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
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
ملخص تقني: U-HamGNN
بيان المشكلة يعتمد البناء الإلكتروني للبلورات المغناطيسية بطبيعته على متغيرين: التكوين المغزلي (spin configuration) المحدد، وتصحيح هوبارد الموضعي (U) المطبق على المدارات d و f غير الممتلئة جزئيًا في حسابات نظرية وظيفية الكثافة بالإضافة إلى U (DFT+U). حاليًا، يتطلب تحديد الخصائص الإلكترونية لمادة مغناطيسية إجراء حساب DFT+U منفصل لكل تركيبة فريدة من التكوين المغزلي وقيمة U. هذه العملية مكلفة حاسوبيًا، خاصة لأن الحسابات المغناطيسية أصعب في التقارب (convergence) من الحسابات غير المغناطيسية. وبينما نجحت التعلم الآلي في التنبؤ بالهاملتونيات الإلكترونية للأنظمة غير المغناطيسية ولعائلات مغناطيسية محددة ذات قيمة U ثابتة، لا يوجد نموذج قابل للنقل (transferable model) يمكنه التنبؤ بالهاملتونيات عبر كيمياء بلورية متنوعة مع اشتراط كل من الحالة المغناطيسية وقيمة U في آن واحد.
المنهجية يقدم المؤلفون U-HamGNN، وهو شبكة عصبية متكافئة (equivariant neural network) مصممة للتنبؤ بهاملتونيات DFT+U الموزعة حسب اللف المغزلي مباشرة من المدخلات الهيكلية والفيزيائية.
البنية: تستخدم البنية النموذج المتكافئ لـ Uni-HamGNN، المبني على تمثيلات $e3nnغيرالقابلةللاختزال.وتأخذثلاثةمدخلاترئيسية:الرسمالبيانيللبلورة(الذراتكعقد،والجيرانضمنحدقطعكحواف)،واتجاهمغزليخطي(s_i \in {+1, -1, 0})لكلموقع،وتفاعلهوباردالفعال(U_i$) لكل موقع.
تضمين المدخلات (Input Embedding): يتم دمج معامل U عند طبقة المدخلات عبر توسيع غاوسي (Gaussian expansion). حيث يقوم متجه سمات كل ذرة بدمج تضمين العنصر مع توسيع غاوسي لقيمة U الخاصة به (تتراوح من 0 إلى 8 إلكترون فولت)، مما يضمن تلاشي التضمين عند U=0 للحفاظ على تضمين العنصر القياسي للذرات غير المترابطة.
بناء الهاملتوني: تعتمد الشبكة نهج "تعلم دلتا" (delta learning). فهي تتنبأ بتصحيح مستقل عن اللف المغزلي (Hnm) ومعلمات التفاعل المغناطيسي (روابط J ومصفوفات الأوزان W) بالنسبة لهاملتوني مرجعي غير ذاتي الاتساق (H0) ناتج عن برنامج OpenMX من الكثافات الذرية. ويتم بناء الهاملتوني الموزع حسب اللف المغزلي (Hσ) عن طريق إضافة حد خطي (Δ) إلى كتل المرجع والتصحيح: HXσ=HX0+HXnm+σΔX حيث يتم اشتقاق ΔX من الروابط المتعلمة الموزونة باللفوط المغزلية المدخلة.
بيانات التدريب: تم تدريب النموذج على 154,546 رسمًا بيانيًا مشتقًا من 35,632 بنية بلورية مغناطيسية (تغطي 71 عنصرًا) من Materials Project و MAGNDATA. ومن الأهمية بمكان أن معظم الهياكل تظهر في مجموعة البيانات بقيم متعددة لـ U وحالات مغناطيسية متعددة، مما يجبر الشبكة على تعلم التبعية الوظيفية لهذه المتغيرات.
التحسين (Optimization): لمعالض تحدي التدريب بحجم دفعة قدره واحد (batch size one) على المصفوفات الكثيفة (حيث تنحرف اتجاهات التدرج)، طور المؤلفون محسنًا هجينًا طيفيًا (spectral-hybrid optimizer). يحافظ هذا المحسن على قاعدة رتبة r متدفقة للزخم، ويقارن التدرجات مقابل تقديرات متأخرة، ويعيد وزن اتجاهات التحديث بناءً على الاتساق. وقد حقق هذا النهج أخطاء هاملتوني أقل مقارنة بمحسنات AdamW و Muon القياسية.
