Enabling large language model agents for high-fidelity many-body perturbation theory calculations

لفهم العالم المادي، غالبًا ما ينظر العلماء إلى كيفية سلوك الذرات عندما تكون في حالة استثارة، مثل عندما يصطدم الضوء بخلية شمسية أو عندما يتدفق تيار كهربائي عبر شريحة. وبينما يمكن للنماذج الحاسوبية القياسية وصف كيفية استقرار الذرات في حالة السكون، فإنها تواجه صعوبة في التنبؤ بما يحدث عندما تقفز الإلكترونات إلى مستويات طاقة أعلى أو تتفاعل مع الاهتزازات في الشبكة البلورية. وللحصول على هذه الإجابات بدقة، يستخدم الباحثون مجموعة من التقنيات الرياضية المتقدمة المعروفة باسم "نظرية الاضطراب متعدد الأجسام". وتعد هذه الأساليب قوية ودقيقة للغاية، ولكنها صعبة الاستخدام بشكل لافت؛ فهي تتطلب من الباحث أن يعمل كقائد أوركسترا ماهر، يربط يدويًا بين عدة برامج حاسوبية مختلفة، لكل منها لغته وقواعده الخاصة. وإذا لم تتطابق الإعدادات في برنامج واحد تمامًا مع البرنامج التالي، فإن الحساب بأكمله يفشل، وغالبًا بطرق يصعب اكتشافها إلا بعد ضياع ساعات من وقت الحوسبة. وقد أبقت هذه التعقيدات هذه الأدوات القوية بعيدة عن متناول الجميع باستثناء الخبراء المتخصصين للغاية.

لقد طور فريق من الباحثين الآن نظامًا جديدًا مصممًا لسد هذه الفجوة، مما يسمح للذكاء الاصطناعي بتولي العبء الأكبر من هذه الحسابات المعقدة. اختبر العلماء ما إذا كانت نماذج اللغات الكبيرة الحديثة —وهي أنظمة ذكاء اصطناعي متطورة قادرة على الاستنتاج واتباع التعليمات— يمكنها تلقائيًا إعداد هذه سير العمل الصعبة بمفردها. ووجدوا أنه بدون مساعدة، فشلت حتى أكثر نماذج الذكاء الاصطناعي تطورًا في بناء عملية حسابية ناجحة في كثير من الأحيان أكثر مما نجحت فيها. كانت النماذج ترتكب أخطاءً دقيقة، مثل عدم محاذاة شبكة النقاط المستخدمة لرسم خصائص المادة، مما أدى إلى انهيار العملية برمتها لاحقًا. ومع ذلك، عندما قدم الباحثون إطار عمل جديدًا يسمى "AI-Donkey"، تغيرت النتائج بشكل جذري. يعمل هذا النظام كمرشد واسع المعرفة، حيث يزود الذكاء الاصطناعي بتعليمات منسقة من قبل خبراء ومجموعة من الأدوات الصارمة التي تضمن اتصال كل خطوة بالتي تليها بشكل صحيح. ومع هذه المساعدة، تمكنت وكلاء الذكاء الاصطناعي، بدءًا من النماذج التجارية القوية وصولاً إلى النسخ مفتوحة المصدر، من تشغيل حسابات كاملة وخالية من الأخطاء لمجموعة متنوعة من المواد، بما في ذلك الأنابيب أحادية الأبعاد، والصفائح ثنائية الأبعاد، والكتل الصلبة.

يكمن جوهر المشكلة التي عالجها الباحثون في طبيعة هذه الحسابات. فخلافًا للمحاكاة الحاسوبية الأبسط التي تظل ضمن برنامج واحد، تتطلب نظرية الاضطراب متعدد الأجسام سلسلة من الأحداث حيث يصبح مخرج حزمة برمجية معينة هو مدخل للحزمة التالية. ويعتمد كل خطوة على تفاصيل فيزيائية دقيقة، مثل تناظر المادة والترتيب المحدد للذرات. فإذا ارتكب الباحث خطأً صغيرًا في الخطوة الأولى، فإن هذا الخطأ ينتقل عبر السلسلة، مما يؤدي إلى فساد النتيجة النهائية. واكتشف الفريق أن نماذج الذكاء الاصطناي الحالية، رغم قدرتها على كتابة الكود والإجابة على الأسئلة، تفتقر إلى المعرفة العميقة والمتخصصة المطلوبة لإدارة هذه السلاسل بشكل موثوق. فعندما يُطلب منها إعداد حساب لمادة مثل السيليكون، غالبًا ما تخمن نماذج الذكاء الاصطناعي الإعدادات اللازمة. وفي إحدى الاختبارات، نجح الذكاء الاصطناعي في إعداد حساب أساسي في حوالي نصف الحالات، ولكن بالنسبة للمهام الأكثر تعقيدًا التي تتضمن الخصائص البصرية أو اهتزازات الإلكترونات، انخفض معدل النجاح إلى 1% فقط. وكانت النماذج غالبًا ما تبتكر إعدادات تبدو منطقية ولكنها غير صحيحة فيزيائيًا، مما يؤدي إلى حسابات لا يمكن تشغيلها أو تنتج بيانات عديمة الفائدة.

