Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential

في عالم علم المواد، يحاول الباحثون باستمرار التنبؤ بكيفية سلوك الذرات عندما تجتمع معاً لتكوين مواد صلبة. وللقيام بذلك، غالباً ما يعتمدون على أداة رقمية تسمى "الجهد بين الذري" (interatomic potential). فكر في هذه الأداة كأنها مجموعة من القواعد التي تخبر الكمبيوتر مقدار الطاقة المخزنة في ترتيب معين للذرات، ومدى قوة دفعها أو جذبها لبعضها البعض. لعقود من الزمن، كانت الطريقة الأكثر دقة لإنشاء هذه القواعد هي حل معادلات ميكانيكا الكم المعقدة لكل سيناريو على حدٍّ. ورغم أن هذه الطريقة دقيقة، إلا أنها بطيئة للغاية لدرجة أنها قد تستغرق أسابيع لمحاكاة قطرة صغيرة من معدن سائل. ولتسريع العملية، لجأ العلماء إلى التعلم الآلي؛ حيث تتعلم هذه البرامج الحاسوبية من مكتبة من الأمثلة المحسوبة مسبقاً للتنبؤ بسلوك الترتيبات الجديدة بشكل فوري تقريباً. ومع ذلك، لا تزال هناك عقبة رئيسية: فعادةً ما يجب بناء نموذج تعلم آلي جديد من الصفر لكل خليط كيميائي أو سبيكة محددة يريد العالم دراستها. وهذا يخلق عنق زجاجة، لأن بناء هذه النماذج المخصصة مكلف ويستغرق وقتاً طويلاً. وكان السؤال الكبير هو ما إذا كان بإمكان نموذج واحد خفيف الوزن أن يتعلم القواعد الأساسية للتفاعل بشكل جيد بما يكفي للتعامل مع تركيبات عناصر جديدة تماماً دون الحاجة إلى إعادة تدريبه من البداية.

لقد اتخذ فريق من الباحثين في مختبر لوس ألاموس الوطني خطوة كبيرة نحو الإجابة على ذلك السؤال من خلال تطوير نموذج مدمج وعام الأغراض لسبائك المعادن. وبدلاً من محاولة حفظ كل تركيبة ممكنة من الذرات، علموا نموذجهم فهم التفاعلات الأساسية بين الذرات الفردية وأزواج الذرات، ثم اختبروا ما إذا كان بإمكانه استنتاج المجموعات الأكثر تعقيداً بمفرده. لقد ركزوا على اثني عشر عنصراً معدنياً مختلفاً، بما في ذلك الألمنيوم والتيتانيوم والنحاس والتنجستن. وباستخدام عملية تعلم ذكية وخطوة بخطوة، قاموا بتغذية النموذج ببيانات عن المعادن النقية والمزيجات البسيطة من معدنين. ثم طلبوا من النموذج التنبؤ بسلوك مزيجات مكونة من ثلاثة معادن وحتى أربعة معادن لم يسبق له رؤيتها من قبل. كانت النتائج مذهلة: فقد نجح النموذج، الذي تم تدريبه فقط على بيانات بسيطة، في التنبؤ بطاقة واستقرار هذه الأنظمة المعقدة متعددة المعادن بدقة عالية. وهذا يشير إلى أن النموذج تعلم "القراءة ما بين السطور"، مستنتجاً كيفية تفاعل ثلاث أو أربع ذرات من خلال فهم القواعد الأبسط لكيفية تفاعل ذرة واحدة أو ذرتين.

