UniHam: A Large-Scale SOC-Complete Dataset and Benchmark for Hamiltonian Learning in Materials
تقدم هذه الورقة البحثية UniHam، وهو عبارة عن مجموعة بيانات ومعيار تقييم واسع النطاق ومكتمل باقتران المدار-اللف المغزلي، صُمم للتغلب على قيود البيانات في نماذج المواد التأسيسية من خلال تمكين التقييم الصارم لتعلم الهاملتوني عبر دقة إعادة البناء، والتعميم خارج نطاق التوزيع، وقدرات التنبؤ بالخصائص اللاحقة.
تخيل أنك تحاول فهم كيفية سلوك مادة جديدة — ما إذا كانت ستوصل الكهرباء، أو تتوهج بالضوء، أو تصبح مغناطيسية — دون الحاجة إلى بنائها في المختبر. لعقود من الزمن، اعتمد العلماء على طريقة حاسوبية قوية ولكنها بطيئة للغاية تسمى "نظرية الدالة الوظيفية للكثافة" للتنبؤ بهذه الخصائص. تحل هذه الطريقة لغزًا معقدًا لكل ذرة منفردة في المادة، حيث تحسب كيفية حركة الإلكترونات وتفاعلها. ورغم دقتها، فإن هذه العملية مكلفة حاسوبيًا للغاية لدرجة أنها تقصر الباحثين على دراسة مجموعات صغيرة فقط من الذرات أو الانتظار لأيام للحصول على نتيجة واحدة. ولتسريع هذه العملية، لجأ العلماء إلى الذكاء الاصطناعي، حيث قاموا بتدريب نماذج حاسوبية للتنبؤ بالإجابات مباشرة. ومع ذلك، فإن معظم هذه النماذج قد تعلمت فقط تخمين أرقام بسيطة، مثل الطاقة الإجمالية للمادة، بدلاً من الخريطة الكاملة والمفصلة لكيفية سلوك الإلكترونات. وبدون هذه الخريطة الكاملة، لا يمكن للنماذج التنبؤ بشكل موثوق بالسلوكيات المعقدة والغريبة الموجودة في المواد الكمومية الحديثة.
قام فريق من الباحثين في جامعة "سون يات سين" ببناء مورد جديد ضخم لحل هذه المشكلة، حيث أنشأوا مجموعة بيانات وميدان اختبار يسمى "UniHam". لقد أنتجوا أكثر من 100,000 خريطة إلكترونية مفصلة لمجموعة متنوعة من الهياكل البلورية، تغطي 72 عنصرًا كيميائيًا مختلفًا. والأهم من ذلك، أن كل خريطة في هذه المجموعة تتضمن تأثيرات "تفاعل المدار واللف المغزلي" (spin-orbit coupling)، وهو تفاعل فيزيائي دقيق ولكنه حيوي يحدث عندما تدور الإلكترونات وتتحرك حول النوى الذرية الثقيلة. هذا التفاعل هو المسؤول عن العديد من الخصائص الفريدة في المواد المستخدمة في الإلكترونيات المتقدمة والحوسبة الكمومية، ولكنه صعب النمذجة بشكل معروف لأنه يتطلب رياضيات معقدة تضاعف حجم البيانات. ومن خلال تضمين هذه الفيزياء في مثل هذه المجموعة الكبيرة والمتنوعة، قدم الباحثون أول أساس مفتوح واسع النطاق لتدريب الذكاء الاصطناعي على فهم البنية الإلكترونية الكاملة للمواد، بدءًا من الأملاح البسيطة وصولاً إلى المركبات المعقدة ذات المعادن الثقيلة.
