← أحدث الأبحاث
🔬 علوم المواد

U-HamGNN: a universal model for magnetic Hamiltonians conditioned on spin and Hubbard U

تقدم الورقة البحثية U-HamGNN، وهي شبكة عصبية متكافئة تتنبأ مباشرة بهاميلتونيات مغناطيسية ميزت باللف المغزلي مشروطة بكل من تكوينات اللف المغزلي ومعلمات هوبارد U، مما يلغي الحاجة إلى حسابات DFT+U منفصلة مع تحقيق دقة تحسين فائقة وإعادة إنتاج الخصائص المغناطيسية الرئيسية عبر كيمياء بلورية متنوعة.

المؤلف الأصلي: Hongyu Yu, Yinze Hu, Yizhou Chen, Yang Cheng, Yingwei Chen, Xingao Gong, Yang Zhong, Hongjun Xiang

نُشر 2026-11-17
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلف الأصلي: Hongyu Yu, Yinze Hu, Yizhou Chen, Yang Cheng, Yingwei Chen, Xingao Gong, Yang Zhong, Hongjun Xiang

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

تُعد المواد المغناطيسية بمثابة "خيول العمل" الصامتة في التكنولوجيا الحديثة، فهي تشغل كل شيء بدءاً من الأقراص الصلبة التي تخزن ذكرياتنا وصولاً إلى المحركات التي تُدير مراوح أجهزة الكمبيوتر الخاصة بنا. وفي قلب سلوكها يكمن تداخل دقيق بين ترتيب الذرات في البلورة واللف المغزلي الجوهري الصغير لإلكتروناتها. ولفهم كيفية عمل مادة مغناطيسية معينة، يجب على العلماء حساب بنيتها الإلكترونية، وهي عملية تتضمن حل معادلات معقدة لكل ترتيب محتمل لتلك اللفات المغزلية. وتصبح هذه الحسابات أكثر تعقيداً عندما يحتاج الباحثون إلى مراعاة مدى قوة تنافر الإلكترونات مع بعضها البعض، وهو عامل غالباً ما يتم ضبطه بواسطة معامل يُعرف باسم "تصحيح هوبارد" (Hubbard correction). تقليدياً، لاستكشاف مادة واحدة، كان على العلماء إجراء محاكاة حاسوبية منفصلة ومستهلكة للوقت لكل مزيج من ترتيب اللف المغزلي وقوة التنافر. وهذا يعني أن البحث عن مواد مغناطيسية جديدة كان يشبه محاولة العثور على إبرة في كومة قش عبر فحص كل قطعة قش واحدة تلو الأخرى، وهي عملية بطيئة للغاية لدرجة أنها كانت تعيق الاكتشاف قبل أن يبدأ.

لقد قدم فريق من الباحثين في جامعة فودان وجامعة هونغ كونغ المتعددة التقنيات الآن أداة جديدة تغير هذا المشهد. فقد طوروا نموذج ذكاء اصطناعي عالمي يسمى U-HamGNN، صُمم للتنبؤ بالسلوك الإلكتروني للبلورات المغناطيسية بشكل فوري، دون الحاجة إلى تشغيل المحاكاة التقليدية البطيئة لكل سيناريو جديد. وبدلاً من تعلم مادة واحدة في كل مرة، تم تدريب هذا النموذج على مكتبة ضخمة تضم أكثر من 35,000 بنية بلورية مختلفة، تغطي 71 عنصراً كيميائياً مختلفاً. والأهم من ذلك، أنه تعلم قبول مدخلين محددين: اتجاه لفات الإلكترونات وقوة تنافر الإلكترونات. ومن خلال تغذية الشبكة بهذين المعلومتين، يمكن للنموذج أن يخرج فوراً خريطة مفصلة لمستويات الطاقة الإلكترونية للمادة، والمعروفة باسم "هاميلتونيان" (Hamiltonian)، لأي مزيج من اللف المغزلي وقوة التنافر ضمن نطاق واسع.

اختبر الباحثون هذا النموذج مقابل المعيار الذهبي لمحاكاة الفيزياء، المعروف باسم "نظرية الدالة الوظيفية للكثافة مع تصحيح U" (density functional theory plus U)، وهي طريقة دقيقة للغاية ولكنها مكلفة حاسوبياً. ووجدوا أن نموذج الذكاء الاصطناعي يمكنه إعادة إنتاج نتائج هذه المحاكاة الثقيلة بدقة ملحوة. وعندما طلبوا من النموذج التنبؤ بكيفية تغير الفجوات الطاقية في مادة تسمى "تيلوريد المنجنيز" مع زيادة قوة التنافر، طابقت تنبؤات النموذج الحسابات التقليدية بشكل شبه مثالي، حيث رصد فتح فجوة الطاقة وانقسام قنوات لف الإلكترونات. حتى أن النموذج أدى أداءً جيداً عندما طُلب منه التنبؤ بخصائص بلورة ذات قوة تنافر أعلى من أي شيء رآه أثناء تدريبه، مما يشير إلى أنه تعلم القواعد الفيزيائية الأساسية بدلاً من مجرد حفظ أمثلة محددة.

وبعيداً عن مجرد التنبؤ بمستويات الطاقة، أثبت النموذج قدرته على توجيه البحث عن أنواع جديدة من المغناطيسات. استخدم الباحثون النموذج لفحص قاعدة بيانات تضم آلاف البنى البلورية المتوقعة للعثور على مرشحين لفئة من المواد اكتُشفت حديثاً تسمى "الألترماجنيت" (altermagnets). وهذه مواد مغناطيسية خاصة تجمع بين خصائص المغناطيسات التقليدية والسلوكيات الإلكترونية الفريدة المفيدة للإلكترونيات من الجيل القادم. حدد النموذج قائمة قصيرة من أكثر المرشحين واعداً، والتي تم فحصها لاحقاً باستخدام المحاكاة التقليدية البطيئة. وكانت النتائج مذهلة: نجح الذكاء الاصطناعي في تحديد المواد الصحيحة، وأكدت المحاكاة التقليدية أن خمسة من أفضل المرشحين هي بالفعل مواد "ألترماجنيت" بالخصائص المطل

غارق في أبحاث مجالك؟

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

جرّب Digest →