حقق الباحثون ذلك باستخدام طريقة تسمى "التعلم النشط" (active learning)، وهي تشبه طالباً يطلب المساعدة فقط عندما يتعثر حقاً. فبدلاً من تغذية الكمبيوتر بالملايين من الأمثلة العشوائية، قام النظام بتشغيل عمليات محاكاة، وحدد اللحظات التي كان فيها غير متأكد من الإجابة، ثم طلب من كمبيوتر كمي قوي حل تلك الحالات الصعبة المحددة. تمت إضافة هذه الإجابات الجديدة عالية الجودة إلى مجموعة التدريب، وتكررت العملية. وقد نظموا هذا التعلم في مراحل، بدءاً من المعادن المفردة، ثم الانتقال إلى الأزواج، وأخيراً تقديم الثلاثيات. وفي مجموعة من التجارب، قارنوا بين نموذج تم تدريبه على بيانات المعدن الواحد والمعدنين، مقابل نموذج آخر اطلع أيضاً على بيانات المعدن الثلاثي. ومن المثير للدهشة أن النموذج الذي لم يرَ بيانات المعدن الثلاثي أدى بشكل جيد تماماً عند اختباره على تلك الخلطات المعقدة. كانت الأخطاء في التنبؤ بطاقة هذه الأنظمة الثلاثية غير المرئية مطابقة تقريباً للنموذج الذي تم تدريبه عليها صراحةً. وهذا يشير إلى أن النموذج لم يقم بمجرد حفظ قائمة من القواعد؛ بل تعلم الفيزياء الكامنة بشكل جيد بما يكفي للقيام بعملية الاستكمال (interpolation)، أو ملء الفجوات، للتفاعلات التي لم يسبق له مواجهتها.

يمتد نجاح هذا النهج إلى أبعد من ذلك. فقد اختبر الفريق ما إذا كان بإمكان نموذجهم التعامل مع عنصر جديد تماماً، وهو الذهب، الذي لم يكن جزءاً من المعادن الاثني عشر الأصلية. لقد قدموا للنموذج بيانات لذرات الذهب النقية فقط، دون أي معلومات حول كيفية اختلاط الذهب مع المعادن الأخرى. وعندما اختبروا النموذج على الذهب المختلط مع المعادن الاثني عشر الأخرى، نجح في التنبؤ بسلوك هذه السبائك الجديدة. ورغم أن التنبؤات لم تكن مثالية، إلا أن النموذج صنف استقرار سبائك الذهب المختلفة بشكل صحيح واستوعب الاتجاهات العامة في الطاقة. وهذا يثبت أن النموذج قد تعلم لغة عالمية للتفاعل الذري، مما سمح له بنقل معرفته إلى عنصر كيميائي جديد بأقل قدر من البيانات الإضافية. ووجد الباحثون أن قدرة النموذج على التعميم كانت قوية جداً لدرجة أنه استطاع حتى التنبؤ بسلوك السبائك المكونة من أربعة معادن، والمعروفة بالأنظمة الرباعية، باستخدام بيانات المعادن المفردة والثنائية فقط.

إن الآثار المترتبة على هذا العمل جوهرية لمستقبل تصميم المواد. حالياً، يتطلب إنشاء نموذج موثوق لسبيكة جديدة توليد كميات هائلة من البيانات المكلفة، مما يحد من سرعة اكتشاف العلماء للمواد الجديدة. تشير هذه الدراسة إلى أن مجموعة بيانات أصغر بكثير ومختارة بعناية قد تكون كافية. فمن خلال التركيز على تنوع البيانات بدلاً من حجمها فقط، وضمان تعلم النموذج للتفاعلات الأساسية بين الذرات الفردية والأزواج، يمكن للعلماء بناء نماذج خفيفة الوزن تكون سريعة وقابلة للتطبيق على نطاق واسع في آن واحد. وقد لاحظ الباحثون أنه بينما كان نموذجهم دقيقاً للغاية في العديد من السيناريوهات، إلا أنه واجه صعوبة طفيفة مع تركيبات معينة تتضمن الفاناديوم، مما يسلط الض الضوء على أنه رغم قوة هذا النهج، إلا أنه ليس حلاً مثالياً بعد لكل مزيج كيميائي ممكن. ومع ذلك، فإن النتائج تقدم مساراً عملياً للمضي قدماً؛ فهي تشير إلى أننا لسنا بحاجة إلى قواعد بيانات ضخمة وغير منظمة لفهم المواد المعقدة. بدلاً من ذلك، من خلال تعليم الآلات القواعد الأساسية للتفاعل الذري، يمكننا تمكينها من كتابة قصص السبائك المعقدة بنفسها، مما يسرع من اكتشاف معادن وسبائك جديدة لكل شيء، بدءاً من هندسة الطيران وصولاً إلى تخزين الطاقة.