← أحدث الأبحاث
🔬 علوم المواد

Machine Learning the GWGW Self-Energy Operator for Real Materials

تقدم هذه الورقة نموذج محول متعدد الأجسام مدرك للطور يتنبأ بمصفوفة الطاقة الذاتية المعقدة كاملة دقة k للمواد الحقيقية، محققاً أخطاء مطلقة متوسطة منخفضة في طاقات أشباه الجسيمات ويعيد إنتاج الدوال الموجية بدقة عبر مجموعات بيانات المواد ثنائية الأبعاد المحسوبة تحت تقريبات COHSEX الساكنة وتقريب قطب البلازمون.

المؤلف الأصلي: Xian Xu, Bowen Hou, Chengyan Zhang, Diana Y. Qiu

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

المؤلف الأصلي: Xian Xu, Bowen Hou, Chengyan Zhang, Diana Y. Qiu

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

لفهم العالم المادي، غالبًا ما يبدأ العلماء بالنظر في كيفية تحرك الإلكترونات داخل المادة الصلبة. ولعقود من الزمن، كانت الأداة القياسية لهذه المهمة هي طريقة تسمى "نظرية الدالة الوظيفية للكثافة". وهي مفيدة للغاية في رسم الخرائط للهيكل الأساسي للذرات وكيفية تماسكها، لكن لديها نقطة ضعف؛ فمستويات الطاقة التي تحسبها هي اختصارات رياضية تعمل جيدًا في بعض الأمور، ومع ذلك تفشل في التنبؤ بالطاقات الدقيقة التي تُقاس عند اصطدام الضوء بالمادة أو عند نفق الإلكترونات عبرها. هذه القياسات الواقعية، المعروفة باسم طاقات أشباه الجسيمات، تعتمد على كيفية تفاعل الإلكترونات مع بعضها البعض في رقصة معقدة ومزدحمة. ولتجسيد ذلك، يستخدم الفيزيائيون نهجًا أكثر صرامة يسمى "تقريب GW". وهو المعيار الذهبي للدقة، ولكنه ثقيل حسابيًا لدرجة أن تشغيله على مادة واحدة يمكن أن يستغرق أيامًا أو أسابيع على حواسيب فائقة القدرة، مما يجعل من المستحيل فحص آلاف المواد الجديدة للاستخدام المحتمل في التكنولوجيا.

لقد وجد فريق من الباحثين في جامعة ييل الآن طريقة لجلب هذا الأسلوب عالي الدقة إلى مجال السرعة دون التضحية بالدقة. فقد قاموا بتدريب نظام تعلم آلي للتنبؤ بالخريطة الكاملة والمعقدة لتفاعلات الإلكترونات، بدلاً من مجرد تخمين أرقام الطاقة النهائية. وفي دراستهم، التي نُشرت كنسخة أولية في نوفمبر 2026، طبق الباحثون نموذجهم على مجموعة واسعة من أشباه الموصلات ثنائية الأبعاد. تعلم النظام التنبؤ بـ "مؤثر الطاقة الذاتية" (self-energy operator)، وهو كائن رياضي يصف كيف يشعر الإلكترون بوجود جميع الإلكترونات الأخرى من حوله. ومن خلال إتقان هذا المؤثر، استطاع النموذج توليد مستويات الطاقة المصححة وأشكال الموجات الإلكترونية لآلاف المواد بشكل فوري. كانت النتائج مذهلة: بالنسبة لمجموعة بيانات تضم 1,745 مادة، كان تنبؤ النموذج بعيدًا بمعدل 29 ميلي إلكترون فولت فقط، وهو هامش خطأ ضئيل يضاهي تكلفة الحسابات الأصلية البطيئة.

كان التحدي الجوهري الذي واجهه الباحثون هو أن تفاعلات الإلكترونات التي يحتاجون للتنبؤ بها ليست مجرد أرقام بسيطة؛ فهي قيم معقدة تحمل كل من المقدار والطور (phase)، وهي خاصية تصف توقيت الموجة الإلكترونية. إذا أخطأ نموذج الكمبيوتر في تحديد الطور، ولو بقدر ضئيل جدًا، فإن التنبؤ بأكمله يمكن أن ينهار عند حساب مستويات الطاقة النهائية. ركزت المحاولات السابقة لاستخدام التعلم الآلي لهذه المهمة على أرقام الطاقة النهائية فقط، متجاهلة البنية المعقدة الكامنة. أدرك فريق ييل أنه للحصول على الطاقة الصحيحة، يجب أن يفهم النموذج سلوك الموجة الكامل. لذا بنوا نوعًا جديدًا من بنية الذكاء الاصطناعي، وهو "المحول" (transformer)، وهو تصميم معروف بقدرته على إيجاد الأنماط في كميات هائلة من البيانات. ومع ذلك، كان عليهم تعديله ليحترم قواعد ميكانيكا الكم، مما يضمن بقاء التوقيت النسبي بين حالات الإلكترونات المختلفة ثابتًا بغض النظر عن كيفية تدوير البيانات أو إزاحتها.

