Out-of-Distribution Inverse Design of Elastic Networks with Differentiable Graph Neural Network Molecular Dynamics

تخيل عالماً يمكن فيه تصميم المواد ليس عن طريق التجربة والخطأ، بل عبر سؤال حاسوب لإيجاد الهيكل المثالي لوظيفة معينة. هذا هو الوعد الذي يقدمه "التصميم العكسي"، وهو تحول في كيفية مقاربة العلماء للاكتشاف. فبدلاً من بناء مادة ثم اختبار ما تفعله، يبدأ الباحثون بسلوك مرغوب فيه — مثل نابض يتسع عندما تضغط عليه — ويعملون بشكل عكسي للعثور على الترتيب الذري الذي يخلق ذلك السلوك. لعقود من الزمن، كانت هذه العملية بطيئة ومكلفة، حيث اعتمدت على محاكاة فيزيائية معقدة تتطلب قدرات حوسبة هائلة. ومؤخراً، لجأ العلماء إلى تعلم الآلة لتسريع الأمور، عبر تدريب الحواسيب على التنبؤ بكيفية سلوك المواد. ومع ذلك، فإن هذه النماذج الرقمية عادة ما تعاني عندما يُطلب منها تخيل شيء لم تره من قبل؛ فهي ممتازة في التعرف على الأنماط ضمن بيانات التدريب الخاصة بها، لكنها غالباً ما تفشل عندما تُدفع إلى مناطق جديدة وغير مستكشفة.

لقد طور فريق من الباحثين في معهد التخنيون – معهد إسرائيل للتكنولوجيا، طريقة جديدة للتغلب على هذا القصور. فقد أنشأوا نظاماً يجمع بين محاكي ذكي يعتمد على التعلم وبين القواعد الصارمة للفيزياء. يسمح هذا النهج الهجين للحاسوب بتصميم مواد ذات خصائص تقع خارج النطاق الذي تعلم منه في الأصل. ومن خلال اختبار طريقتهم على الشبكات المرنة غير المنتظمة — وهي نماذج لمواد مكونة من نقاط ونابضات مترابطة — أثبتوا أن النظام يمكنه ابتكار هياكل ذات سلوكيات كانت غائبة تماماً عن بيانات التدريب الخاصة به. والنتيجة هي أداة لا يمكنها فقط تحسين المواد المعروفة، بل يمكنها أيضاً اكتشاف مواد جديدة تماماً، وحل المشكلات التي لا تستطيع نماذج تعلم الآلة التقليدية لمسها ببساطة.

إن جوهر هذا الإطار الجديد هو محاكي ديناميكا جزيئية يعتمد على الشبكات العصبية الرسومية. لفهم كيفية عمله، تخيل المادة كشبكة من الكرات المتصلة بنوابض. في المحاكاة القياسية، يحسب الحاسوب كيفية تحرك كل كرة بناءً على القوى المؤثرة عليها، خطوة بخطوة. هذا دقيق ولكنه بطيء للغاية. لقد درب الباحثون نموذج تعلم الآلة الخاص بهم للتنبؤ بهذه التحركات بسرعة أكبر بكثير، من خلال تعلم الأنماط الكامنة لكيفية تفاعل الكرات. ومع ذلك، يوجد عائق رئيسي: تحتاج نماذج تعلم الآلة عادةً إلى معرفة السرعة والاتجاه الحالي للكرات للتنبؤ بالخطوة التالية. وفي سيناريو تصميم واقعي، تبدأ بصورة ثابتة للمادة، وليس صورة متحركة. النموذج يكون "أعمى" عن الحركة التي يحتاج إلى التنبؤ بها.