لم يكتفِ الباحثون بجمع البيانات فحسب؛ بل بنوا نظام اختبار صارم لمعرفة ما إذا كانت نماذج الذكاء الاصطناعي الحالية قادرة حقًا على التعلم منها. فقد أخذوا اثنين من أكثر النماذج تقدمًا المتاحة، ودربوهما على مجموعة البيانات الجديدة هذه، ثم أخضعوهما لسلسلة من الاختبارات الصعبة. قاس الاختبار الأول مدى قدرة النماذج على إعادة بناء الخرائط الإلكترونية التي رأتها أثناء التدريب ببساطة. أدى كلا النموذجين أداءً جيدًا، لكن أحد النموذجين، المعروف باسم "HamGNN"، كان أكثر دقة بشكل ملحوظ من الآخر، خاصة عند التعامل مع التفاعلات الدورانية المعقدة الموجودة في العناصر الثقيلة. أما الاختبار الثاني فكان أكثر صعوبة: فقد طلب الباحثون من النماذج التنبؤ بالخرائط الإلكترونية لمواد تحتوي على عناصر لم ترها من قبل، أو لبلورات أكبر بكثير من أي شيء كان موجودًا في مجموعة التدريب. وهنا، كان الفرق شاسعًا؛ فبينما عانى أحد النماذج وفشل في التعميم على هذه المواقف الجديدة، حافظ النموذج الآخر على دقته، مما أظهر أنه قد تعلم حقًا القواعد الفيزيية الأساسية بدلاً من مجرد حفظ الأمثلة.
ولكن ربما كان الاكتشاف الأهم هو أن الحصول على الخريطة الإلكترونية الصحيحة لا يعني تلقائيًا الحصول على خصائص المادة النهائية بشكل صحيح. فقد اكتشف الباحثون أنه يمكن للنموذج أن يسجل معدل خطأ منخفض جدًا في التنبؤ بالبيانات الإلكترونية الخام، ومع ذلك يفشل في التنبؤ بـ "فجوة النطاق" (band gap)، التي تحدد ما إذا كانت المادة موصلة أم عازلة. ولحل هذه المشكلة، استحدثوا طريقة تدريب جديدة تجبر النماذج على الانتباه إلى مستويات الطاقة النهائية للإلكترونات، وليس فقط البيانات الخام. وقد أدى هذا التعديل إلى تحسين قدرة النماذج بشكل كبير على التنبؤ بالخصائص الواقعية مثل فجوات النطاق وكثافة الحالات، التي تصف عدد مستويات طاقة الإلكترونات المتاحة عند طاقة معينة. وقد أثبت هذا أنه لبناء أدوات مفيدة حقًا في علم المواد، يجب أن تكون عملية التدريب متوافقة مع الأسئلة الفيزيائية النهائية التي يريد العلماء الإجابة عنها.
لقد تجلت قوة هذا النظام الجديد عندما استخدم الباحثون أفضل نماذجهم أداءً لفحص آلاف الهياكل البلورية من قاعدة بيانات مستقلة ومنفصلة. فبدون تشغيل نموذج محاكاة حاسوبي واحد مكلف، نجح النموذج في تحديد مئات المواد التي تعمل كأشباه موصلات ذات فجوة مباشرة، وهي نوع محدد من المواد الضرورية لصنع مصابيح LED وخلايا شمسية فعالة. وعند فحص هذه التنبؤات مقابل البيانات المعروفة، ثبتت صحتها بدقة عالية. يوضح هذا النجاح أن مجموعة البيانات الجديدة وطرق التدريب المحسنة قد نقلت المجال بعيدًا عن مجرد ملاءمة البيانات البسيطة. لقد أنشأ الباحثون نظامًا يمكنه التنبؤ بسلوك المواد المعقدة بشكل موثوق، مما يفتح الباب أمام مستقبل يمكن فيه للعلماء تصميم مواد كمومية جديدة على شاشة الكمبيوتر بثقة، متجاوزين سنوات من التجربة والخطأ التي كانت تبطئ عملية الاكتشاف تقليديًا.
ملخص تقني: UniHam
بيان المشكلة يعوق تطوير النماذج التأسيسية عامة الأغراض للمواد الكمومية عنق زجاجة حرج في البيانات. وبينما نجحت البدائل القائمة على تعلم الآلة في التنبؤ بالخصائص القياسية مثل الطاقة الكلية أو فجوات النطاق، يظل التنبؤ بمصفوفة هاميلتون الإلكترونية (Hamiltonian matrix) أمراً صعباً. تعاني مجموعات بيانات هاميلتون الحالية من أربعة قيود رئيسية: صغر الحجم، محدودية التنوع الكيميائي، غياب إمكانية الوصول العام، والأهم من ذلك، غياب الإدراج المنهجي للاقتران المغزلي المداري (SOC). بدون الـ SOC، تقتصر مصفوفات هاميلتون على الأشكال ذات القيم الحقيقية، مما يجعلها غير كافية للمواد الثقيلة، والمغناطيسية، والتوبولوجية حيث تكون التأثيرات النسبية ضرورية. علاوة على ذلك، فإن الأبعاد العالية والقيود التناظرية للمصفوفات الهيرميتية المعقدة تجعل عملية التجميع واسعة النطاق مكلفة وصعبة. ونتيجة لذلك، تفتقر المجتمعات العلمية إلى مجموعة بيانات مفتوحة، واسعة النطاق، وكاملة لـ SOC، قادرة على دعم التقييم المرجعي القابل للتكرار والتقييم القوي خارج نطاق التوزيع (OOD).
