Toward universal excited-state machine-learned potentials: a local excitation Hamiltonian for size consistency and transferability
تقدم هذه الورقة LEH-MACE، وهو جهد مُتعلم آليًا يحقق اتساقًا تامًا في الحجم وتحسنًا في القابلية للنقل لمحاكاة الحالات المثارة من خلال بناء طاقات الإثارة كقيم ذاتية لهاميلتوني إثارة محلي مُجمع من كتل ممركزة حول الذرات، متجاوزًا بذلك قيود عمليات القراءة المجمعة القياسية للحالات المثارة الأعلى والأنظمة الجزيئية غير المتفاعلة.
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 عالم الكيمياء، ليست الجزيئات تماثيل ساكنة؛ بل هي كيانات ديناميكية تمتص الضوء، وتغير أشكالها، وتتحول إلى مواد جديدة. ولفهم هذه اللحظات العابرة، يعتمد العلماء على عمليات محاكاة حاسوبية ترسم مسار طاقة الجزيء أثناء حركته. لعقود من الزمن، كانت هذه المحاكات ممتازة في وصف الجزيء في حالته الهادئة والمستقرة، والمعروفة باسم الحالة الأرضية. ومع ذلك، عندما يمتص الجزيء فوتوناً ويقفز إلى حالة مثارة، تتغير القواعد. فطاقة هذه الحالة المثارة ليست مجرد مجموع طاقات ذراتها الفردية، بل إن الحالة المثارة هي خاصية جماعية للنظام بأكمله، حيث يعتمد سلوك جزء واحد منها على الأجزاء الأخرى بطرق معقدة. وهذا ما يجعل من الصعب للغاية إنشاء نموذج حاسوبي واحد يمكنه التنبؤ بكيفية تصرف أي جزيء بعد تعرضه للضوء، خاصة عندما يكون ذلك الجزيء كبيراً أو عندما يكون جزءاً من مجموعة. وبدون وسيلة موثوقة للتنبؤ بهذه الطاقات، تظل محاكاة الكيمياء الضوئية التي تقود كل شيء، من الخلايا الشمسية إلى عملية الإبصار، مهمة بطيئة ومكلفة وغالباً ما تكون مستحيلة.
لقد اتخذ باحث في معهد كارلسروه للتكنولوجيا خطوة كبيرة نحو حل هذه المشكلة من خلال تطوير نوع جديد من النماذج الحاسوبية يسمى LEH-MACE. كان هدفه إنشاء أداة عالمية يمكنها التنبؤ بدقة بالحالات المثارة للجزيئات عبر المشهد الكيميائي بأكره، وليس فقط لبعض الأمثلة المحددة. وكان التحدي الجوهري الذي واجهه يتمثل في عقبة رياضية أساسية: فخلافاً لطاقة الحالة الأرضية، التي تُجمع بانتظام من ذرة إلى أخرى، لا تتصرف طاقة الحالة المثارة بهذه الطريقة. فإذا كان لديك جزيئان منفصلان بعيدان عن بعضهما البعض، فإن قائمة الحالات المثارة للزوج يجب أن تكون ببساال قائمة الحالات لكل جزيء على حدة. وقد فشلت النماذج الحاسوبية السابقة في هذا الاختبار الأساسي، حيث أنتجت طاقات غير صحيحة عندما جُمعت الجزيئات معاً أو عندما كانت أكبر من الأمثلة التي تعلم منها النموذج. وأدرك الباحث أنه لإصلاح ذلك، كان عليه تغيير الطريقة التي "يقرأ" بها الكمبيوتر طاقة الجزيء.
بدلاً من محاولة حساب الطاقة الإجمالية كرقم واحد أو كمتوسط بسيط للمساهمات الذرية، يقوم النموذج الجديد ببناء بنية رياضية تسمى "هاميلتونيان الإثارة المحلي" (local excitation Hamiltonian). تخيل هذه البنية كشبكة منظمة وكبيرة حيث تمثل كل خلية فيها طاقة ذرة واحدة أو التفاعل بين ذرتين متجاورتين. يقوم الكمبيوتر بملء هذه الشبكة بناءً على مواقع الذرات، ثم يحل لغزاً رياضياً محدداً لإيجاد مستويات الطاقة المخفية داخل الشبكة. ولأن الشبكة تُبنى من قطع محلية، فإن الحل يحترم بطبيعته القاعدة التي تنص على أن الجزيئات البعيدة لا تتداخل مع مستويات طاقة بعضها البعض. فإذا كان هناك جزيئان بعيدان عن بعضهما، تنقسم الشبكة إلى قسمين منفصلين، ويحدد الكمبيوتر بشكل صحيح أن مستويات الطاقة المجتمعة هي مجرد القائمتين من المستويات جنباً إلى جنب. يضمن هذا التصميم بقاء النموذج دقيقاً حتى عند تطبيقه على جزيئات أكبر بكثير مما رآه من قبل، أو عند محاكاة مجموعات من الجزيئات التي لا تتفاعل فيما بينها.
