← أحدث الأبحاث
🔬 علوم المواد

Learning Electronic Band Structures Across the s, p, d Blocks with an Empirical Pseudopotential Network

تقدم الورقة البحثية EpNet، وهي شبكة عصبية متكافئة تتعلم جهدًا كاذبًا تجريبيًا للتنبؤ مباشرة بهياكل نطاقات إلكترونية كاملة للبلورات عبر كتل s وp وd بدقة عالية وبجزء ضئيل من التكلفة الحسابية لنظرية الكثافة الوظيفية التقليدية.

المؤلف الأصلي: Qiang Zhu

نُشر 2026-11-10
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلف الأصلي: Qiang Zhu

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

داخل كل بلورة صلبة، من السيليكون في رقاقة الكمبيوتر إلى النحاس في سلك، تتحرك الإلكترونات بطريقة محددة ومنظمة تحدد كيفية توصيل المادة للكهرباء أو امتصاصها للضوء. يوصف هذا السلوك بما يسميه العلماء "بنية النطاق الإلكتروني"، وهي خريطة لمستويات الطاقة التي يمكن للإلكترونات أن تشغلها. لعقود من الزمن، كانت الطريقة القياسية لحساب هذه الخريطة هي طريقة تسمى "نظرية وظيفية الكثافة". وبينما يعد هذا النهج دقيقًا، إلا أنه بطيء للغاية ومكلف حاسوبيًا، وغالبًا ما يتطلب حواسيب فائقة ضخمة لحل معادلات معقدة حتى لمادة واحدة. وبينما يحاول الباحثون تصميم مواد جديدة لبطاريات أفضل، أو إلكترونيات أسرع، أو خلايا شمسية أكثر كفاءة، فإنهم يواجهون عقبة: لا يمكنهم اختبار ملايين التوليفات الكيميائية المحتملة لأن الحسابات تستغرق وقتًا طويلًا جدًا.

لتسريع العملية، لجأ العلماء إلى التعلم الآلي، حيث يتم تدريب أجهزة الكمبيوتر على التنبؤ بخصائص المواد. ومع ذلك، فإن معظم النماذج الحالية تعمل كـ "صناديق سوداء" تخمن رقمًا واحدًا فقط، مثل حجم فجوة النطاق، دون فهم الفيزياء الكامنة وراء ذلك. وتحاول نماذج أخرى إعادة بناء الآلية الرياضية الكاملة لنظام الإلكترونات، لكنها تظل غالبًا مرتبطة بطرق الحساب التقليدية البطيئة التي كان من المفترض أن تحل محلها. كانت هناك حاجة لأداة تكون سريعة وكاملة فيزيائيًا في آن واحد، قادرة على التنبؤ بخريطة الطاقة الكاملة لبلورة ما مباشرة من مواضع ذراتها، دون الحاجة إلى الجهد الشاق للحوسبة التقليدية الضخمة.

تم تطوير حل يسمى "EpNet" من قبل "كيانغ زو" في جامعة نورث كارولاينا في شارلوت. هذا النظام هو "شبكة جهد شبه كاذب تجريبي متعلمة"، وهو نوع من الذكاء الاصطناعي المصمم لمحاكاة فيزياء الإلكترونات مع تجاوز الخطوات البطيئة للحساب التقليدي. وبدلاً من تخمين رقم واحد، يقوم EpNet ببناء خريطة كاملة لطاقات الإلكترونات للبلورة. وهو يعمل عن طريق تخصيص مجموعة من القواعد المحلية لكل ذرة في الهيكل بناءً على هويتها الكيميائية ومحيطها المباشر. تتضمن هذه القواعد "جهدًا محليًا سلسًا" يصف كيفية تفاعل الذرة مع الإلكترونات المجاورة، وقنوات خاصة "غير محلية" تتعامل مع الإلكترونات الأكثر تعقيدًا وترابطًا الوثيق الموجودة في المعادن الانتقالية. ومن خلال الجمع بين هذه المكونات القائمة على الفيزياء، تبني الشبكة تمثيلًا رياضيًا للبلورة يمكن حله في جزء من الثانية للكشف عن بنية النطاق الكاملة.

تم تدريب EpNet على مجموعة بيانات ضخمة تضم أكثر من 12,000 هيكل بلوري تحتوي على 63 عنصرًا مختلفًا، تغطي الجدول الدوري بأكمله من الغازات البسيطة إلى المعادن المعقدة. والأهم من ذلك، تم تعليم النموذج فقط على قيم الطاقة النهائية للإلكترونات، وليس على الخطوات الوسيطة للحساب. سمح هذا للشبكة بتعلم الأنماط الكامنة لكيفية ترتيب الذرات لنفسها لإنشاء سلوكيات إلكترونية محددة. وعند اختباره على أنظمة كيميائية لم يرها من قبل، أثبت النموذج دقة ملحوحة؛ فقد تنبأ بمستويات طاقة الإلكترونات بمتوسط خطأ قدره 0.061 إلكترون فولت، وحجم فجوات النطاق بخطأ قدره 0.102 إلكترون فولت. هذه الأخطاء صغيرة بما يكفي لتكون مفيدة في تصميم المواد في العالم الحقيقي، وقد أظهر النموذج أداءً ثابتًا عبر أنواع مختلفة من العناصر، بما في ذلك المعادن الانتقالية الصعبة التي غالبًا ما تربك النماذج الأبسط.

تكمن القوة الحقيقية لـ EpNet في سرعته. فبينما قد تستغرق الطرق التقليدية دقائق أو ساعات لحساب البنية الإلكترونية لمادة واحدة، يستطيع EpNet القيام بنفس المهمة في أقل من ثانية على معالج رسوميات قياسي. وفي اختبار ضخم شمل أكثر من 600,000 هيكل بلوري غير مرئي من قاعدة بيانات مستقلة، حافظ النموذج على دقته العالية مع تقليل التكلفة الحسابية بمقدار ضعفين إلى ثلاثة أوامر مقدارية مقارنة بالطرق القياسية. وقد حدد بشكل صحيح ما إذا كانت المادة معدنية أو عازلة في ما يقرب من 99 بالمائة من الحالات، متفوقًا بذلك على نماذج التعلم الآلي السريعة الأخرى التي غالبًا ما تخطئ في تصنيف المواد. وخلافًا للنهج السابقة التي تعاني مع المعادن المعقدة أو تتطلب إعدادات برمجية محددة، يعمل EpNet مباشرة من الإحداثيات الذرية، مما يجعله أداة متعددة الاستخدامات لفحص المكتبات الواسعة من المواد.

يمثل هذا العمل خطوة كبيرة للأمام في مجال علم المواد، حيث يوفر وسيلة لاستكشاف الخصائص الإلكترونية للعالم المادي بسرعة واتساع غير مسبوقين. ومن خلال تعلم قواعد سلوك الإلكترونات مباشرة من البيانات مع احترام الفيزياء الأساسية للذرة، يسد EpNet الفجوة بين الحسابات الدقيقة البطيئة والتخمينات السريعة التقريبية. فهو يسمح للباحثين بفحص ملايين المواد المحتملة للتطبيقات الإلكترونية في إطار زمني كان مستحيلاً في السابق، مما يسرع اكتشاف تقنيات جديدة للطاقة والحوسبة. النموذج متاح الآن للاستخدام، مما يوفر نافذة سريعة وموثوقة على القلب الإلكتروني للمواد التي تشكل عالمنا.

غارق في أبحاث مجالك؟

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

جرّب Digest →