← أحدث الأبحاث
🔬 علوم المواد

Physics Informed Priors for Machine Learning Interatomic Potentials with Uncertainty Quantification

تقدم هذه الورقة مخططاً للتقدير الكمي لعدم اليقين مع مراعاة سوء التوصيف للجهود الذرية لتعلم الآلة، والذي يدمج الأولويات الفيزيائية المحددة من قبل المستخدم في مجموعة النموذج، مما يضمن الاتساق الفيزيائي مع تقليل التكلفة الحسابية لبناء مجموعة البيانات لتطبيقات مثل الاهتزازات الفونونية والخصائص المرنة.

المؤلف الأصلي: George I. Simmons, Thomas D. Swinburne, Thomas Hudson, James R. Kermode

نُشر 2026-11-09
📖 6 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: George I. Simmons, Thomas D. Swinburne, Thomas Hudson, James R. Kermode

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في سعيها لفهم كيفية سلوك المواد، تعتمد العلماء غالبًا على محاكاة حاسوبية قوية. ولتشغيل هذه المحاكاة بكفاءة، يستخدمون نماذج مبسطة تسمى "الجهود بين الذرية" (interatomic potentials). فكر في هذه النماذج كأنها مجموعة من القواعد التي تخبر الحاسوب بكيفية دفع وسحب الذرات لبعضها البعض، مما يسمح للباحثين بالتنبؤ بكل شيء، بدءًا من كيفية انثناء المعدن وصولاً إلى كيفية انصهار البلورة، دون الحاجة إلى حل المعادلات الأكثر تعقيدًا لميكانيكا الكم لكل ذرة على حدة. ومع ذلك، فإن هذه القواعد المبسطة ليست مثالية أبدًا؛ فهي تقريبات، ولأنها تقريبات، يمكنها أحيانًا أن تضلل المحاكاة، فتتنبأ بأن مادة مستقرة ستنهار فجأة أو أن ذرة ستهتز بطريقة تقول الفيزياء إنها مستحيلة. ويكم old التحدي الذي يواجه العلماء ليس فقط في تقديم تنبؤ، بل في معرفة مدى إمكانية الوثوق به، خاصة عندما يكون النموذج نفسه معيبًا بشكل جوهري في تصميمه.

لقد طور فريق من الباحثين طريقة جديدة لحل هذه المشكلة عن طريق تعليم هذه النماذج الحاسوبية احترام القوانين الأساسية للفيزياء أثناء تعلمها. وفي دراسة حديثة، قدموا طريقة تعمل بمثابة شبكة أمان، تضمن بقاء تنبؤات الحاسوب ضمن نطاق الواقع الفيزيائي. ركز الباحثون على تقنية تسمى "تكميم عدم اليقين" (uncertainty quantification)، وهي في الأساس طريقة تجعل النموذج الحاسوبي يقول: "أنا لست متأكدًا تمامًا من هذه الإجابة". كانت الطرق السابقة قادرة على إخبار النموذج بمدى عدم يقينه، لكنها غالبًا ما فشلت في منع النموذج من تقديم تنبؤات مستحيلة فيزيائيًا، مثل اقتراح أن الشبكة البلورية ستهتز بسرعات خيالية أو أن مادة صلبة سيكون لها صلابة سالبة. يجمع النهج الجديد بين القدرة على قياس عدم اليقين والقواعد الفيزيائية الصارمة، مما يجبر النموذج على الاعتراف بحدوده دون انتهاك المبادئ الأساسية التي تحكم كيفية تماسك المادة.