لتدريب هذا النموذج الجديد، قام الباحث بتوليد كمية هائلة من البيانات، حيث حسب الطاقات والقوى لأكثر من 300,000 شكل جزيئي مختلف. شملت هذه الأشكال جزيئات في حالتها المستقرة، وجزيئات سُخنت إلى درجات حرارة عالية، وجزيئات التوترت وتمددت لتتخذ الأشكال الغريبة التي تتبناها عند امتصاص الضوء. غطت البيانات أكثر من 100,000 جزيء مختلف، تراوحت من الهياكل الصغيرة البسيطة إلى سلاسل الكربون الطويلة والمعقدة. ومن خلال تغذية هذا النموذج بمجموعة البيانات المتنوعة، علمه الباحث التعرف على أنماط الطاقة التي تظهر في الحالات المثارة. واختبر الباحث النموذج بصرامة، واضعاً إياه في مواجهة طرق أخرى موجودة ليرى مدى أدائه على جزيئات لم يسبق له مواجهتها. وأظهرت النتائج أنه بينما تعثرت النماذج الأخرى عند مواجهة جزيئات أكبر أو مجموعات من الجزيئات غير المتفاعلة، حافظ النموذج الجديد على دقته؛ فقد تنبأ بشكل صحيح بمستويات الطاقة للسلاسل المترافقة الكبيرة وأزواج الجزيئات، في حين أنتجت الطرق الأخرى أخطاءً تزداد بشكل كبير مع كبر حجم الأنظمة.
كما استكشفت الدراسة كيفية سلوك النموذج عند محاكاة الحركة الفعلية للجزيئات بعد امتصاص الضو. في عمليات المحاكاة هذه، غالباً ما تلتوي الجزيئات وتدور، وتمر عبر مناطق تتغير فيها مستويات طاقتها بسرعة. ووجد الباحث أنه بينما كان النموذج الجديد بارعاً للغاية في التنبؤ بالطيف الكامل لمستويات الطاقة، بما في ذلك المستويات الأعلى الضرورية لفهم كيفية امتصاص الضوء، إلا أن نهجاً آخر أبسط كان أفضل قليلاً في التنبؤ بالحالة المثارة الأولى للجزيئات المنفردة. وهذا يشير إلى أن الأداة الأفضل تعتمد على السؤال المحدد المطروح؛ فلفهم النطاق الكامل للألوان التي يمكن للجزيء امتصاصها أو فهم كيفية سلوكه في محلول يحتوي على العديد من الجزيئات الأخرى، فإن "هاميلتونيان الإثارة المحلي" الجديد هو الخيار الأفضل. أما لتتبع "الرقصة" السريعة للجزيء الواحد في أدنى حالة طاقة، فلا تزال الطريقة القديمة الأبسط تحتفظ بالأفضلية.
في نهاية المطاف، يثبت هذا العمل أنه من الممكن بناء نماذج تعلم آلي تحترم القواعد الفيزيائية الأساسية لكيفية تفاعل الجزيئات. فمن خلال تصميم النموذج ليفهم جوهرياً أن الجزيئات البعيدة لا تخلط مستويات طاقتها، أنشأ الباحث أداة يمكنها التعميم على مساحات كيميائية تتجاوز بكثير بيانات التدريب الخاصة بها. وهذه خطوة حاسمة نحو محاكٍ عالمي للحالات المثارة، وهو محاكٍ قد يسمح للعلماء في النهاية بالتنبؤ بسلوك المواد الجديدة للطاقة الشمسية، والإلكترونيات العضوية، والتصوير الطبي دون الحاجة إلى إجراء تجارب مكلفة أولاً. لقد أتاح الباحث بياناته ورمزه البرمجي للمجتمع، مما يوفر أساساً للآخرين للبناء عليه وتطوير هذه الأساليب بشكل أكبر. إن المسار المستقبلي يتضمن جمع المزيد من البيانات، لا سيما للجزيئات ذات الهياكل الإلكترونية المعقدة والتفاعلات بين أنواع مختلفة من الجزيئات، ولكن الإطار لنموذج عالمي حقاً قد تم تأسيسه الآن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.