← أحدث الأبحاث
🤖 تعلم الآلة

Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models

تقدم هذه الورقة البحثية أخذ عينات الانتشار الشجري (DTS)، وهو أسلوب للتكيف أثناء الاستدلال يستخدم بحث شجرة مونت كارلو عبر مسارات إزالة الضجيج لتوجيه نماذج توليد البلورات القائمة على الانتشار نحو خصائص مثلى متعددة الأهداف دون الحاجة إلى إعادة تدريب مكلفة للنموذج.

المؤلف الأصلي: Daniel T. Levy, Vineet Jain, Tara Akhound-Sadegh, Sékou-Oumar Kaba, Siamak Ravanbakhsh

نُشر 2026-11-16
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلف الأصلي: Daniel T. Levy, Vineet Jain, Tara Akhound-Sadegh, Sékou-Oumar Kaba, Siamak Ravanbakhsh

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

إن البحث عن مواد جديدة هو لعبة اكتشاف عالية المخاطر، حيث يحاول العلماء إيجاد تركيبات من الذرات تشكل بلورات ذات خصائص محددة ومفيدة. تخيل أنك تحاول العثور على إبرة في كومة قش، باستثناء أن كومة القش مكونة من كل ترتيب ممكن للذرات، والإبرة هي هيكل ليس مستقراً فحسب، بل يوصل الكهرباء بطريقة معينة أو يتحمل ضغطاً هائلاً. لعقود من الزمن، اعتمد الباحثون على نماذج حاسوبية قوية لتوليد هذه الهياكل البلورية، لكن هذه النماذج غالباً ما تنتج فيضاً من المرشحين المستحيلين كيميائياً أو غير المستقرين. تكمن العقبة الحقيقية في أن التحقق مما إذا كانت البلورة مستقرة حقاً يتطلب تشغيل عمليات محاكاة مكلفة وبطيئة للغاية يمكن أن تستغرق أياماً لمرشح واحد. لهذا السبب، يحتاج العلماء إلى طريقة لتوجيه النماذج الحاسوبية لإنتاج مرشحين أفضل منذ البداية، بدلاً من توليد الملايين من العناصر عديمة الفائدة والأمل في العثور على القليل منها بالصدفة.

لقد طور فريق من الباحثين في جامعة مكغيل ومعهد ميلا (Mila) للذكاء الاصطناعي في كيبيك طريقة جديدة لحل هذه المشكلة دون الحاجة إلى إعادة تدريب النماذج الحاسوبية الضخمة التي تولد البلورات. فبدلاً من محاولة تعليم النموذج طريقة جديدة للتفكير، وهو أمر بطيء ومكلف، ابتكروا عملية بحث ذكية تحدث أثناء عمل النموذج. أطلقوا على هذه الطريقة اسم "أخذ عينات الانتشار الشجري" (Diffusion Tree Sampling). تخيل النموذج الحاسوبي كالنحات الذي ينحت ببطء من كتلة حجرية ليكشف عن تمثال. عادةً، يرتكب النحات خطأ واحداً في كل مرة ويمضي قدماً. ومع ذلك، فإن هذه الطريقة الجديدة توقف النحات في لحظات رئيسية وتسأله: "ماذا لو كنت قد قمت بقطع مختلف قليلاً هنا؟". ثم تستكشف عدة مسارات من نوع "ماذا لو" في وقت واحد، محتفظة بالمسارات الأكثر واعدة واستبعاد المسارات المسدودة. ومن خلال القيام بذلك، يمكن للنظام توجيه عملية التوليد نحو بلورات من المرجح أن تكون مستقرة ومفيدة، وكل ذلك باستخدام نفس النموذج المدرب مسبقاً والمتاح بالفعل.

وقد أظهر الباحثون أن هذا النهج يعمل بشكل جيد بشكل ملحوظ عبر تحديات مختلفة في علم المواد. في أحد الاختبارات، استخدموا هذه الطريقة لتوليد بلورات مستقرة ديناميكياً حرارياً، مما يعني أنها أقل عرضة للتفكك. نجح النظام في إيجاد عدد أكبر من البلورات المستقرة مقارنة بالطرق القياسية، وزادت هذه الميزة كلما سمح الباحثون للحاسوب بالقيام بمزيد من العمل. وفي تجربة أخرى، استهدفوا بلورات ذات تماثلات داخلية نادرة جداً، وتحديداً نوعاً من الترتيب الذري الذي يظهر في أقل من واحد بالمائة من البلورات المعروفة. النماذج القياسية نادراً ما تجد هذه الهياكل النادرة من تلقاء نفسها. ومع ذلك، من خلال الجمع بين البحث الذكي ونسخة متخصصة من النموذج تم ضبطها مسبقاً للبحث عن هذه التماثلات، تمكن الفريق من إيجاد هذه البلورات النادرة بمعدل عشرة أضعاف أعلى من ذي قبل.

ولعل الإنجاز الأهم لهذا العمل هو كيفية تعامله مع المواقف التي يحتاج فيها العلماء إلى الموازنة بين هدفين أو أكثر متضاربين. في العالم الحقيقي، قد تحتاج المادة إلى أن تكون عازلاً كهربائياً جيداً وتمتلك فجوة طاقة كبيرة في آن واحد، لكن تحسين أحدهما غالباً ما يجعل الآخر أسوأ. أظهر الباحثون أن طريقتهم يمكنها استكشاف النطاق الكامل للمقايضات الممكنة بين هذه الخصائص المتضاربة في بحث واحد. فبدلاً من العثور على إجابة واحدة "مثلى" فقط، أنتج النظام مجموعة متنوعة من البلورات، كل منها يمثل توازناً مختلفاً بين الهدفين. وهذا يسمح للعلماء برؤية المشهد الكامل للاحتمالات واختيار المادة التي تناسب احتياجاتهم المحددة بشكل أفضل.

تتميز هذه الطريقة بكونها مرنة ولا تتطلب من الباحثين إعادة بناء النماذج الحاسوبية الأساسية من الصفر. يمكنها الاستفيد من النماذج الموجودة التي تم تدريبها لمهام محددة، واستخدامها كدليل مع ضمان أن النتائج النهائية لا تزال تتبع القوانين الأساسية للفيزياء. كما أظهر الباحثون أنه حتى عندما لا يكون النموذج الموجه مطابقاً تماماً للهدف - مثل استخدام نموذج مدرب للعثور على البلورات الكثيفة للبحث بدلاً من ذلك عن بلورات ذات معامل حجم مرتفع - يمكن لنظامهم تصحيح عدم التطابق هذا. وهذا يضمن أن النتائج النهائية مدفوعة بالهدف الفعلي وليس بخصائص الدليل.

من خلال نقل الجهد الحسابي من تدريب نماذج جديدة إلى البحث الأذكى أثناء عملية التوليد، يوفر هذا النهج مساراً أكثر كفاءة للاكتشاف. إنه يدرك أنه في عالم علم المواد، تكون تكلفة التحقق من مرشح ما أعلى بكثير من تكلفة توليده. لذلك، فإن تخصيص المزيد من القدرة الحسابية لضمان أن كل مرشح يتم توليده هو عالي الجودة يعد استراتيجية أفضل بكثير من توليد كميات هائلة من العناصر منخفضة الجودة. يشير هذا العمل إلى أن مستقبل اكتشاف المواد قد لا يكمن في النماذج الأكبر وحدها، بل في طرق أكثر ذكاءً لاستخدام النماذج التي نمتلكها بالفعل للتنقل في الفضاء الواسع والمعقد للمواد الممكنة.

غارق في أبحاث مجالك؟

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

جرّب Digest →