Atoms that Matter: Largest Materials Datasets Are 99% Redundant, and Local Chemistry Can Guide the Required 1%
تُثبت هذه الدراسة أن تدريب حقول القوة المعتمدة على تعلم الآلة على أقل من 1% من مجموعة بيانات OMat24، عبر اختيار بيئات محلية متميزة بنيوياً وكيميائياً، يُحقق دقة تضاهي النماذج المدربة على مجموعة الـ 100 مليون بنية الكاملة، مما يثبت أن التنوع الكيميائي، وليس مجرد حجم البيانات الهائل، هو العامل الحاسم لنمذجة المواد للأغراض العامة.
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 السعي لفهم كيفية تماسك العالم المادي، اعتمد العلماء لفترة طويلة على أداة قوية ولكنها باهظة الثمن: ميكانيكا الكم. يسمح هذا الفرع من الفيزياء للباحثين بحساب كيفية تفاعل الذرات مع بعضها البعض، والتنبؤ بكل شيء بدءاً من قوة معدن جديد وصولاً إلى الطريقة التي تخزن بها البطارية الطاقة. ومع ذلك، فإن هذه الحسابات ثقيلة للغاية من الناحية الحسابية لدرجة أن محاكاة قطعة صغيرة من المادة لجزء من الثانية يمكن أن تستغرق أياماً أو أسابيع على أقوى الحواسيب الفائقة في العالم. وللتغلب على هذا الاختناق، ظهر جيل جديد من الذكاء الاصطناعي؛ حيث تعمل نماذج التعلم الآلي هذه كطريق مختصر، فهي تُدرب على مكتبات ضخمة من حسابات الكم ثم تتعلم التنبؤ بسلوك الذرات بشكل فوري تقريباً، مما يوفر دقة الحسابات الثقيلة مع سرعة التخمين البسيط. وكان الاعتقاد السائد في هذا المجال هو أنه لجعل نماذج الذكاء الاصطنا هذه موثوقة حقاً وقادرة على التعامل مع أي مادة، يجب تغذيتها بكمية هائلة من البيانات، والتي غالباً ما تصل إلى مئات الملايين من التكوينات الذرية.
لقد تحدى فريق من الباحثين في جامعة لوكسمبورغ هذا الافتراض، مشيرين إلى أن الحجم الهائل لمكتبات البيانات هذه قد يكون وهماً من ضرورات العمل. فقد فحصوا مجموعة بيانات "Open Materials 2024"، وهي مجموعة ضخمة تحتوي على أكثر من 110 ملايين بنية، والتي كانت بمثابة الأساس لأكثر مجالات القوة المعتمدة على الذكاء الاصطناعي تقدماً حتى الآن. طرح الباحثون سؤالاً بسيطاً: هل يحتاج النموذج حقاً إلى كل هذه الـ 110 ملايين مثال ليتعلم، أم أن معظم تلك المعلومات ليست سوى تكرار لنفس الدروس الكيميائية؟ ولمعرفة ذلك، قاموا بتدريب نماذج ذكاء اصطناعي جديدة على شرائح صغيرة من هذه المجموعة الضخمة، وتحديداً مجموعات فرعية تحتوي على أقل من واحد بالمائة من إجمالي الذرات، أو حوالي 6.5 مليون ذرة. واختبروا ثلاث طرق مختلفة لاختيار هذه الشرائح: اختيار الذرات بشكل عشوائي تماماً، واستخدام طريقة تجميع متطورة لإيجاد مجموعات متميزة، وتوظيف تقنية جديدة طوروها تقوم بعدّ الأحياء المحلية الفريدة حول كل ذرة.
كانت النتائج مذهلة. فالنماذج التي تم تدريبها على هذه المجموعات الفرعية الصغيرة والمختارة بعناية كان أداؤها يضاهي أداء النموذج المدرب على مجموعة بيانات الـ 110 ملايين بنية كاملة. وفي الاختبارات التي تقيس مدى دقة الذكاء الاصطناعي في التنبؤ بالقوى التي تربط الذرات ببعضها، كانت النماذج المدربة على المجموعات الفرعية الصغيرة متطابقة تقريباً مع النموذج العملاق. كما طابقت النموذج الكامل في التنبؤ بالخصائص الفيزيائية الرئيسية مثل مقدار تمدد المادة عند تسخينها، ومدى صلابتها، وسهولة حركة أيونات الليثيوم من خلالها. ولعل الأمر الأكثر إثارة للدهشة هو أنه عندما دفع الباحثون هذه النماذج إلى أقصى حدودها عبر محاكاة ظروف قاسية — برفع درجات الحرارة إلى 3000 كلفن والضغط إلى 500 جيجاباسكال، وهي ظروف توجد في أعماق الكواكب — أثبتت النماذج المدربة على المجموعات الفرعية الصغيرة أنها أكثر استقراراً وموثوقية من النموذج المدرب على مجموعة البيانات الكاملة. فقد تعطل النموذج المدرب على مجموعة البيانات الكاملة بشكل متكرر تحت هذه الضغوط الشديدة، بينما استمرت النسخ المبسطة في العمل، مما يشير إلى أن الـ 99 بالمائة الإضافية من البيانات لم تضف متانة بل أدخلت تكراراً لا لزوم له.
اكتشف الباحثون أن المفتاح لبناء نموذج أفضل لم يكن الحجم، بل التنوع. فقد وجدوا أن مجموعة البيانات الضخمة تحتوي على العديد من البنى التي تشترك في نفس البيئات الكيميائية المحلية بالضبط، مما يعني تكرار نفس المعلومات مراراً وتكراراً. ولحل هذه المشكلة، قدموا طريقة تسمى "EnvTok"، والتي تعمل كفهرس للأحياء الذرية. فبدلاً من النظر إلى البنية بأكملها، تقوم هذه الطريقة بتفكيك المادة إلى المحيط المباشر لكل ذرة، مع ملاحظة العناصر الموجودة، وكيفية ترتيبها، ومدى انضغاطها أو تمددها. ومن خلال استخدام هذا الفهرس لاختيار الهياكل التي تقدم فقط حياً محلياً جديداً وفريداً، تمكنوا من بناء مجموعة تدريب تغطي المشهد الكيميائي بأكما، دون تكرار. وقد سمح هذا النهج لهم بتحديد الـ 1 بالمائة الجوهري من البيانات الذي يحمل المعلومات الحقيقية، وترك الباقي خلفهم.
يشير هذا الاكتشاف إلى تحول كبير في كيفية تعامل العلماء مع تدريب الذكاء الاصطناعي لعلوم المواد. فبدلاً من إنفاق موارد حاسوبية هائلة لتصنيف ومعالجة مليارات الهياكل المكررة، يمكن للباحثين الآن التركيز على تحديد وتصنيف التكوينات الفريدة كيميائياً فقط. وتفتح هذه الكفاءة الباب لاستخدام حسابات فيزيائية أكثر دقة وعالية المستوى لتدريب هذه النماذج، وهي خطوة كانت مكلفة للغاية بحيث لا يمكن اعتبارها ممكنة لمثل هذه المجموعات الضخمة من البيانات. ومن خلال تحرير الميزانية الحسابية، يمكن للعلماء الآن استكشاف نطاق أوسع من البيئات الكيميائية ودفع حدود ما يمكن لهذه النماذج التنبؤ به، من تصميم مواد فائقة الصلابة إلى فهم أعماق الكواكب البعيدة. وتؤكد هذه الدراسة أنه في عالم المحاكاة الذرية، تهم جودة المعلومات أكثر بكثير من كمية البيانات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.