تخيل أنك تحاول التنبؤ بكيفية حركة حشد من الناس أثناء "موش بيت" (mosh pit) فوضوية. لديك أداتان. الأولى هي كاميرا فائقة الدقة تعمل بالتصوير البطيء، تلتقط كل حركة عضلة وكل عملية تفكير لكل شخص، لكنها لا تستطيع إلا تصوير مجموعة صغيرة جداً لكسر من الثانية قبل أن تنفد البطارية. والثانية هي رسام سريع وخشن، يمكنه رسم ملايين الأشخاص وهم يتحركون لساعات، لكنه لا يعرف سوى رسم الأشخاص وهم واقفون أو يمشون ببطء؛ وإذا بدأ أحدهم بالقفز أو القتال، يصاب الرسام بالارتباك ويرسم أطرافاً مستحيلة وعائمة.

في عالم علم المواد، يواجه العلماء هذا المشكل تماماً. فهم يريدون فهم كيفية سلوك المعادن عندما تتعرض لموجة صدمة هائلة أو تُعصر حتى تنكسر—وهي مواقف بعيدة كل البعد عن الهدوء. "الكاميرا فائقة الدقة" هي طريقة تسمى نظرية الدالة الوظيفية للكثافة (DFT)، والتي تستخدم ميكانيكا الكم للحصول على إجابات مثالية، لكنها بطيئة جداً للأحداث الكبيرة والسريعة. أما "الرسام الخشن" فهو نموذج حاسوبي تقليدي سريع ولكنه ينهار عندما تصبح الأمور قاسية. مؤخراً، اخترع العلماء نوعاً جديداً من "الرسامين الخشنين" يسمى "إمكانية التفاعل بين الذرات المعتمدة على التعلم الآلي" (ML-IP). هذه برامج حاسوبية ذكية مدربة لتكون بدقة "الكاميرا فائقة الدقة" ولكن بسرعة "الرسام الخشن". ومع ذلك، فإن هذه البرامج الذكية لديها عيب قاتل: إذا رأت موقفاً لم يتم تدريبها عليه (مثل سحق معدن بطريقة لم ترها من قبل)، فإنها غالباً ما تهلوس، وتتنبأ بأن الذرات ستتطاير بعيداً أو تلتصق ببعضها بطرق مستحيلة، مما يؤدي إلى انهيار المحاكاة بأكملها.

يقدم هذا البحث طريقة تدريب ذكية تسمى OODR-AL لإصلاح هذا العيب. لقد علم الباحثون نموذجاً حاسوبياً ذكياً كيفية التعامل مع أكثر الظروف فوضوية وقسوة يمكن تخيلها لنوع معين من الحديد (الحديد بمركز الجسم - BCC iron) دون أن يفقد قدرته على التنبؤ بكيفية سلوك هذا الحديد عندما يكون هادئاً وبارداً. فعلوا ذلك من خلال إنشاء "شبكة أمان" تمسك بالنموذج كلما بدأ يشعر بالارتباك، مما يجبره على طلب الإجابة الصحيحة من خبير بشري قبل ارتكاب خطأ. ومن خلال القيام بذلك، تمكنوا من تدريب النموذج باستخدام حوالي 300 مثال فقط، وهو عدد ضئيل مقارنة بالآلاف التي يحتاجها النموذج عادةً. والنتيجة هي نموذج يمكنه محاكاة الحديد وهو يسخن إلى 1800 كلفن ويُعصر بعنف دون أن ينهار، مع بقائه متذكراً بدقة كيف يتصرف هذا الحديد في درجة حرارة الغرفة. إنه يشبه تعليم طالب حل مسألة رياضية لدرجة تجعله قادراً على التعامل مع امتحان فوضوي وعالي السرعة دون أن ينسى كيفية إجراء العمليات الحسابية الأساسية.

قصة "الحديد الذكي"

كان الباحثون يعالجون مشكلة محددة للغاية: وهي محاكاة الحديد بمركز الجسم (BCC iron) (وهو نوع شائع من الحديد يوجد في كل شيء، من المفاعلات النووية إلى ناطحات السحاب) عندما يتعرض لظروف "لا توازن قصوى". وهذه طريقة منمقة للقول: "ماذا يحدث عندما تضرب الحديد بمطرقة ثقيلة أو تسخنه حتى يتوهج باللون الأحمر؟"

تحت هذه الظروف القاسية، تُدفع ذرات الحديد إلى مواضع غريبة ذات طاقة عالية لا تشغلها في الحياة الطبيعية. النماذج الذكية القياسية، التي تُدرب عادةً على بيانات هادئة، تشعر بالرعب عندما ترى هذه المواضع الغريبة. تبدأ في اختلاق فيزياء لا وجود لها، مما يؤدي إلى "فشل كارثي" حيث تنفجر المحاكاة. يطلق المؤلفون على هذا "فشل خارج التوزيع" (Out-of-Distribution failure). الأمر يشبه سؤال سائق لم يقد قط سوى على طريق سريع سلس للقيادة في مستنقع طيني؛ قد يصاب بالذعر ويقود نحو الهاوية لأنه لم يرَ الطين من قبل.