النتائج الرئيسية
الدقة: في مجموعة اختبار مكونة من 1,577 رسمًا بيانيًا، حقق U-HamGNN متوسط خطأ مطلق (MAE) قدره 1.80 ميلي إلكترون فولت عبر 1.48 مليار عنصر مصفوفة هاملتوني غير صفري، مع معامل تحديد (R2) بلغ 0.99984. وبلغ متوسط الخطأ المطلق لكل رسم بياني 2.047 ميلي إلكترون فولت.
التعميم على U: نجح النموذج في إعادة إنتاج الظواهر المعتمدة على U. فبالنسبة لمركب MnTe، تنبأ بشكل صحيح بافتتاح فجوة النطاق (band gap) مع زيادة U من 0 إلى 8 إلكترون فولت، مطابقةً بذلك توجهات DFT+U. كما أعاد إنتاج انقسام اللف المغزلي في الألترماجنيت (altermagnetic spin splitting)، بأخطاء ضمن 66 ميلي إلكترون فولت من DFT+U عبر نطاق U.
الاستقراء (Extrapolation): أظهر النموذج متانة خارج نافذة التدريب (0–8 إلكترون فولت). فبالنسبة لـ Ag3RuO4 المختبر عند U=10 إلكترون فولت، لا يزال يتنبأ بحالة ذات فجوة وانقسام مغزلي، وإن كان مع انخفاض طفيف في مقدار الانقسام مقارنة بـ DFT+U.
الخصائص الفيزيائية: أظهرت روابط التبادل المستخرجة من الهاملتونيات المتنبأ بها باستخدام TB2J ارتباطًا قدره 0.92 مع روابط DFT+U. وعند استخدامه للتنبؤ بالترتيب المغناطيسي لـ 43 مرشحًا من GNoME، حدد النموذج الحالة الأرضية (فيرومغناطيسية مقابل أنتيفيرومغناطيسية) بشكل صحيح في 85.0% من الحالات التي أمكن فيها اتخاذ قرار ثنائي.
التحقق من المرشحين: في فحص أعمى لـ 24 مرشحًا عالي المرتبة من الألترماجنيت، أكد التحقق باستخدام DFT+U خمسة مرشحين (بما في ذلك LuCo2B2Ir و Hf3Cr2TcP3) كأجهزة ألترماجنيت حقيقية ذات انقسام مغزلي كبير (393–972 ميلي إلكترون فولت) وحالة أرضية أنتيفيرومغناطيسية.
الأهمية والادعاءات يضع البحث نموذج U-HamGNN كنموذج "عالمي" يسد الفجوة بين المسح عالي الإنتاجية وفيزياء المبادئ الأولى الدقيقة للمواد المغناطيسية. تكمن أهميته الأساسية في قدرته على فصل تكلفة الاستكشاف عن تكلفة التحقق:
الكفاءة: يسمح النموذج بالمسح السريع للتكوينات المغناطيسية وقيم U (على سبيل المثال، 2.5 ثانية لكل تمريرة أمامية على وحدة معالجة رسومية H100) مقارنة بالساعات المطلوبة لحسابات DFT+U ذاتية الاتساق.
القابلية للنقل: يوسع نماذج الهاملتوني العالمية إلى المجال المغناطيسي، حيث يتعامل مع كل من التكوين المغزلي ومعامل هوبارد U في وقت واحد عبر الجدول الدوري.
الفائدة: من خلال التنبؤ بدقة بالهاملتونيات، يتيح النموذج تحديد أولويات المرشحين بكفاءة للتحقق من DFT+U المكلف، وتحديدًا لتحديد الألترماجنيت وأشباه الموصلات المغناطيسية. ويؤكد المؤلفون أنه بينما يتنبأ النموذج بالهاملتوني، فإن التحديد النهائي للحالات الأرضية والاستقرار يظل من اختصاص DFT+U ذاتي الاتساق، والذي يعمل النموذج كدليل له.