لتعليم النظام، قام الباحثون أولاً بإنشاء مكتبة ضخمة من بيانات التدريب باستخدام حسابات GW التقليدية البطيئة. أنشأوا مجموعتين متميزتين من البيانات: إحداهما تعتمد على تقريب استاتيكي (ساكن) أسرع في الحساب، والأخرى تعتمد على نموذج أكثر ديناميكية يأخذ في الاعتبار كيفية استجابة الإلكترونات للتغيرات بمرور الوقت. تم تدريب نموذج التعلم الآلي على النظر في حالات الإلكترونات الأساسية من حساب قياسي والتنبؤ بمصفوفة التفاعل الكاملة والمعقدة. وكان الابتكار الرئيسي في تقنية تسمى "التدريب المشترك"، حيث تعلم النموذج ضغط معلومات الموجة الإلكترونية والتنبؤ بالتفاعلات في آن واحد. فرضت هذه العملية على النظام تنظيم البيانات بطريقة تبرز السمات الأكثر أهمية للتنبؤ النهائي، بدلاً من مجرد حفظ أشكال الموجات. وكانت النتيجة تمثيلًا للمادة يكون مدمجًا وذا معنى فيزيائي في آن واحد.

عند اختبار النموذج على مواد لم يرها من قبل، أظهر دقة ملحوحة. بالنسبة لمجموعة البيانات الاستاتيكية المكونة من 1,745 مادة ثنائية الأبعاد، بلغ متوسط الخطأ في مستويات الطاقة المتوقعة 29 ميلي إلكترون فولت. وبالنسبة لمجموعة بيانات أصغر وأكثر صعوبة مكونة من 433 مادة تم حسابها بالنموذج الديناميكي، بلغ الخطأ 60 ميلي إلكترون فولت. هذه الأرقام صغيرة بما يكفي لتكون مفيدة في التطبيقات الواقعية. والأهم من ذلك، أن النموذج لم يتنبأ بأرقام الطاقة فحسب؛ بل نجح أيضًا في إعادة بناء "الدوال الموجية" (wavefunctions) الكاملة، التي تصف التوزيع المكاني للإلكترونات. هذا تمييز حاسم لأن العديد من الحسابات المتقدمة، مثل تلك اللازمة لفهم كيفية توصيل المواد للحرارة أو استجابتها للضوء، تتطلب الدالة الموجية الكاملة، وليس مجرد الطاقة. أظهر الباحثون أن النموذج يمكنه إعادة إنتاج هذه الدوال الموجية بدقة عالية، مما يعني أن التنبؤات يمكن استخدامها في عمليات محاكاة معقدة كانت بعيدة المنال سابقًا.

استكشفت الدراسة أيضًا كيفية جعل النموذج أكثر كفاءة. وجد الباحثون أنه إذا قاموا أولاً بتدريب النموذج على البيانات الاستاتيكية الأقل تكلفة، ثم قاموا بضبطه بدقة (fine-tuning) باستخدام البيانات الديناميكية الأكثر تكلفة، فإن الدقة تتحسن بشكل كبير. قلل هذا النهج من الخطأ في التنبؤات الديناميكية إلى 42 ميلي إلكترون فولت، وهو مستوى أداء يشير إلى أن النموذج قد تعلم لغة عالمية لتفاعلات الإلكترونات تنطبق عبر أنواع مختلفة من المواد. هذه القابلية للنقل أمر بالغ الأهمية لأنها تعني أن النموذج لا يحتاج إلى إعادة التدريب من الصفر لكل نوع جديد من المواد؛ بل يمكنه التكيف بسرعة، باستخدام كمية صغيرة من البيانات عالية الجودة لصقل فهمه للسيناريوهات الأكثر تعقيدًا.

تمتد تداعيات هذا العمل إلى ما هو أبعد من المواد المختبرة تحديدًا. فمن خلال النجاح في التنبؤ بمصفوفة الطاقة الذاتية الكاملة، فتح الباحثون الباب لتسريع مجموعة واسعة من الحسابات العلمية. المهام التي كانت تتطلب سابقًا أسابيع من وقت الحواسيب الفائقة، مثل حساب كيفية تفاعل الإلكترونات مع الاهتزازات في الشبكة البلورية أو محاكاة كيفية سلوك المواد تحت ظروف قصوى، يمكن الآن مقاربتها باستخدام أداة تعمل في ثوانٍ على معالج رسومات واحد. يوفر النموذج جسرًا بين سرعة التعلم الآلي ودقة الفيزياء الكمية، مما يسمح للعلماء بفحص مكتبات ضخمة من المواد المحتملة للخلايا الشمسية، والبطاريات، والأجهزة الكمومية بمستوى من الدقة كان مستحيلاً في السابق. يوضح هذا العمل أن التعلم الآلي يمكنه تجاوز مجرد "مطابقة المنحنيات" لتعلم العمليات الأساسية التي تحكم سلوك المادة، مما يقدم مسارًا جديدًا للاكتشاف في العلوم الفيزيائية.

غارق في أبحاث مجالك؟

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

جرّب Digest →