الحل: شبكة أمان ذكية

لإصلاح ذلك، بنى الفريق إطار عمل يسمى OODR-AL (التعلم النشط المتين خارج التوزيع). فكر في هذا كـ "مدرب ذكي" للنموذج الحاسوبي. إليك كيف يعمل هذا المدرب:

1. المجموعة المتشككة: بدلاً من تدريب نموذج واحد فقط، قاموا بتدريب أربع نسخ مختلفة قليلاً من نفس النموذج. عندما تعمل المحاكاة، تعمل هذه النماذج الأربعة كلوحة من القضاة. إذا اتفقوا جميعاً على ما يجب أن تفعله الذرات، تستمر المحاكة. ولكن إذا بدأوا في الاختلاف (مما يظهر "تباين قوة" عالٍ)، فهذا يعني أن النموذج يدخل منطقة خطرة وغير معروفة.
2. كشاف "النقطة الأبعد": عندما تختلف النماذج، لا يختار النظام أي شكل غريب عشوائي لإصلاحه. بل يستخدم خدعة ذكية تسمى "أخذ عينات النقطة الأبعد" (Farthest Point Sampling) في "فضاء واصف كامن". تخيل أن النماذج تنظر إلى خريطة لجميع الأشكال الذرية الممكنة. يقوم الكشاف بإيجاد الشكل الأكثر اختلافاً عما رآه النموذج بالفعل. وهذا يضمن أن يتعلم النموذج عن أغرب وأكثر الأشكال تطرفاً أولاً، بدلاً من إضاعة الوقت في أشكال تختلف قليلاً فقط عما يعرفه بالفعل.
3. فلتر الفيزياء: قبل طلب الإجابة من الخبراء البشر (باستخدام طريقة حاسوبية قوية تسمى DFT)، يتحقق النظام مما إذا كان الشكل ممكناً فيزيائياً. فهو يرفض الأشكال حيث تكون الذرات قريبة جداً من بعضها (مثل شخصين يحاولان احتلال نفس الكرسي) أو حيث تكون الكثافة مستحيلة. هذا يمنع النظام من إضاعة الوقت في أمور غير منطقية.
4. وزن الإجهاد: مشكلة رئيسية في هذه النماذج الذكية هي "النسيان الكارثي". إذا دربت نموذجاً فقط على بيانات ساخنة وفوضوية، فقد ينسى كيفية التصرف في درجات الحرارة الباردة والهادئة. لمنع ذلك، أضاف الباحثون قاعدة خاصة للتدريب: جعلوا النموذج يولي اهتماماً خاصاً لـ "إجهاد فيريال" (مقياس لكيفية رد المادة عند الضغط عليها). هذا أجبر النموذج على تذكر كيف يكون حديداً جيداً وهادئاً بينما يتعلم كيف يكون حديداً ساخناً وفوضوياً.

النتائج: نموذج يمكنه فعل كل شيء

اختبر الفريق نموذجهم الجديد على الحديد بمركز الجسم (BCC iron) في سيناريوهين متطرفين:

• الصدمة الحرارية: قاموا بتسخين الحديد فوراً إلى 1800 كلفن (وهي درجة حرارة أعلى من الدرجة التي يفقد عندها الحديد خصائصه المغناطيسية عادةً).
• القص الشديد: قاموا بليّ الحديد بمعدل انفعال يصل إلى 10% عند تلك الدرجة العالية.

في هذه المحاكاة، حقق النموذج الجديد معجزات.

• الكفاءة: وصل إلى مرحلة الاستقرار (أنهى التعلم) باستخدام حوالي 300 تسمية عالية الدقة فقط من نظام DFT. عادةً، يحتاج الباحثون إلى الآلاف من هذه التسميات المكلفة.
• الدقة: عندما اختبروا النموذج على 20 لقطة مشوهة للغاية للحديد (حيث كانت الذرات مضغوطة إلى مسافة دنيا قدرها 1.99 أنجستروم)، كانت تنبؤات الطاقة بعيدة بمقدار 78.5 ميلي إلكترون فولت/ذرة فقط، وكانت تنبؤات القوة بعيدة بمقدار 0.221 إلكترون فولت/أنجستروم. هذه الأرقام تقع تماماً ضمن المنطقة الآمنة لتشغيل محاكاة مستقرة.
• عدم النسيان: حتى بعد التعلم عن الحديد الساخن والمفتول، استطاع النموذج التنبؤ بدقة بخصائص الحديد عند 0 كلفن (الصفر المطلق). لقد حصل على "ثوابت المرونة" (مدى صلابة الحديد) و"معادلة الحالة" (كيف ينضغط) بدقة شبه تامة، مطابقة لحسابات DFT المثالية البطيئة. على سبيل المثال، كان معامل الشبعة المتوقع 2.831 أنجستروم، مقارنة بقيمة DFT البالغة 2.830 أنجستروم.

لماذا يهم هذا؟

يظهر البحث أنك لست مضطراً للاختيار بين نموذج دقيق عند درجة حرارة الغرفة ونموذج دقيق عند درجات الحرارة القصوى. باستخدام طريقة التدريب "شبكة الأمان" هذه، أنشأ الباحثون نموذجاً واحداً قوياً بما يكفي للتعامل مع فوضى انفجار نووي أو حادث تصادم عالي السرعة، وفي نفس الوقت دقيقاً بما يكفي للتنبؤ بسلوك عارضة جسر في يوم هادئ.

يشير المؤلفون إلى أنه رغم كون هذه خطوة هائلة، إلا أنه لا تزال هناك حدود. النموذج مدرب حالياً فقط على الحديد النقي، لذا فهو لا يعرف شيئاً عن سبائك الصلب بعد. أيضاً، تحدث عمليات المحاكاة بسرعة كبيرة (في النانو ثانية)، لذا لا يمكنها التقاط العمليات البطيئة مثل الصدأ أو الإجهاد الذي يستغرق سنوات. ومع ذلك، لفهم فيزياء اللحظات الخاطفة للأحداث المتطرفة، توفر هذه الطة الجديدة وسيلة موثوقة وسريعة ودقيقة للنظر داخل الذرة، دون أن تنهار المحاكة وتحترق.