Can end-to-end learning from raw electronic structure explain magnetic anisotropy?

تخيل أنك تحاول بناء مغناطيس فائق القوة ومتناهي الصغر باستخدام بضع ذرات فقط. لكي يكون هذا الجهاز مفيداً لتخزين البيانات أو إجراء الحسابات الكمومية، يجب أن يكون المغناطيس عنيداً؛ إذ يحتاج إلى الحفاظ على اتجاهه بقوة ضد أي دفع خارجي. هذه العناد يسمى "التباين المغناطيسي" (magnetic anisotropy). وهذا هو السبب في أن إبرة البوصلة تشير إلى الشمال بدلاً من الدوران بحرية. في العالم المجهري للذرات المنفردة، تعتمد هذه الخاصية على رقصة دقيقة وغير مرئية للإلكترونات. تمتلك هذه الإلكترونات طاقة ولفاً (spin) محددين، وتتفاعل مع نواة الذرة بطريقة تقفل اتجاه المغناطيس. إن التنبؤ بدقة بمدى قوة هذا القفل لمغناطيس ذري جديد ومصنع خصيصاً هو أمر صعب للغاية؛ فهو يتطلب عادةً حواسيب فائقة ضخمة لحل معادلات معقدة لكل ذرة على حدة، وهي عملية بطيئة ومكلفة.

لقد حاول العلماء مؤخراً تعليم الحواسيب التنبؤ بهذه الأقفال المغناطيسية باستخدام نهج مختلف: التعلم الآلي. فبدلاً من إعطاء الحاسوب مجموعة من القواعد المكتوبة مسبقاً حول كيفية تصرف الذرات، يقومون بتغذيته ببيانات خام حول مستويات طاقة الإلكترونات ويتركون الحاسوب يستنتج الأنماط بنفسه. هذا الأسلوب مرن وسريع، ولكنه يأتي مع فخ خفي. نظرًا لأن الحاسوب يتعلم من تلقاء نفسه، فقد يجد طريقاً مختصراً يعمل مع بيانات الاختبار ولكنه لا يعكس القوانين الحقيقية للفيزياء. يمكن لنموذجين مختلفين من الحاسوب أن يتنبآ بقوة المغناطيس بشكل مثالي، ومع ذلك، قد يكون أحدهما ينظر إلى القرائن الفيزيائية الصحيحة بينما يقوم الآخر بمجرد حفظ خدعة ما. السؤال الكبير هو: عندما يحصل نموذج التعلم الآلي على الإجابة الصحيحة، هل يفهم حقاً الفيزياء الكامنة وراءها، أم أنه مجرد تخمين صحيح؟

وضع فريق من الباحثين هدفاً لحل هذا الغموض من خلال اختبار نوعين مختلفين من نماذج الذكاء الاصطناعي على نفس المشكلة. أرادوا معرفة ما إذا كان بإمكان هذه النماذج تعلم العلاقة الحقيقية بين مستويات طاقة الإلكترونات والتباين المغناطيسي لمغناطيسات متناهية الصغر مكونة من أزواج من المعادن الثقيلة المستقرة على طبقة من الكربون. لم يكتفِ الباحثون بسؤال النماذج عن تقديم تنبؤ فحسب، بل بنوا اختباراً صارماً لمعرفة ما الذي "تنظر إليه" النماذج فعلياً داخل البيانات. قارنوا بين نموذج يعالج المعلومات مثل تسلسل الكلمات، وآخر يمسح البيانات مثل كاميرا تمسح مشهداً طبيعياً. تم تدريب كلا النموذجين على نفس البيانات الإلكترونية الخام، والتي تصف عدد الإلكترونات الموجودة عند كل مستوى طاقة.

أظهرت النتائج أن كلا النموذجين كانا بارعين جداً في التنبؤ بالقوة المغناطيسية، حيث حققا دقة مماثلة في البيانات التي تدرّبا عليها، ومع ذلك، عندما نظر الباحثون في أعماق النماذج لمعرفة أي أجزاء من البيانات الإلكترونية كانت الأكثر أهمية، وجدوا أمراً مفاجئاً. لم يكن النموذجان ينظران إلى نفس الميزات بالضبط. فبينما اتفقا في بعض المناطق الرئيسية، لا سيما مستويات الطاقة القريبة من الحد الفاصل بين حالات الإلكترونات المشغولة والفارغة، إلا أنهما اعتمدوا أيضاً على تفاصيل مختلفة للوصول إلى استنتاجاتهما. قد يركز أحد النموذجين على قمة محددة في البيانات، بينما يركز الآخر على شكل الوادي المجاور لها. أثبت هذا أنه حتى عندما يكون نموذجان متساويين في الدقة، يمكنهما الاعتماد على منطق داخلي مختلف، وأحياناً متضارب.

