When do machine-learning potentials need a configuration-dependent kernel? Learning long-range interactions with Fourier neural operators
تُظهر هذه الورقة أنه بينما تكفي النوى المستقلة عن التشكيل للأنظمة المتجانسة، فإن معاملات فوريه العصبية (FNOs) ضرورية لالتقاط التفاعلات بعيدة المدى بدقة في إمكانات التعلم الآلي عندما يكون الوسط الحاكم غير متجانس، حيث إنها تتعلم بشكل فريد الاقتران المعتمد على التشكيل المطلوب لنمذجة تأثيرات التعديل البعيد.
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 عالم الذرات المجهري، لا تتوقف القوى دائمًا عند عتبة الجار. فبينما تكون بعض التفاعلات قصيرة وبسيطة، يمتد بعضها الآخر عبر مسافات شاسعة، متغلغلة عبر مواد بأكملها لتؤثر على سلوك الذرات البعيدة. وهذا ينطبق بشكل خاص على السوائل مثل الماء أو البلورات الصلبة المكونة من أيونات مشحونة، حيث يمكن للشد الكهربائي لجسيم واحد أن يتردد صداه عبر الوسط ليؤثر على جسيم آخر في الطرف الآخر من الوعاء. لعقود من الزمن، اعتمد العلماء على النماذج الحاسوبية لمحاكاة هذه المواد، لكن النماذج القياسية غالبًا ما تعاني مع هذه الروابط طويلة المدى. إنها تشبه الأشخاص الذين يستمعون فقط إلى أولئك الواقفين بجانبهم مباشرة، مما يجعلهم يفقدون الهمسات القادمة من عبر الغرفة. ولإصلاح ذلك، حاول الباحثون إضافة وحدة "طويلة المدى" إلى نماذجهم، من خلال افتراض أن القوى الكهربائية تتبع قاعدة بسيطة وثابتة، تمامًا مثل الجاذبية التي تسحب دائمًا للأسفل بنفس القوة بغض النظر عن حالة الطقس. ولكن في العالم الحقيقي، تتغير البيئة؛ إذ يمكن للمواد أن تحجب أو تعزل هذه القوى بشكل مختلف اعتمادًا على ما يحيط بها، مما يجعل القاعدة البسيطة غير كافية.
قام فريق من الباحثين في جامعة (UCLouvine) في بلجيكا بتطوير طريقة جديدة لتعليم الحواسيب كيفية التعامل مع هذه القوى المعقدة والمتغيرة طويلة المدى. فبدلاً من برمجة قاعدة واحدة ثابتة لكيفية تواصل الذرات مع بعضها البعض عبر مسافة، بنوا نظامًا يتعلم القواعد بنفسه، ويتكيف مع البيئة المحددة التي يجد نفسه فيها. وقد اختبروا هذا النظام، الذي يسمونه "مشغل فوريه العصبي" (Fourier neural operator)، على مجموعة متنوعة من التحديات، بدءًا من السوائل الاصطناعية الشبيهة بالملح وصولاً إلى المواد الواقعية مثل الماء السائل وتكتل ذهب مستقر على سطح من أكسيد المغنيسيوم. وتكشف أعمالهم أنه عندما تكون البيئة موحدة، فإن القاعدة الثابتة والبسيطة تعمل بشكل جيد بما يكفي. ومع ذلك، عندما تكون البيئة فوضوية أو غير متساوية — كما في الحالات التي تحجب فيها أجزاء مختلفة من المادة القوى الكهربائية بدرجات متفاوتة — فإن النظام المرن القادر على التعلم هو وحده من يستطيع ضبط الفيزياء بشكل صحيح.
بدأ الباحثون بإنشاء عالم اصطناعي من الجسيمات المشحونة لاختبار أفكارهم. وفي هذا الإعداد المحكوم، تمكنوا من ضبط مدى قوة حجب الجسيمات لبعضها البعض، محاكيين كل شيء بدءًا من الفضاء شبه الفارغ حيث تنتقل القوى بحرية، وصولًا إلى وسط مزدحم وكثيف حيث تخبو القوى بسرعة. وقارنوا نظام التعلم الجديد هذا بالطرق القديمة التي استخدمت قاعدة ثابتة ومكتوبة مسبقًا لهذه التفاعلات طويلة المدى. وفي الحالات الموحدة، حيث كان الحجب متماثلاً في كل مكان، قدم النظام الجديد أداءً يضاهي طرق القاعدة الثابتة القديمة، حيث تنبأ بدقة بالطاقة والقوى بين الذرات. وقد أكد هذا أن النهج الجديد يمكنه تعلم الفيزياء القياسية دون الحاجة إلى إخباره بالإجابة مسبقًا.