المنهجية يقدم المؤلفون UniHam، وهو عبارة عن مجموعة بيانات ومجموعة أدوات تقييم مرجعية مصممة لمعالجة هذه الفجوات.
بناء مجموعة البيانات: تضم UniHam حوالي 103,121 بنية بلورية تغطي 72 عنصراً و225 من أصل 230 مجموعة فراغية بلورية. تمت معالجة كل بنية باستخدام حزمة OpenMX مع قاعدة مدارات ذرية شبه موضعية (PAO). ومن الأهمية بمكان أن جميع الحسابات استخدمت الدوران غير المتعامد (non-collinear spin) والنسبية الكاملة لـ SOC، مما أنتج مصفوفات هاميلتون هيرميتية ذات قيم معقدة. وللتعامل مع الارتباطات الإلكترونية القوية في المعادن الانتقالية والعناصر الأرضية النادرة، تستخدم مجموعة البيانات صيغة DFT+U (أي GGA+U) مع معاملات هوبارد (Hubbard parameters) معيارية. استهلك بناء مجموعة البيانات ما يقرب من 3 ملايين ساعة من نواة المعالجات المركزية (CPU core-hours).
مهام التقييم المرجعي: وضع المؤلفون بروتوكولاً معيارياً لتقييم النماذج عبر ثلاثة أبعاد:
داخل التوزيع (Recon-ID): دقة إعادة البناء للهياكل التي تحتوي على ≤ 60 ذرة.
خارج التوزيع (OOD):
حجم النظام (OOD-Size): التعميم على الهياكل التي تتراوح بين 61 و444 ذرة.
التركيب (OOD-Comp): التعميم على العناصر غير المرئية، ويتم اختباره عبر ثلاث سيناريوهات: الاستيفاء الكيميائي (Indium)، واستقراء البنية الإلكترونية (العناصر الأرضية النادرة ذات أغلفة 4f المملوءة جزئياً)، واستقراء طبيعة الترابط (الغازات النبيلة).
التنبؤ بالخصائص النهائية (Prop-ID): تقييم ما إذا كانت مصفوفات هاميلتون المتنبأ بها يمكنها اشتقاق الملاحظات الفيزيائية بدقة (فجوات النطاق، بنى النطاق، وكثافة الحالات) عبر عملية التقطيع (diagonalization).
مقاييس التقييم: يستخدم التقييم المرجعي أربعة مقاييس متكاملة: متوسط الخطأ المطلق (MAE) لمصفوفة هاميلتون المصحح بمعامل القياس (gauge-corrected)، ومتوسط الخطأ المطلق لطاقة النطاق، ومتوسط الخطأ المطلب لكثافة الحالات (DOS) الموحد، وخطأ فجوة النطاق. يضمن هذا النهج متعدد المستويات أن دقة هاميلتون تترجم إلى دقة فيزيائية.
النماذج المرجعية (Baselines): تم تقييم نموذجين من الشبكات العصبية الرسومية المتوافقة (equivariant graph neural networks) من أحدث ما توصل إليه العلم: DeepH-pack (بنية DeepH-E3) و HamGNN (تم تقييمه في كل من التكوين الأساسي وتكوين الضبط الدقيق مع الإشراف على مستوى الطيف).
المساهمات الرئيسية
مجموعة بيانات UniHam: إصدار مجموعة بيانات تضم أكثر من 100 ألف بنية لمصفوفات هاميلتون هيرميتية ذات قيم معقدة مع SOC كامل، تغطي 72 عنصراً بما في ذلك اللانثانيدات (4f)، وهي أكبر بكثير وأكثر تنوعاً من المراجع العامة السابقة.
بروتوكول تقييم مرجعي موحد: تقديم إطار تقييم شامل يقيم بشكل مشترك دقة إعادة البناء، والتعميم خارج التوزيع (OOD) المرتبط بالتركيب والتناظر، وفائدة التنبؤات للخصائص الإلكترونية النهائية.
