The Illusion of Chemical Continuity Limits Machine Learning Generalization

تخيل أنك تحاول تعليم روبوت التنبؤ بالطقس. قد تعتقد أنك إذا أعطيت الروبوت بيانات طقس لمليون سنة، فإنه سيتعلم في النهاو المطاف الصيغة المثالية لإخبارك بالضبط بما ستفعله السماء غداً. هذا هو حلم "المعلوماتية المادية"، وهو مجال يستخدم فيه العلماء كميات هائلة من البيانات وعقولاً حاسوبية قوية (تعلم الآلة) للتنبؤ بكيفية سلوك المواد الجديدة. الفكرة الكبرى، أو "فرضية القياس"، هي أن عالم المواد الكيميائية يشبه تلاً ناعماً ومستمراً. إذا عرفت شكل التل في نقطة ما، فيمكنك تخمين شكل التل في كل مكان آخر بمجرد النظر إلى بيانات كافية. هذا يعمل بشكل رائع لبعض الأشياء، مثل التنبؤ بكمية الطاقة اللازمة لبناء جزيء. لكن بالنسبة لخاصية محددة تسمى "فجوة النطاق" (bandgap) — وهي في الأساس المفتاح السحري الذي يقرر ما إذا كانت المادة موصلة، أو عازلة، أو شبه موصلة (مثل السيليكون في هاتفك) — فإن الروبوتات تستمر في الاصطدام بحائط. مهما تم تغذية النماذج ببيانات، تظل تنبؤاتها بعيدة عن الصواب بهامش كبير، وأحياناً تخطئ في التقدير بمقدار 0.4 إلى 0.5 إلكترون فولت (eV). وبما أن الضوء المرئي يمتد عبر نطاق يبلغ حوالي 1 إلكترون فولت، فإن هذا الخطأ ضخم؛ إنه يشبه محاولة ضبط راديو لتجد تشويشاً بدلاً من الأغنية التي تريدها.

تبحث هذه الورقة البحثية في سبب فشل الروبوتات في هذه المهمة المحددة. يرى المؤلفون، وهم فريق من الباحثين من جامعة تورنتو ومؤسسات أخرى، أن المشكلة ليست في أن الروبوتات ليست ذكية بما يكفي أو أنها لم ترَ بيانات كافية. بدلاً من ذلك، يقترحون أن "التل الناعم" الذي يحاول الروبوت تسلقه لا وجود له فعلياً بالنسبة لفجوات النطاق. لقد وجدوا أن الفضاء الكيميائي لهذه الخصائص هو في الواقع أشبه بفسيفساء محطمة من الجزر المنفصلة. عندما حاول الباحثون تدريب نماذجهم على أنواع مختلفة من الهياكل البلورية (مثل هيكل ملح الصخر مقابل هيكل الزنك بليند)، لم يساعد تقديم المزيد من البيانات؛ بل جعل التنبؤات أسوأ في الواقع. لقد اكتشفوا أن الطبيعة الجوهرية للإلكترونات والذرات تخلق قفزات حادة ومفاجئة في الخصائص لا يمكن تسويتها بواسطة الرياضيات البسيطة. تشير الورقة إلى أنه لإصلاح ذلك، لا يمكننا فقط إلقاء المزيد من البيانات على المشكلة؛ بل نحتاج إلى تعليم الروبوتات قواعد الفيزياء الكمومية الفعلية (الهاملتوني/Hamiltonian) التي تحكم هذه القفزات، بدلاً من مجرد مطالبتها بالتخمين بناءً على الأنماط.

وهم التل الناعم

لفترة طويلة، اعتقد العلماء أن عالم الكيمياء كان عبارة عن مشهد طبيعي ضخم ومستمر. تخيل تلاً ناعماً ومتدحرجاً حيث إذا عرفت الارتفاع في نقطة واحدة، يمكنك بسهولة تخمين الارتفاع على بعد خطوات قليلة. هذه الفكرة، التي تسمى "فرضية القياس"، هي أساس اكتشاف المواد الحديث. كان الاعتقاد هو أنه إذا جمعنا فقط نقاط بيانات كافية — ملايين الهياكل البلورية وخصائصها — فإن نماذج الذكاء الاصطناعي الخاصة بنا يمكنها تعلم المشي على هذا التل بشكل مثالي. يمكنها التنبؤ بكيفية تصرف مادة جديدة لم يسبق رؤيتها من قبل بمجرد النظر إلى جيرانها.

لقد حققت هذه الاستراتيجية نجاحاً كبيراً لبعض الخصائص. على سبيل المثال، التنبؤ بـ "طاقة التكوين" (كمية الطاقة اللازمة لبناء مادة من الصفر) يشبه المشي على مسار ناعم ومعبد جيداً. يمكن لنماذج الذكاء الاصطناعي القيام بذلك بدقة شبه مثالية، مطابقة نتائج أكثر محاكاة الفيزياء تعقيداً. ولكن عندما يتعلق الأمر بالتنبؤ بـ "فجوة النطاق"، يصطدم الذكاء الاصطناعي بحائط من الطوب. فجوة النطاق هي خاصية حرجة تحدد كيفية تفاعل المادة مع الضوء والكهرباء. إنها الفرق بين مادة تمنع الكهرباء (عازل)، وأخرى تنقلها بحرية (معدن)، وأخرى يمكن تشغيلها وإطفاؤها (شبه موصل).

