Origins of Universal Machine Learning Force-Field Errors in Multicomponent Materials

لطالما سعى علماء المواد إلى إيجاد طريقة للتنبؤ بكيفية سلوك المادة بمجرد معرفة مكوناتها. فمن خلال استبدال نوع من الذرات بنوع آخر، أو خلط العديد من العناصر المختلفة معًا في بلورة واحدة، يمكنهم ضبط خصائص مثل القوة، أو الموصلية، أو مدى قدرة البطارية على تخزين الشحنة. وتُعرف هذه العملية باسم "التصميم التركيبي"، وهي المحرك وراء الابتكارات الحديثة في كل شيء، بدءًا من المحركات النفاثة وصولاً إلى الغرسات الطبية. ولاختبار هذه الأفكار الجديدة، يعتمد الباحثون على محاكاة حاسوبية قوية تعمل كمختبر افتراضي. وتعد أكثر هذه المحاكاة دقة، والقائمة على قوانين ميكانيكا الكم، دقيقة للغاية ولكنها بطيئة جدًا لدرجة أنها لا تستطيع التعامل إلا مع عدد قليل من الذرات في المرة الواحدة. ولدراسة المواد المعقدة متعددة المكونات، لجأ العلماء إلى أداة أحدث: "حقول القوة القائمة على التعلم الآلي". وهذه الحقول هي نماذج ذكاء اصطناعي مدربة على مكتبات ضخمة من البيانات الذرية؛ حيث تتعلم قواعد كيفية تدافع الذرات وتجاذبها، مما يسمح لها بالتنبؤ بسلوك ملايين الذرات في ثوانٍ. والأمل معقود على أن تعمل هذه النماذج كمترجم عالمي، يأخذ ما تعلمه من المواد البسيطة ويطبقه على الخلطات المعقدة والفوضوية الموجودة في الهندسة الواقعية.

ومع ذلك، ظل هناك سؤال جوهري بلا إجابة: هل تفهم هذه النماذج العالمية حقًا "الأحياء السكنية" الغريبة والمزدحمة التي تنشأ عندما تُخلط عناصر عديدة مختلفة معًا؟ لقد وضعت دراسة جديدة أجراها فريق من الباحثين في الصين أحد عشر من أكثر نماذج التعلم الآلي تقدمًا تحت الاختبار مقابل معيار مرجعي ضخم ومخصص يتكون من ما يقرب من 7,600 تكوين ذري معقد. وقد صُممت هذه التكوينات لمحاكاة السبائك عالية الاعتلاج والمواد ذات الأنيونات المختلطة التي يحاول المهندسون بناءها حاليًا. ووجد الباحثون أنه بينما تعد هذه النماذج قوية، إلا أنها تعاني بشكل كبير عندما تُضغط الذرات بالقرب من بعضها البعض، وهو موقف يحدث كثيرًا في هذه الخلطات المعقدة. وتكشف الدراسة أن هذه النماذج لا ترتكب أخطاء عشوائية فحسب، بل تفشل بطريقة محددة للغاية ويمكن التنبؤ بها؛ فعندما تُضغط الذرات، تتنبأ النماذج بقوى تكون خاطئة بمقدار الضعف تقريبًا مقارنة بحالات تباعد الذرات عن بعضها. علاوة على ذلك، تظهر الدراسة أن صعوبة التنبؤ بهذه القوى تعتمد بشكل كبير على العناصر المحددة المشاركة، حيث تبين أن بعض المعادن الانتقالية مستعصية بشكل خاص على تعلم الذكاء الاصطناعي.

ولفهم سبب أهمية ذلك، يجب على المرء أولاً أن يستوعب ما يفعله حقل القوة القائم على التعلم الآلي بالفعل. تخيل أنك تحاول التنبؤ بكيفية تحرك حشد من الناس داخل غرفة؛ إذا كنت قد شاهدت فقط مجموعة صغيرة من الأشخاص يسيرون في خط مستقيم، فقد تجد صعوبة في التنبؤ بكيفية سلوك حشد فوضوي ومتدافع من المئات. وبالمثل، تم تدريب نماذج الذكاء الاصطناعي هذه على مجموعات بيانات تحتوي على ملايين اللقطات الذرية، لكن تلك اللقطات جاءت في الغالب من مواد كانت تستقر في أشكالها الأكثر استقرارًا أو تمر باهتزازات قياسية. وهي نادرًا ما تضمنت البيئات المتطرفة والمزدحمة والمتنوعة كيميائيًا التي تنشأ عندما يخلط العلماء عمدًا عناصر عديدة مختلفة لإنشاء مواد جديدة. وقد أنشأ الباحثون معيارهم المرجعي لسد هذه الفجوة؛ حيث قاموا بتوليد آلاف الهياكل التي يتم فيها خلط خمسة عناصر مختلفة على الأقل بنسب متوازنة، مما خلق مشهدًا كيميائيًا أكثر ازدحامًا وتنوعًا مما رأت النماذج من قبل. ثم طلبوا من نماذج الذكاء الاصطناي الأحد عشر الرائدة التنبؤ بالطاقة والقوى المؤثرة على كل ذرة في هذه الهياكل، مقارنين النتائج بالمعيار الذهبي للحسابات الميكانيكية الكمومية.

