأحياناً بعدة مراتب عشرية. أثبت النظام فعاليته في رصد نوعين متميزين من المخاطر: أولاً، رصد المفاجآت الهيكلية، مثل الذرات المضغوطة بشدة أو المسحوبة بعيداً جداً، أو الذرات الموجودة على سطح مادة حيث تفتقر إلى جيرانها. ثانياً، رصد المفاجآت الكيميائية، مثل مادة مكونة من مزيج من العناصر بنسب لم يرها النموذج خلال تدريبه. وفي اختبار تضمن مزيجاً من الموليبدينوم والتنجستن، حدد النظام بشكل صحيح أن النموذج يعاني عندما تجاوز تركيز التنجستن الحدود التي كانت موجودة في بيانات التدريب، على الرغم من أن الذرات نفسها كانت كيميائياً مشابهة لما عرفه النموذج.

وإلى جانب مجرد رصد الأخطاء، أظهر الباحثون أنه يمكن استخدام هذه الدرجة لتحسين النموذج بشكل نشط. فمن خلال استخدام الدرجة لتوجيه محاكاة حاسوبية، استطاعوا توجيه المحاكاة نحو المناطق الأكثر عدم يقين في المشهد الذري. فبدلاً من ترك المحاكاة تتجول عشوائياً، استخدموا الدرجة كعامل انحياز لدفع الذرات نحو التكوينات التي كان النموذج فيها الأقل ثقة. سمح لهم ذلك بجمع نقاط بيانات جديدة عالية القيمة في الأماكن التي هم في أمس الحاجة إليها. وعندما استخدموا نقاط البيانات الجديدة هذه لإعادة تدريب النموذج، كانت الإمكانات الناتجة أفضل بكثير في التعامل مع درجات الحرارة العالية والحالات السائلة مقارنة بنموذج تم تدريبه باستخدام نفس القدر من البيانات التي جُمعت دون هذا التوجيه. وهذا يشير إلى أن النظام لا يكتفي بتحديد المشكلات فحسب، بل يوفر أيضاً خارطة طريق لإصلاحها بكفاءة.

تتميز هذه الطريقة أيضاً بكفاءة ملحوظة؛ إذ إن إضافة فحص الثقة هذا إلى المحاكاة يزيد من وقت الحوسبة بنسبة ضئيلة جداً، وغالباً ما تكون أقل من واحد بالمائة للنماذج الأكبر والأكثر تعقيداً. وهذا يعني أنه يمكن استخدامه في كل خطوة من خطوات المحاكاة الطويلة دون إبطاء البحث. وقد أثبت الباحثون أن هذه التكلفة الضئيلة تشتري مكسباً هائلاً في الموثوقية، مما يسمح للعلماء بإجراء عمليات محاكاة مع الثقة في أنهم لن ينزلقوا دون علم إلى الخطأ. ومن خلال دمج درجة "الهدوء" هذه مباشرة في النماذج التأسيسية، قدم الفريق أداة تجعل هذه المحاكاة القوية أكثر أماناً وموثوقية، مما يضمن للعلماء أنه عندما ينظرون إلى العالم الذري، فإنهم يعرفون تماماً متى ينظرون إلى انعكاس للواقع ومتى ينظرون إلى مجرد تخمين.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 cond-mat.mtrl-sci →