يتضمن جوهر هذا العمل نوعًا محددًا من نماذج التعلم الآلي يُعرف باسم "جهد الذري المعتمد على التعلم الآلي" (machine learning interatomic potential). يتم تدريب هذه النماذج على بيانات ناتجة عن حسابات ميكانيكا الكم عالية الدقة، ولكنها بطيئة للغاية. والهدف هو إنشاء نموذج سريع يحاكي هذه الحسابات البطيئة. ومع ذلك، نظرًا لأن النموذج السريع لا يمكنه التقاط كل تفاصيل عالم الكم المعقد، فإنه يرتكب أخطاءً لا مفر منها. استخدم الباحثون طريقة تسمى "انحدار مجموعة المعلمات المثلى النقطية" (Pointwise Optimal Parameter Set Regression)، والتي تولد عائلة كاملة من النماذج المختلفة قليلاً بدلاً من مجرد نموذج واحد "أفضل". تساعد هذه العائلة من النماذح العلماء على فهم نطاق النتائج المحتملة. كانت المشكلة في هذه الطريقة، حتى الآن، هي أن بعض النماذج في هذه العائلة قد تتنبأ بأن مادة ما غير مستقرة أو أن ذراتها تتصرف بطرق تخالف قوانين الفيزياء. حلت الدراسة الجديدة هذه المشكلة بإضافة طبقة من القيود أثناء عملية التدريب. تعمل هذه القيود كحواجز حماية، مما يضمن أن كل نموذج في العائلة يحترم الحقائق الفيزيائية المحددة، مثل حقيقة أن البلورة يجب أن تمتلك شكلًا مستقرًا وأن اهتزازاتها يجب أن تكون كميات حقيقية وقابلة للقياس.

لاختبار فكرتهم، طبق الباحثون هذه الطريقة على الألمنيوم، وهو معدن شائع. قاموا بتدريب نماذجهم على مجموعة بيانات تحتوي على آلاف التكوينات الذرية. وفي إحدى التجارب، ركزوا على اهتزازات الذرات، المعروفة باسم "الفونونات" (phonons). في البلورة المستقرة، يجب أن تكون لهذه الاهتزازات ترددات حقيقية؛ فإذا تنبأ النموذج باهتزاز بتردد تخيلي، فهذا يعني أن البلورة تتفكك. وجد الباحثون أنه بدون قيودهم الجديدة، أنتجت الطريقة القياسية عائلة من النماذج حيث توقع العديد من أعضائها اهتزازات خيالية مستحيلة، مما يوحي بأن المادة غير مستقرة بينما ينبغي أن تكون صلبة. ومن خلال فرض القاعدة الفيزيائية التي تقضي بأن هذه الاهتزازات يجب أن تكون حقيقية، قاموا بتصفية النماذج المستحيلة. وكانت النتيجة هي مجموعة من التنبؤات التي ظلت تعكس حدود النموذج من حيث عدم اليقين، ولكنها كانت متسقة فيزيائيًا. تنبأت النماذج المقيدة بشكل صحيح بأن بلورة الألمنيوم ستظل مستقرة، في حين فشلت النماذج غير المقيدة في ذلك غالبًا.

نظر الفريق أيضًا في كيفية استجابة المادة عند ضغطها أو شدها، وهي خاصية توصف بالثوابت المرنة (elastic constants). قاموا بتدريب نموذج شبكة عصبية أكثر تعقيدًا، وهو نوع من الذكاء الاصطناعي الذي يتعلم الأنماط من البيانات، وطبقوا نفس القيود الفيزيائية. لقد أجبروا النموذج على الاتفاق مع القيم التجريبية المعروفة لحجم بلورة الألمنيوم وصلابتها، ولكن ضمن هامش خطأ صغير جدًا. لم يهدف هذا إلى جعل النموذج مثاليًا، بل وجهه للبقاء ضمن نطاق واقعي. وعندما اختبروا النموذج على خصائص أخرى، مثل مدى سهولة حركة ذرة مفقودة (فجوة) عبر البلورة، وجدوا أن القيود لم تفسد قدرة النموذج على التنبؤ بهذه السلوكيات الجديدة. ظل النموذج مرنًا بما يكفي لتعلم التفاصيل المعقدة للحركة الذرية مع كونه مرتكزًا على الحقائق الأساسية لكيفية سلوك المادة.

