Beyond Jacob’s Ladder: A Physics-driven AI Approach to Density Functional Theory

لفهم عالم الجزيئات، يعتمد العلماء على إطار رياضي قوي يسمى "نظرية الدالة الوظيفية للكثافة" (Density Functional Theory). يسمح هذا النهج للباحثين بالتنبؤ بكيفية ترابط الذرات، ومقدار الطاقة التي سيطلقها التفاعل الكيميائي، ومدى استقرار الجزيء، وكل ذلك من خلال النظر إلى سحابة الإلكترونات غير المرئية التي تحيط بنوى الذرات. ولعقود من الزمن، اعتمدت دقة هذه التنبؤات على مدى تعقيد الصيغ الرياضية المستخدمة لوصف سحب الإلكترونات هذه. لقد تسلق العلماء تقليديًا سلمًا استعاريًا من التعقيد المتزايد، حيث أضافوا المزيد من طبقات التفاصيل إلى صيغهم للحصول على نتائج أفضل. ومع ذلك، فإن هذا التسلق يأتي بثمن باهظ: فكلما أصبحت الصيغ أكثر تعقيدًا، أصبحت الحسابات بطيئة ومجهدة لدرجة أنها غالبًا ما تفشل عند تطبيقها على الأنظمة الواقعية الكبيرة. لقد وصل المجال إلى نقطة أصبحت فيها الأدوات اللازمة لرؤية التفاصيل ثقيلة جدًا بحيث لا يمكن حملها، مما ترك العديد من الأسئلة الكيميائية دون إجابات.

اقترح فريق من الباحثين في جامعة موناش مسارًا مختلفًا للمضي قدمًا، مسارًا يتجاوز الحاجة إلى صيغ تزداد تعقيدًا. فبدلاً من محاولة كتابة معادلة مثالية لوصف سحابة الإلكترونات، علموا برنامج حاسوبي أن يتعلم الفيزياء مباشرة من شكل تلك السحابة. ومن خلال تغذية شبكة عصبية ببيانات الكثافة الإلكترونية الخام — وهي مقياس بسيط لعدد الإلكترونات في نقطة معينة — سمحوا للآلة باكتشاف القواعد التي تحكم السلوك الجزيئي من تلقية نفسها. والنتيجة هي طريقة جديدة تتنبأ بطاقة الجزيئات بمستوى من الدقة يضاهي أفضل الأدوات الموجودة، ولكن دون العبء الحسابي الثقيل. ويشير هذا النهج إلى أن سحابة الإلكترونات نفسها تحمل جميع المعلومات اللازمة لفهم الجزيء، شريطة أن يتم منح الحاسوب الطريقة الصحيحة لقراءتها.

طوّر الباحثون نظامًا يسمونه dML-DFT، وهو اختصار لـ "نظرية الدالة الوظيفية للكثافة المعتمدة على تعلم الآلة للكثافة". في الطرق التقليدية، يجب على العلماء بناء القواعد التي تصف كيفية تفاعل الإلكترونات يدويًا، وغالبًا ما يخمنون الشكل الرياضي الأفضل. يتخطى هذا النظام الجديد عملية التخمين هذه تمامًا. بدأ الفريق بحساب أساسي وبسيط للغاية للكثافة الإلكترونية، وهو أمر سهل الحساب. ثم مرروا هذه البيانات إلى شبكة عصبية، وهي نوع من الذكاء الاصطناعي المصمم لإيجاد الأنماط في البيانات. والأهم من ذلك، أنهم لم يخبروا الحاسوب بنوع الذرات الموجودة أو كيفية اتصالها؛ فلم تُعطَ الآلة أسماء العناصر أو مواقعها في الفضاء؛ بل رأت فقط الأرقام التي تمثل الكثافة الإلكترونية في نقاط مختلفة.

كان الهدف هو أن تتعلم الآلة العلاقة بين شكل سحابة الإلكترونات والطاقة الإجمالية للجزيء. ولتعليم ذلك، استخدم الباحثون استراتيجية تدريب محددة؛ حيث طلبوا من الآلة التنبؤ بخاصيتين رئيسيتين: الطاقة المطلوبة لتفكيك جزيء إلى ذراته المنفردة، والطاقة المشاركة عندما تلتصق جزيئان منفصلان معًا. قامت الحاسبة بإجراء تنبؤاتها، وقارنها الباحثون بقيم مرجعية معروفة وعالية الدقة. وإذا كان التنبؤ غير دقيق، تقوم الحاسبة بتعديل اتصالاتها الداخلية لتقليل الخطأ. وتكررت هذه العملية آلاف المرات حتى تمكنت الآلة من التنبؤ بهذه الطاقات باتساق ملحوظ.

كانت نتائج هذا التدريب مذهلة. فعند اختبارها على مجموعة متنوعة من الجزيئات، حقق النموذج الجديد دقة تقل عن كيلوكالوري واحد لكل مول في العديد من الأنظمة. وفي عالم الكيمياء، تُعتبر هذه "الدقة الكيميائية"، وهي عتبة تجعل التنبؤات موثوقة بما يكفي للاعتماد عليها في التطبيقات الواقعية. وقد أدى النموذج أداءً استثنائيًا في مجموعات الجزيئات القياسية المستخدمة لاختبار الطرق الأخرى، متفوقًا في كثير من الأحيان على الصيغ الأكثر تطورًا المستخدمة حاليًا. فعلى سبيل المثال، عند التنبؤ بمدى قوة جذب الجزيئات المختلفة لبعضها البعض، كان النهج الجديد أكثر دقة بشكل ملحوظ من أفضل الطرق التقليدية، والتي غالبًا ما تعاني في التعامل مع هذه التفاعلات.

كان أحد أهم النتائج هو أن النموذج تعلم فيزياء النظام دون أن يُخبر أبدًا ما هي الذرة. لم تكن تعرف ما إذا كانت تنظر إلى الكربون أو الأكسجين أو الحديد؛ فقد تعلمت ببساة أن أنماطًا معينة في الكثافة الإلكترونية تقابل قيم طاقة محددة. وهذا يعني أن النظام عالمي؛ فما دام قد رأى أمثلة كافية لعناصر مختلفة أثناء التدريب، فإنه يستطيع تطبيق تلك الدروس على جزيئات جديدة لم يسبق له رؤيتها. وقد أثبت الباحثون ذلك من خلال اختبار النموذج على تفاعلات كيميائية معقدة، بما في ذلك تلك التي تشمل جزيئات غير مستقرة تسمى "الجذور الحرة" (radicals) وأنظمة تتصرف فيها الإلكترونات بطرق غير عادية ومرتبطة ببعضها. وحتى في هذه الحالات الصعبة، حافظ النموذج على دقة عالية، خاصة عند إضافة عدد صغير من هذه التفاعلات المعقدة إلى بيانات التدريب للمساعدة في صقل فهمه.

كما سلطت الدراسة الضوء على المجالات التي لا تزال تواجه فيها الطريقة تحديات. فعندما واجه النموذج عناصر ظهرت ندرة شديدة في بيانات التدريب، مثل بعض المعادن في بيئات محددة، انخفضت دقته. وهذا ليس عيبًا في المفهوم، بل هو حد طبيعي للتعلم من الأمثلة؛ فإذا لم يشاهد الحاسوب ما يكفي من نوع معين من المواقف، فلن يتمكن من التنبؤ بها بشكل مثالي. ومع ذلك، أظهر الباحثون أن مجرد إضافة المزيد من الأمثلة لهذه الحالات النادرة إلى مجموعة التدريب يحسن النتائج بسرعة. وهذا يشير إلى أن الطريقة قوية ويمكن تحسينها باستمرار مع توفر المزيد من البيانات.

يمثل هذا العمل تحولًا في كيفية مقاربة العلماء لمشكلة حساب الطاقة الجزيئية. فبدلاً من محاولة فرض الطبيعة داخل صندوق رياضي مكتوب مسبقًا، ترك الباحثون البيانات تتحدث عن نفسها. ومن خلال معاملة تبادل وارتباط الإلكترونات كظاهرة واحدة موحدة يجب تعلمها بدلاً من مجموعة من القواعد المنفصلة التي يجب اشتقاقها، أنشأوا أداة تتسم بالدقة العالية والكفاءة الحسابية في آن واحد. إن نجاح هذا النهج يثبت أن الكثافة الإلكترونية تحتوي على جميع المعلومات اللازمة لوصف سلوك الجزيء، وأن الذكاء الاصطناعي يمكنه استخراج هذه المعلومات بفعالية أكبر من الصيغ التقليدية. وهذا يفتح الباب لدراسة التفاعلات الكيميائية المعقدة واكتشاف مواد جديدة بسرعة ودقة لم يكن الوصول إليهما ممكنًا من قبل، مما يمكّن العلماء من استكشاف العالم الكيميائي بعدسة جديدة وقوية.