وجاء الاختبار الحقيقي عندما أدخل الباحثون "الحجب غير المتجانس"، وهو موقف تتغير فيه قدرة المادة على حجب أو نقل القوى من مكان إلى آخر. تخيل حشدًا من الناس حيث تكون بعض المناطق مزدحمة للغاية، مما يحجب الصوت، بينما تكون مناطق أخرى فارغة، مما يسمح للصوت بالانتقال بعيدًا. في هذه البيئة غير المتساوية، يعتمد تفاعل ذرتين بعيدتين ليس فقط على الذرات نفسهما، بل على الترتيب المحدد للمادة الموجودة بينهما. ووجد الباحثون أن الطرق القديمة، التي اعتمدت على قاعدة ثابتة، فشلت في استيعاب هذا التفصيل الدقيق؛ إذ لم تستطع تعديل "استماعها" بناءً على الحشد المتغير بين الذرات. في المقابل، نجح نظام التعلم الجديد، الذي يستخدم نهجًا غير خطي للتكيف مع قواعده، في تتبع هذه التغييرات. لقد قلل النظام الخطأ في التنبؤ بالقوى الذرية بنسبة تقارب النصف مقارنة بنماذج القاعدة الثاسية. لقد تعلم النظام أن الاتصال بين ذرتين بعيدتين ليس خطًا ثابتًا، بل هو علاقة ديناميكية تتغير مع إعادة ترتيب الوسط من حولهما.
ولإثبات أن هذه النتيجة لم تكن مجرد نتيجة للبيانات الاصطناعية، طبق الفريق طريقتهم على ثلاث مواد واقعية: الماء السائل، وإلكتروليت صلب يستخدم في البطاريات يسمى "ليثيوم لانثانوم زركونات"، وتكتل صغير من ذرتي ذهب مستقر على سطح بلوري. في حالة الماء السائل ومادة البطارية، طابقت الطريقة الجديدة دقة أفضل الأساليب الموجودة، مما أظهر أنها أداة موثوقة للمواد الضخمة القياسية. ومع ذلك، قدمت تجربة تكتل الذهب أقوى دليل على قوتها. في هذا الإعداد، كانت ذرات الذهب مستقرة على سطح يحتوي على شوائب من الألمنيوم مدفونة في العمق، على بعد أكثر من عشرة أنغستروم. غيرت هذه الشوائب البعيدة البيئة الإلكترونية بما يكفي لقلب تفضيل تكتل الذهب: فقد أراد التكتل الوقوف بشكل مستقيم في بيئة نظيفة، لكنه استلقى بشكل مسطح عند وجود الألمنيوم. النماذج القياسية التي تنظر فقط إلى الجيران المباشرين فاتتها هذه النقلة تمامًا. أما نماذج القاعدة الثابتة طويلة المدى فقد أصابت جزءًا من الصواب، لكنها لا تزال ترتكب أخطاءً كبيرة. أما نظام التعلم الجديد، فقد التقط هذا التحول الدقيق بدقة عالية، متنبئًا بتغيير التفضيل بخطأ يقل عن خمسة من آلاف الإلكترون فولت لكل خلية.
تخلص الدراسة إلى أن الحاجة إلى نهج مرن قائم على التعلم تنشأ تحديدًا عندما تختلف قدرة المادة على حجب القوى عبر الفضاء. فإذا كانت البيئة موحدة، فإن قاعدة بسيطة وثابتة تكون كافية. ولكن بمجرد أن يصبح وسط الحجب غير متساوٍ، يصبح الاتصال بين الذرات البعيدة معتمدًا على التكوين المحدد للمادة بينهما. وقد أظهر الباحثون أن نظامهم الجديد يمكنه تعلم هذا السلوك المعقد المعتمد على التكوين باستخدام بيانات الطاقة والقوة من عمليات المحاكاة فقط، دون الحاجة إلى برمجة فيزياء الحجب بشكل صريح. وهذا يفتح طريقًا قويًا لمحاكة المواد حيث يؤدي انتقال الشحنة، أو الواجهات، أو العيوب إلى خلق تفاعلات معقدة طويلة المدى تعجز النماذج التقليدية عن وصفها. ويشير العمل إلى أنه بالنسبة لأكثر مشكلات علم المواد تحديًا، فإن المستقبل يكمن ليس في كتابة قواعد أفضل، بل في تعليم الحواسيب كيفية اكتشاف القواعد بنفسها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.