على الرغم من عقد من المحاولات وتغذية النماذج بمجموعات بيانات ضخمة، يظل الخطأ في التنبؤ بفجوات النطاق مرتفعاً بعناد، حيث يحوم حول 0.4 إلى 0.5 إلكترون فولت. ولوضع ذلك في المنظور، فإن كامل نطاق الألوان التي يمكننا رؤيتها بأعيننا يبلغ حوالي 1 إلكترون فولت فقط. خطأ قدره 0.5 إلكترون فولت يعني أن الذكاء الاصطناعي قد يتنبأ بأن المادة شفافة بينما هي في الواقع معتمة، أو أنها تتوهج باللون الأحمر بينما ينبغي أن تكون زرقاء. السؤال الذي تطرحه الورقة بسيط: لماذا يفشل الذكاء الاصطناعي بهذا السوء في هذه المهمة المحددة بينما هو جيد جداً في كل شيء آخر؟

الفسيفساء المحطمة

قرر مؤلفو هذه الورقة التوقف عن افتراض أن التل ناعم والبدء في فحص الأرض بالمجهر. استخدموا مجموعة بيانات شاملة من أشباه الموصلات الثنائية (مواد مكونة من عنصرين) ونماذج ذكاء اصطناعي متطورة لرسم الخريطة. ما وجدوه كان صادماً: المشهد الخاص بفجوات النطاق ليس تلاً ناعماً على الإطلاق. إنه مجموعة من الجزر المنفصلة.

تخيل أنك تحاول تعليم روبوت التمييز بين "صخرة" و"ريشة". إذا عرضت عليه مليون صخرة ومليون ريشة، فسوف يتعلم النمط. ولكن ماذا لو عرضت عليه فجأة هجيناً من "صخرة-ريشة"؟ إذا كان الروبوت قد رأى فقط صخوراً نقية وريشاً نقياً، فقد يرتبك. وجد المؤلفون أن الهياكل البلورية المختلفة (الطريقة التي تترتب بها الذرات) هي مثل هذه الجزر المختلفة. وجدوا أن النماذج المدربة على نوع واحد من الهياكل، مثل "الزنك بليند"، فشلت فشلاً ذريعاً عندما طُلب منها التنبؤ بخصائص نوع آخر، مثل "ملح الصخر"، حتى لو كانت المكونات الكيميائية هي نفسها.

في الواقع، لم يساعد إضافة المزيد من البيانات من هياكل مختلفة؛ بل جعل الأمور أسوأ. وهذا ما يسمى "التعلم السلبي". إنه يشبه محاولة تعليم طالب حل مسائل رياضية عن طريق خلط الجبر والهندسة والتفاضل والتكامل جميعها في درس واحد دون شرح القواعد. يصاب الطالب بالارتباك ويبدأ في ارتكاب الأخطاء في كل شيء. تظهر الورقة أنه عندما تخلط البيانات من هياكل بلورية مختلفة، يحاول الذكاء الاصطناعي جعلها متوسطة، مما يخلق تنبؤاً خاطئاً للجميع. يظهر "الفضاء الكامن" (الخريطة الداخلية التي يبنيها الذكاء الاصطناعي في عقله) أن هذه الهياكل تشغل مناطق منفصلة تماماً وغير متداخلة. لا يوجد مسار سلس يربط بينها.

المنحدر الكمومي

لماذا المشهد مكسور للغاية؟ تعيد الورقة المشكلة إلى الطبيعة الأساسية للإلكترونات. في العالم الكمومي، تعيش الإلكترونات في مدارات محددة ومنفصلة (مثل درجات السلم). لا يمكنك الوقوف في منتصف درجتين. عندما تغير مكونات المادة قلي بالقدر الضئيل، فإن مستويات طاقة هذه الإلكترونات لا تنزلق بسلاسة؛ بل تقفز.

أجرى المؤلفون محاكاة حيث قاموا بتغيير عنصر واحد ببطء إلى عنصر آخر (عملية تسمى الاستكمال الكيميائي). راقبوا ما يحدث للطاقة الكلية للمادة مقابل فجوة النطاق. سلوك الطاقة الكلية كان يشبه منحدراً ناعماً، يتغير بلطف مع تحرك الذرات. ولكن فجوة النطاق؟ لقد كانت تشبه المنحدر الحاد. بمجرد أن يتغير عدد الإلكترونات قليلاً، تنهار فجوة النطاق فجأة أو تقفز إلى قيمة مختلفة تماماً. يحدث هذا لأن الإلكترونات يجب أن تعيد ترتيب نفسها في مستويات طاقة جديدة ومتميزة، وهذا إعادة الترتيب تخلق "رأس مدبب" أو انقطاعاً حاداً في البيانات.