ولفهم أي النماذج كان يقول الحقيقة، أجرى الباحثون سلسلة من التجارب المنضبطة. لقد أخذوا البيانات الإلكترونية الخام وقاموا بتعديلها اصطناعياً، عبر إضافة أو إزالة كميات صغيرة من الطاقة في نقاط محددة، ثم راقبوا رد فعل النماذج. وجدوا أن النماذج لا تتفق دائماً على كيفية تأثير هذه التغييرات على القوة المغناطيسية. ففي بعض الأحيان، جعل تغيير ميزة إلكترونية معينة أحد النموذجين يتنبأ بمغناطيس أقوى، بينما تنبأ الآخر بمغناطيس أضعف. كشف هذا أن النماذج لم تكن تقرأ الواقع الفيزيائي نفسه فحسب، بل تعلمت علاقات وظيفية مختلفة. أظهرت الدراسة أن مجرد امتلاك نموذج يتنبأ جيداً ليس كافياً للوثوق بتفسيره. وخلص الباحثون إلى أنه لفهم ما تعلمه نموذج التعلم الآلي حقاً عن العالم الفيزيائي، لا يمكنك الاعتماد على تفسير واحد؛ بل تحتاج إلى مقارنة نماذج مختلفة، والتحقق من مطابقة تنبؤاتها للنظريات الفيزيائية الراسخة، واختبار كيفية استجابتها عند تغيير البيانات عمداً. وفقط عندما تشير جميع خطوط الأدلة هذه إلى نفس الاتجاه، يمكننا أن نثق في أن النموذج قد اكتشف بصمة فيزيائية حقيقية وليس مجرد مصادفة إحصائية.

اختبر الفريق أيضاً ما إذا كان إعطاء النماذج تلميحاً صغيراً من الفيزياء المعروفة سيساعدها على التعميم في مواقف جديدة. أضافوا مساهمة محسوبة بناءً على "نظرية الاضطراب" القياسية (perturbation theory) —وهي طريقة معروفة لتقدير التأثيرات المغناطيسية— إلى بيانات المدخلات. وبينما لم يغير هذا بشكل كبير مدى جودة أداء النماذج على البيانات التي رأتُها بالفعل، إلا أنه ساعدها على الأداء بشكل أفضل عند مواجهة أنواع مختلفة تماماً من المغناطيسات الذرية التي تختلف عن مجموعة التدريب. ومع ذلك، لم يكن هذا التحسن عالمياً؛ فقد اعتمد بشدة على نوع النموذج المستخدم والمهمة المحددة التي يحاول القيام بها. يشير هذا الاكتشاف إلى أنه بينما يمكن لضخ الفيزياء المعروفة أن يساعد، إلا أنه لا يعالج تلقائياً مشكلة تعلم النماذج للأشياء الخاطئة.

في نهاية المطاف، يوضح هذا العمل أن التعلم "من البداية إلى النهاية" (end-to-end learning) من البيانات الإلكترونية الخام يمكنه بالفعل تحديد البصمات المرشحة للتباين المغناطيسي دون الحاجة إلى اختصارات من تصميم بشري. لكن الطريق إلى فهم مجهري موثوق لهذه البصمات ليس خطاً مستقيماً. إنه يتطلب توافقاً في الأدلة: التحقق من اتفاق بنيات النماذج المختلفة، والتأكد من مطابقة الأنماط المحددة للنظرية الفيزيائية، والتأكد من أن النماذج تستجيب بشكل منطقي للتغييرات المحكومة في البيانات. وجد الباحثون أنه بينما يمكن لهذه النماذج أن تعمل كأدوات قوية للاكتشاف، إلا أن منطقها الداخلي يجب أن يخضع لتدقيق دقيق. وبدون هذا التحقق متعدد الطبقات، فإننا نخاطر بقبول تنبؤ النموذج كحقيقة فيزيائية بينما قد يكون مجرد التعرف على نمط ذكي، ولكنه مضلل في نهاية المطاف.