ولحل هذه المشكلة، بنى الباحثون "AI-Donkey"، وهو إطار عمل لا يعتمد على تخمين الذكاء الاصطناعي للقواعد. بدلاً من ذلك، يوفر النظام للذكاء الاصطناعي مكتبة مهيكلة من المعرفة الخبيرة ومجموعة من الأدوات المؤتمتة التي تفرض الاتساق. تخيل الذكاء الاصطناعي كمهندس معماري ماهر يمكنه تصميم مبنى ولكنه يحتاج إلى مراقب بناء لضمان وضع الطوب وفقًا للمخطط؛ يعمل "AI-Donkey" كمراقب البناء هذا. يقوم النظام بتفكيك الحساب المعقد إلى خطوات يمكن إدارتها، كل منها موجه بوثيقة "مهارة" محددة كتبها خبراء بشريون. تشرح هذه الوثائق بالضبط المعلومات المطلوبة، وما يجب أن يفعله الكمبيوتر، والأخطاء الشائعة التي يجب تجنبها. ثم يستخدم الذكاء الاصطناعي هذه الوثائق لتوجيه مجموعة من البرامج الحاسوبية التي تولد الملفات اللازمة وتربطها معًا. ولأن الأدوات الحاسوبية تتولى التفاصيل التقنية وتتحقق من الأخطاء تلقائيًا، فلا يحتاج الذكاء الاصطناعي بعد الآن إلى حفظ كل قاعدة أو القلق بشأن ارتكاب خطأ مطبعي يكسر السلسلة.

كانت نتائج هذا النهج مذهلة. فعندما اختبر الباحثون نفس نماذج الذكاء الاصطناعي باستخدام إطار عمل "AI-Donkey"، قفز معدل النجاح إلى ما يقرب من 100%. كل محاولة، سواء استخدمت نموذجًا تجاريًا رفيع المستوى أو نسخة أصغر مفتوحة المصدر، أنتجت سير عمل كاملًا وقابلًا للتشغيل واجتاز جميع الفحوصات. عمل النظام باستمرار عبر التجارب المتكررة، مما قضى على الإخفاقات العشوائية التي عانت منها النماذج غير المدعومة. وقد أثبت الباحثون هذه القدرة من خلال جعل الذكاء الاصطناعي يحسب بشكل مستقل خصائص عدة مواد مختلفة، بما في ذلك طبقة واحدة من مركب مكون من الموليبدينوم والسيلينيوم، وصفحة من ذرات الكربون المعروفة باسم الجرافين، وأنبوب من ذرات الكربون. وفي كل حالة، حدد الذكاء الاصطناعي بشكل صحيح الإعدادات المحددة المطلوبة لهيكل تلك المادة الفريد، وشغل الحسابات على حواسيب فائقة القوة، بل وقام بتحليل النتائج لإنتاج تصورات لكيفية سلوك الإلكترونات.

كما دفعت الدراسة حدود ما يمكن للذكاء الاصطناعي القيام به في هذا المجال من خلال معالجة حساب صعب للغاية يُعرف باسم "نظرية GW للاضطراب"، والتي تُستخدم لدراسة كيفية تفاعل الإلكترونات مع الاهتزازات في المادة. هذه المهمة المحددة لم يتم أتمتتها من قبل وتتطلب تنسيق أربعة برامج حاسوبية مختلفة. وبدون إطار عمل "AI-Donكي"، فشلت نماذج الذكاء الاصطناعي تمامًا، حيث عجزت عن فهم المتطلبات الصارمة لربط البرامج. ومع ذلك، باستخدام الإطار، أكمل الذكاء الاصطناعي العملية بأكملها بنجاح، وتعامل بشكل صحيح مع التبعيات المعقدة بين المراحل المختلفة. شمل ذلك حساب كيفية استجابة أشباه الموصلات القطبية مثل كربيد السيليكون للمجالات الكهربائية، وهي مهمة تتطلب معالجة دقيقة للقوى طويلة المدى التي يصعب نمذجتها. ووجد الباحثون أن الذكاء الاصطناعي يمكنه حتى تنفيذ مهام متقدمة، مثل اختبار إعدادات مختلفة لضمان دقة النتائج، وهي عملية تُعرف باسم "اختبار التقارب"، وهي مهمة عادة ما تكون مملة وتستغرق وقتًا طويلًا للعلماء البشر.

تتجاوز تداعيات هذا العمل مجرد جعل الحسابات أسرع. فمن خلال إنشاء نظام يمكنه توجيه الذكاء الاصطناعي بشكل موثوق عبر سير العمل العلمي المعقد، فتح البماثون الباب أمام نطاق أوسع من العلماء لاستخدام هذه الأدوات القوية. تم تصميم الإطار ليكون مرنًا، مما يعني أنه يمكن تحديثه ليشمل طرقًا وبرامج جديدة مع تطويرها. وقد أظهر الفريق أن النظام يمكنه دمج ميزات متقدمة، مثل التقنيات التي تسرع الحسابات للأنظمة الكبيرة، دون الحاجة إلى إعادة كتابته بالكامل. وهذا يشير إلى أنه في المستقبل، قد يتمكن العلماء من الطلب من الذكاء الاصطناعي استكشاف مواد جديدة أو اختبار نظريات جديدة دون الحاجة لأن يكونوا خبراء في الأكواد الحاسوبية الأساسية. والنتيجة الرئيسية هي أنه بينما يصبح الذكاء الاصطناعي أفضل في الاستنتاج، فإنه لا يزال بحاجة إلى بيئة مهيكلة وموجهة من قبل الخبراء للتعامل مع العمليات متعددة الخطوات والصارمة المطلوبة في العلوم الرفيعة. ومن خلال الجمع بين قوة الاستنتاج للذكاء الاصطناعي وموثوقية المعرفة التي نسقها الخبراء، خلق الباحثون مسارًا نحو اكتشاف علمي ذاتي التشغيل بالكامل في مجال علوم المواد.