تكمن أهمية هذا العمل في قدرته على الموازنة بين حاجتين متنافستين: الحاجة إلى أن يعترف النموذج بما لا يعرفه، والحاجة إلى ألا يقول أبدًا شيئًا مستحيلاً من الناحية الفيزيائية. في الماضي، كان على العلماء الاختيار بين نموذج يتسم بعدم يقين كبير ولكنه آمن فيزيائيًا، أو نموذج دقيق ولكنه قد ينحرف نحو الهراء. يسمح لهم هذا النهج الجديد بالحصول على كليهما. من خلال بناء القوانين الفيزيائية مباشرة في طريقة تعلم النموذج، يضمن الباحثون أن عدم اليقين الذي يقيسونه هو أمر ذو معنى؛ فهو يخبرهم بمدى اختلاف تصميم النموذج عن الفيزياء الحقيقية، وليس فقط مدى ضجيج البيانات. وهذا مهم بشكل خاص لمحاكاة المواد عند درجات حرارة مختلفة أو تحت ضغوط مختلفة، حيث يمكن أن تؤدي الأخطاء الصغيرة إلى استنتاجات خاطئة كبيرة حول ما إذا كانت المادة ستنصهر أو تنكسر.

أثبت الباحثون أن نهجهم يعمل مع أنواع مختلفة من النماذج، من المعادلات الخطية البسيطة إلى الشبكات العصبية المعقدة. وأظهروا أنه حتى عندما كانت بيانات التدريب محدودة، استطاعت الطريقة إنتاج نتائج موثوقة بالاعتماد على القيود الفيزيائية. فعلى سبيل المثال، عندما قاموا بمحاكاة الألمنيوم عند درجة حرارة 200 كلفن، تنبأت النماذج غير المقيدة بهيكل فوضوي لا يشبه البلورة. ومع ذلك، حافظت النماذج المقيدة على الهيكل البلوري الصحيح، وأظهرت قممًا واضحة في ترتيب الذرات تطابق ما هو متوقع للمعدن الصلب. يشير هذا إلى أن الطريقة يمكنها إنقاذ عمليات المحاكاة التي قد تفشل لولاها، مما يسمح للعلماء بإجراء تجارب أطول وأكثر تعقيدًا دون القلق من انحراف النموذج نحو استحالة فيزيائية.

في النهاية، يقدم هذا البحث أداة عملية للعلماء الذين يصممون المواد. فهو يوفر طريقة لدمج الحقائق المعروفة، مثل حجم البلورة أو سرعة الصوت عبر المعدن، مباشرة في عملية التعلم الحاسوبي. وهذا يقلل من الحاجة إلى توليد كميات هائلة من البيانات الجديدة لمجرد إصلاح الأخطاء الأساسية للنموذج. وبدلاً من تغذية الحاسوب باستمرار بأمثلة حول كيفية سلوك المادة، يمكن للعلماء ببساطة إخبار الحاسوب بالقواعد التي يجب أن يتبعها. وهذا يجعل عملية إنشاء النماذج الدقيقة أسرع وأكثر كفاءة. الطريقة مصممة لتكون مرنة، مما يعني إمكانية تطبيقها على العديد من المواد والخصائص، طالما أن تلك الخصائص يمكن وصفها بمجموعة من القواعد الرياضية التي يمكن للحاسوب التحقق منها.

تخلص الدراسة إلى أنه رغم عدم قدرة أي نموذج على محاكاة تعقيد عالم الكم بشكل مثالي، إلا أنه يمكننا بناء نماذج تكون صادقة بشأن حدودها دون التضحية بالواقع الفيزيائي. ومن خلال فرض هذه الأولويات الفيزيائية، أنشأ الباحثون إطارًا يكون فيه عدم اليقين ليس مجرد مقياس للشك، بل مقياسًا لمدى اختلاف تصميم النموذج عن الفيزياء الحقيقية، مع إبقاء التنبؤات راسخة في الواقع. يفتح هذا النهج الباب أمام محاكاة أكثر موثوقية للعمليات المعقدة، مثل كيفية تشوه المواد تحت الضغط أو كيفية استجابتها للحرارة الشديدة، مما يمنح العلماء ثقة أكبر في النتائج التي يستخدمونها لتصميم مواد المستقبل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →