← أحدث الأبحاث
⚛️ الفيزياء الكمومية

Machine-learned active spaces enable quantum calculations of spin-state energetics of transition-metal complexes on quantum hardware

تقدم هذه الورقة SpinAware، وهو نموذج تعلم آلي يتنبأ بمقاييس التشابك المداري من حلول هارتري-فوك غير المقيدة لتحديد الفضاءات النشطة المدمجة تلقائياً، مما يتيح حسابات دقيقة لطاقة حالات الغزل لمعقدات المعادن الانتقالية باستخدام الأجهزة الكمومية دون عمليات حسابية ارتباطية مسبقة.

المؤلف الأصلي: Muhammad Arsalan Ali Akbar, Thomas D. Kühne, Sabre Kais, Werner Dobrautz

نُشر 2026-11-17
📖 4 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Muhammad Arsalan Ali Akbar, Thomas D. Kühne, Sabre Kais, Werner Dobrautz

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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

تُعد العناصر الانتقالية هي المحركات الأساسية للكيمياء الحديثة، فهي تقود كل شيء بدءاً من الإنزيمات التي تحافظ على حيوية خلايانا وصولاً إلى الحوافز الصناعية التي تحول النفط إلى بلاستيك. ويحكم سلوكها الكيميائي ظاهرة كمومية دقيقة: وهي الطريقة التي تترتب بها إلكتروناتها في الفضاء. وخلافاً للذرات البسيطة حيث تستقر الإلكترونات في طبقات مرتبة ومتوقعة، غالباً ما تتشارك الإلكترونات في العناصر الانتقالية مستويات الطاقة نفسها، مما يخلق شبكة متشابكة من الاحتمالات. هذا "الارتباط الساكن" يعني أنه لفهم كيفية تفاعل هذه الجزيئات، لا يمكن للعلماء النظر في ترتيب واحد فقط للإلكترونات؛ بل يجب عليهم مراعاة عدد هائل منها في وقت واحد. وتكمن المشكلة في أن حساب كل هذه الاحتمالات مكلف للغاية؛ إذ يتطلب الأمر اختيار مجموعة محددة من مسارات الإلكترونات، تُسمى "الفضاء النشط"، للتركيز عليها. وإذا كان الاختيار خاطئاً، تفشل العملية الحسابية؛ وإذا كان كبيراً جداً، فلن تتمكن حتى أقوى الحواسيب الفائقة في العالم من حله. وقد حال هذا الاختناق طويلاً دون قدرة الباحثين على التنبؤ بدقة بفروق الطاقة بين حالات الغزل المختلفة — وهي التوجهات المغناطيسية للجزيء — والتي تُعد بالغة الأهمية لفهم كيفية عمل هذه الحوافز.

لقد طور فريق من الباحثين الآن طريقة جديدة لتجاوز هذا الاختناق باستخدام الذكاء الاصطناعي. فقد أنشأوا نموذجاً للتعلم الآلي أطلقوا عليه اسم "SpinAware"، يمكنه التنبؤ بمسارات الإلكترونات المهمة دون إجراء الحسابات المكلفة التي كانت مطلوبة سابقاً. وبدلاً من الحاجة إلى حاسوب فائق لمعرفة شبكة الإلكترونات المتشابكة، ينظر النموذج إلى عملية حسابية معيارية أبسط لإلكترونات الجزيء، وبناءً على الأنماط التي تعلمها من آلاف الأمثلة، يتنبأ بالضبط بالمسارات التي يجب تضمينها في الحساب المعقد. وقد تم تدريب النموذج على مجموعة بيانات ضخمة من معقدات العناصر الانتقالية، حيث تعلم التعرف على التواقيع الدقيقة للاشتباك الإلكتروني من بيانات أساسية مثل طاقة الإلكترونات وكيفية تشاركها بين المعدن والذرات المحيطة به.

اختبر الباحثون هذه الأداة الجديدة على مجموعة صعبة من الجزيئات التي تختلف تماماً عن تلك التي استُخدمت لتدريب النموذج. وشملت هذه المجموعة معقدات تحتوي على معادن وليجاندات (ربيطات) لم يسبق للنموذج رؤيتها من قبل، مثل التيتانيوم والفاناديوم، وروابط كيميائية غير معتادة. ورغم عدم وجود خبرة سابقة، نجح النموذج في تحديد مسارات الإلكترونات الصحيحة في كل حالة تقريباً. واستطاع تضييق نطاق مجموعة مكونة من أربعين مساراً إلكترونياً محتملاً إلى مجموعة أصغر وأكثر قابلية للإدارة تبلغ حوالي خمسة عشر مساراً، مع ضمان عدم استبعاده لأي من المسارات الحرجة اللازمة للحصول على إجابة دقيقة. وفي الواقع، احتوت عملية الاختيار التي قام بها النموذج على 99% من المسارات الصحيحة التي تجدها أكثر الطرق دقة واستغراقاً للوقت المتاحة.

ولإثبات أن هذا النهج يعمل في العالم الحقيقي، أخذ الفريق مسارات الإلكترونات المتوقعة منهم وقاموا بتشغيلها على حواسيب كمومية فعلية. وقد استخدموا طريقة تسمى "القطرية الكمومية القائمة على العينات"، وهي مصممة للتعامل مع الضجيج والأخطاء المتأصلة في الأجهزة الكمومية الحالية. ومن خلال تغذية عينات من معالج كمومي من شركة IBM في حساباتهم، تمكنوا من إعادة إنتاج فروق الطاقة الدقيقة بين حالات الغزل بهامش خطأ يقل عن عُشر كيلو كالوري لكل مول. وهذا المستوى من الدقة ذو أهمية كيميائية، ويثبت أن نموذج التعلم الآلي يمكنه بنجاح إعداد المشكلة للحاسوب الكمومي. وتعمل هذه العملية فعلياً على جسر الفجوة بين الحوسبة الكلاسيكية، الجيدة في المهام البسيطة، والحوسبة الكمومية، المطلوبة للمشكلات الأكثر صعوبة، وذلك عبر استخدام الذكاء الاصطناعي لتحديد ما يجب أن يُسأل به الجهاز الكمومي بدقة.

يشير نجاح "SpinAware" إلى أن صعوبة هذه الحسابات ليست مجرد مسألة قوة حوسبة خام، بل هي مسألة معرفة أين تبحث. لقد تعلم النموذج أن أهمية مسار إلكتروني تعتمد على علاقته بالمسارات الأخرى، تماماً كما أن النوتة الواحدة في الوتر لا تكتمل إلا في سياق النوتات الأخرى. ومن خلال التقاط هذه العلاقات من بيانات بسيطة، يتجنب النموذج الحاجة إلى الحسابات التمهيدية المكلفة التي كانت تعيق البحث تقليدياً. وبينما تظل للنموذج بعض القيود — فهو يواجه صعوبة أحياناً مع التفاعلات المغناطيسية القوية جداً أو الضعيفة جداً حيث تكون الإشارة باهتة — إلا أنه يمثل خطوة كبيرة للأمام. فهو يسمح للعلماء بمعالجة كيمياء العناصر الانتقالية المعقدة بمستوى من الدقة كان بعيد المنال سابقاً، مما يفتح الباب لتصميم حوافز أفضل وفهم العمليات البيولوجية التي تعتمد على هذه المراكز المعدنية المعقدة. ويظهر هذا العمل أنه من خلال الجمع بين التعلم الآلي والأجهزة الكمومية، يمكن للباحثين الآن حل مشكلات كانت تُعتبر في السابق صعبة للغاية بحيث لا يمكن لأي من التقنيتين التعامل معها بمفردها.

غارق في أبحاث مجالك؟

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

جرّب Digest →