كانت النتائج كاشفة. فبينما أدت النماذج أداءً جيدًا نسبيًا فيما يتعلق بالطاقة الإجمالية للهياكل، أظهرت تنبؤاتها للقوى المؤثرة على الذرات الفردية أخطاءً كبيرة. واكتشف الباحثون أن هذه الأخطاء لم تكن موزعة عشوائيًا، بل كانت مرتبطة ارتباطًا وثيقًا بالهندسة المحلية للذرات. وعندما نظر الباحثون في المسافة بين الذرات، وجدوا عدم تماثل صارخ؛ فإذا كانت الذرة أبعد قليلاً عن جيرانها مما رآه النموذج في بيانات التدريب الخاصة به، فإن الخطأ يظل صغيرًا نسبيًا. ولكن إذا ضُغطت الذرة لتصبح أقرب إلى جيرانها — أي انضغاطت — فإن الخطأ يرتفع بشكل هائل. في الواقع، بالنسبة لنفس مقدار التغير في المسافة، كانت أخطاء القوة في جانب الانضغاط أكبر بمقره بين 1.8 و1.95 مرة مما هي عليه في جانب التمدد. وهذا يشير إلى أن النماذج قد تعلمت قواعد كيفية سلوك الذرات عندما تكون مسترخية أو متباعدة، لكنها لم تتعلم القواعد الصعبة والحادة لكيفية سلوكها عندما تُضغط بشدة.

ويعود هذا التحيز الاتجاهي إلى فيزياء التفاعلات الذرية. فعندما تُدفع الذرات معًا، تتنافر سحبها الإلكترونية بقوة هائلة، مما يخلق جدار طاقة شديد الانحدار. وتجد نماذج التعلم الآلي، وهي في الأساس منحنيات رياضية تحاول ملاءمة هذا السلوك، صعوبة في التقاط حدة هذا الجدار. وقد أكدت الدراسة ذلك من خلال النظر في انحناء منحنيات التفاعل المتوقعة؛ حيث أظهرت النماذج باستمرار استجابة أكثر حدة وانحناءً في جانب الانضغاط مقارنة بالميل الأكثر اعتدالًا في جانب التمدد. وهذا يعني أنه حتى لو كان النموذج قد رأى زوجًا معينًا من الذرات من قبل، فقد يفشل إذا ضُغط هذا الزوج في تكوين لم يصادفه من قبل. وتتفاقم المشكلة بسبب البيئة الكيميائية؛ فقد وجد الباحثون أن صعوبة التنبؤ بالقوى تعتمد أيضًا على الهوية المحددة للعناصر المعنية. فبعض العناصر، وخاصة المعادن الانتقالية مثل الحديد والنيوبيوم والموليبدينوم، كانت باستمرار أصعب على النماذج في ضبطها بدقة، بغض النظر عما إذا كانت في معدن بسيط أو خليط معقد. وترتبط هذه الصعوبة بكيفية استجابة الإلكترونات في هذه الذرات للحركة والتغيرات في مستويات طاقتها، وهو سلوك إلكتروني دقيق يصعب التقاطه بالوصف الرياضي القياسي.

كما اختبرت الدراسة ما إذا كان إضافة أدوات رياضية أكثر تعقيدًا إلى النماذج يمكن أن يحل هذه المشكلات. وبالتحديد، قارنوا بين النماذج التي تنظر فقط إلى المسافة بين الذرات والنماذج التي تنظر أيضًا إلى الزوايا التي تشكلها مجموعات من الذرات. وأظهرت النماذج التي تضمنت هذه التفاصيل الزاوية أداءً أفضل بكثير، حيث قللت الخطأ للعناصر الصعبة بنسبة 40 بالمائة في المتوسط. ويشير هذا إلى أنه لفهم العالم المعقد والمزدحم للمواد متعددة العناصر، لا تحتاج النماذج إلى رؤية مدى بعد الذرات عن بعضها فحسب، بل تحتاج أيضًا إلى معرفة كيفية توجهها بالنسبة لبعضها البعض. وخلص الباحثون إلى أن مجرد جمع المزيد من البيانات ليس هو الحل الوحيد؛ بل يجب اختيار البيانات بعناية أكبر. إذ ينبغي أن تستهدف مجموعات التدريب المستقبلية تحديدًا هذه البيئات عالية المخاطر والمضغوطة، والعناصر المستعصية التي تسبب أكبر قدر من المشاكل. ومن خلال فهم أين ولما لماذا تفشل هذه النماذج بالضبط، يمكن للعلماء الآن بناء أدوات أفضل ستسمح لهم بتصميم الجيل القادم من المواد المتقدمة بثقة ودقة أكبر.