التقييم المنهجي: إظهار أن UniHam يكشف عن أوضاع الفشل الجوهرية المعتمدة على قوة SOC ونوع العنصر، وأن التقييم على مستوى الطيف ضروري للحكم على موثوقية تنبؤات هاميلتون للخصائص الفيزيائية.
النتائج
دقة إعادة البناء: حقق كلا النموذجين متوسط خطأ مطلق (MAE) إجمالي أقل من 3 ميلي إلكترون فولت (meV) للبيانات داخل التوزيع. تفوق HamGNN على DeepH-pack (بواقع 1.50 meV مقابل 2.44 meV)، خاصة في حل اقترانات SOC الدقيقة (الأجزاء التخيلية). تدهور الأداء بشكل رتيب مع زيادة قوة SOC (من الـ SOC الضعيف إلى أنظمة 5d/4f القوية)، مما يشير إلى صعوبة جوهرية في تعلم التأثيرات النسبية.
التعميم خارج التوزيع (OOD):
حجم النظام: أظهر كلا النموذجين قدرة نقل ممتازة من الخلايا الصغيرة (≤ 60 ذرة) إلى الخلايا الكبيرة (حتى 444 ذرة)، مما يؤكد التحيز الاستقرائي المحلي القوي للبنيات المتوافقة.
التركيب: ظهرت فجوات كبيرة في الأداء عند استبعاد العناصر. تدهور DeepH-pack بمقدار 6 إلى 8 أضعاف في إعدادات OOD، بينما تدهور HamGNN بمقدار 1.9 إلى 4.1 ضعفاً فقط، محافظاً على متوسط خطأ مطلق في حدود خانة واحدة (single-digit meV). يسلط هذا الضوء على أن الخيارات المعمارية التي تحقق مكاسب طفيفة داخل التوزيع تصبح حاسمة للتعميم التركيبي "صفر الشروط" (zero-shot).
التنبؤ بالخصائص النهائية: وجدت الدراسة أن MAE الخاص بهاميلتون وحده ليس مؤشراً كافياً للدقة الفيزيائية. بينما كان لدى HamGNN (Base) خطأ MAE أقل من DeepH-pack، إلا أن تنبؤاته بفجوة النطاق وبنية النطاق كانت أفضل بفارق ضئيل فقط. ومع ذلك، فإن HamGNN (FT)، الذي دمج الإشراف على مستوى الطيف (قيود القيم الذاتية)، حسن المقاييس النهائية بشكل كبير (على سبيل المثال، خفض MAE لفجوة النطاق من 1.697 إلكترون فولت إلى 0.622 إلكترون فولت). وهذا يؤكد أن التقييم والتدريب على مستوى الطيف ضروريان للتنبؤ الموثوق بالخصائص.
التطبيق العملي: نجح نموذج HamGNN (FT) المدرب في فحص 3,000 بنية من قاعدة بيانات GNoME (غير مرئية أثناء التدريب)، حيث حدد 720 أشباه موصلات ذات فجوة مباشرة باتساق قدره 92% مع مراجع Materials Project، مما يثبت إمكانية الاكتشاف عالي الإنتاجية للمواد دون الحاجة لـ DFT.
الأهمية يزعم البحث أن UniHam يوفر معياراً مرجعياً قابلاً للتكرار وكاملاً لـ SOC، مما يعمل على شحذ مقارنات النماذج وتسريع تطوير النماذج التأسيسية للجيل القادم من المواد الكمومية. ومن خلال كشف أوضاع الفشل المرتبطة بـ SOC والمعتمدة على نوع العنصر، وإثبات ضرورة التقييم على مستوى الطيف، تعالج UniHam عنق زجاجة حرج في البيانات. ويخلص المؤلفون إلى أنه بينما يمكن تحقيق إعادة بناء بدقة أقل من 1 meV في أنظمة SOC الضعيفة، فإن تعلم التفاعلات المدارية المغزلية النسبية يظل تحدياً كبيداً، ويجب أن تعطي النماذج المستقبلية الأولوية للأهداف المرتبطة بالخصائص النهائية لضمان الموثوقية الفيزيائية. يضع هذا العمل حجر الأساس للانتقال من التنبؤ بالخصائص القياسية نحو تعلم البنية الإلكترونية الشاملة.