بسبب هذه القفزات الحادة، فإن الجدول الدوري (الرسم البياني لجميع العناصر) ليس تدرجاً سلساً لفجوات النطاق. إنه مجموعة من النطاقات المعزولة. تظهر الورقة أنه حتى ضمن مجموعة واحدة من العناصر، مثل الهاليدات أو الكالكوجينيدات، فإن الاتجاهات فوضوية وغير متوقعة. على سبيل المثال، بينما قد تنخفض فجوة النطاق لمركبات الصوديوم (Na) بسلاسة مع تغيير العنصر الشريك، قد تفعل مركبات المغنيسيوم (Mg) شيئاً مختلفاً تماماً، مما يكسر النمط تماماً. الذكاء الاصطناعي، الذي يعتمد على إيجاد أنماط سلسة لإجراء التخمينات، ليس لديه شيء يمسك به.

وهم الاستمرارية

الحجة الأساسية للورقة هي أن نهج "البيانات الضخمة" قد وصل إلى حد معين. كان الاعتقاد السائد هو أنه إذا جمعنا فقط بيانات كافية، فسوف يستنتج الذكاء الاصطناعي الفيزياء في النهاية. لكن المؤلفين يجادلون بأنه لا يمكنك حل مشكلة عدم الاستمرار الكمومي بمشكلة الاستمرار الإحصائي. يحاول الذكاء الاصطناعي رسم خط سلس عبر مجموعة من النقاط التي هي في الواقع على جزر مختلفة ومنفصلة. مهما أضفت من نقاط، إذا لم تكن الجزر متصلة، فسيكون الخط دائماً خاطئاً.

تنفي الورقة صراحة فكرة أن المشكلة هي مجرد نقص في البيانات أو نقص في تعقيد النموذج. لقد اختبروا ذلك باستخدام أكثر النماذج تقدماً (مثل coGN و CGCNN) وبالتدريب على مجموعات بيانات ضخمة. كانت النتائج هي نفسها: ظل الحد الأدنى للخطأ ثابتاً. كما استبعدوا فكرة أن المشكلة تكمن فقط في تعقيد الهياكل البلورية، لأنهم حتى عندما بسطوا المهمة لتنظر فقط إلى "نقطة غاما" (نقطة محددة في خريطة الطاقة)، استمرت الأخطاء.

يقترح المؤلفون أن الحل ليس في جمع المزيد من البيانات، بل في تغيير السؤال. بدلاً من مطالبة الذكاء الاصطناعي بالتنبؤ بفجوة النطاق مباشرة (وهي خاصية متعرجة وغير مستمرة)، يجب أن نطلب منه التنبؤ بالفيزياء الكامنة التي تخلق فجوة النطاق. يقترحون أننا بحاجة إلى تعليم الذكاء الاصطناعي تعلم "الهاملتوني" (الوصف الرياضي للنظام الكمومي) مباشرة. إذا استطاع الذكاء الاصطناعي تعلم القواعد المستمرة والسلسة لكيفية تفاعل الإلكترونات، فيمكنه بعد ذلك حساب فجوة النطاق المتعرجة من تلك القواعد. إنه الفرق بين محاولة حفظ توقعات الطقس لكل يوم في السنة وبين تعلم قوانين الديناميكا الحرارية التي تسبب الطقس فعلياً.

الخاتمة: مسار جديد للمضي قدماً

تعمل هذه الورقة كواقع تصحيحي لمجال علوم المواد. فهي تشير إلى أن حلم وجود نموذج عالمي قائم على البيانات يمكنه التنبؤ بأي خاصية لأي مادة هو حلم معيب عندما يتعلق الأمر بالخصائص الإلكترونية مثل فجوات النطاق. "وهم الاستمرارية الكيميائية" هو مجرد وهم. العالم الكمومي منفصل، وطرقنا الحالية في معاملته كمنظر سلس ومستمر غير متوافقة جوهرياً.

لا يدعي المؤلفون أنهم حلوا المشكلة بعد. بدلاً من ذلك، فقد حددوا شرط الحدود: الانحدار البسيط على الإحداثيات الذرية لا يمكنه حل حالات عدم الاستمرار الجوهرية لظواهر القيم الذاتية. يقترحون أن مستقبل المجال يكمكم في دمج ميكانيكا الكم بشكل أعمق في تعلم الآلة، ربما من خلال جعل الذكاء الاصطناعي يتنبأ بعناصر مصفوفة الهاملتوني المستمرة بدلاً من الخاصية النهائية. حتى نفعل ذلك، سيستمر الذكاء الاصطناعي في المعاناة مع الحواف الحادة والمتعرجة للعالم الكمومي، بغض النظر عن كمية البيانات التي نلقيها عليه. تنتهي الورقة برسالة واضحة: نحن بحاجة إلى التوقف عن محاولة تسوية المنحدرات والبدء في تعلم كيفية تسلقها.