ولحل هذه المشكلة، قدم الباحثون طريقة "التمهيد" (bootstrap). فقبل بدء المحاكاة الرئيسية، يقوم محرك مخصص قائم على الفيزياء بتوليد دفعة حركة أولية قصيرة جداً من نقطة البداية الثابتة. يوفر هذا السياق اللازم — السرعة واتجاه الكرات — لبدء تشغيل نموذج تعلم الآلة. وبمجرد تشغيل المحاكاة، يواجه النظام تحدياً آخر: الحفاظ على تنبؤات واقعية فيزيائياً، خاصة عند تصميم مواد تسلك سلوكيات لم يسبق للنموذج رؤيتها. ولمعالجة ذلك، استخدموا تقنية تسمى "التحسين القائم على الفيزياء أثناء الاستدلال". فبينما تجري المحاكاة، يتحقق النظام باستمرار من تنبؤاته مقابل القوانين الأساسية للفيزياء، مثل حفظ الطاقة والضغط. وإذا بدأ نموذج تعلم الآلة في الانحراف نحو حالة مستحيلة، يقوم النظام بتصحيح المسار بلطف، مما يضمن بقاء المادة صالحة فيزيائياً مع استمرارها في استكشاف سلوكيات جديدة.

وضع الباحثون هذا الإطار تحت الاختبار باستخدام الشبكات المرنة غير المنتظمة، وهي في الأساس شبكات عشوائية من النوابض والعقد. لقد دربوا المحاكي الخاص بهم حصرياً على شبكات تسلك سلوكاً قياسياً: عندما تُضغط، تصبح أرفع، تماماً مثل معظم المواد اليومية. امتلكت هذه الشبكات المدربة خاصية محددة تسمى "نسبة بواسون"، وهي مقياس لمدى تقلص المادة عرضياً عند شدها أو توسعها عرضياً عند ضغطها، والتي تراوحت بين 0.1 و0.4. كان الهدف هو معرفة ما إذا كان النظام قادراً على تصميم شبكة تسلك العكس تماماً: مادة تتوسع عند ضغطها. يُعرف هذا بـ "المادة الأوكسيتيكية" (auxetic material)، وهي خاصية نادرة وقيمة في الهندسة.

وعلى الرغم من عدم رؤية أي مادة أوكسيتيكية أثناء التدريب، نجح النظام في تصميم شبكات بنسبة بواسون تصل إلى -0.3. هذا تحول دراماتيكي عن بيانات التدريب، ويمثل مادة تتقلص عرضياً بدلاً من التوسع عند الضغط. حقق الباحثون ذلك من خلال تعديل مواقع العقد في الشبكة أو عبر ضبط صلابة النوابض التي تربطها. وفي بعض الحالات، جمعوا بين الاستراتيجيتين، مما سمح للنظام بإيجاد حلول أكثر تطرفاً، حيث وصلت النسب إلى -0.35. لم يجد النظام مثالاً واحداً فحسب، بل أنتج هذه النتائج باستمرار، مما أثبت أن الطريقة قوية وموثوقة.

تتجاوز قوة هذا النهج مجرد تغيير رقم واحد. فقد أظهر الباحثون أن النظام يمكنه أيضاً هندسة سلوكيات محلية محددة داخل مادة أكبر. لقد طلبوا من الحاسوب إنشاء "جيب" صغير داخل شبكة قياسية يسلك سلوكاً مختلفاً عن بقية الشبكة. في إحدى التجارما، صمموا جيباً يعمل كمادة أوكسيتيكية، ينكمش عرضياً عند ضغط الشبكة بأكملها، بينما تسلك المادة المحيطة به سلوكاً طبيعياً. وفي تجربة أخرى، أنشأوا منطقة تتركز فيها الإجهادات، مما يؤدي فعلياً إلى توجيه المزيد من القوة إلى منطقة معينة دون تغيير القوة الإجمالية للمادة. كانت هذه العيوب الموضعية غائبة تماماً عن بيانات التدريب، ومع ذلك أنشأها النظام بدقة، مما أظهر القدرة على التحكم في المادة على مستوى حبيبي.

وهناك اكتشاف مهم آخر وهو قدرة النظام على التعامل مع أحجام مختلفة من المواد. فقد تم تدريب المحاكي على شبكات تحتوي على أقل من 200 عقدة، ومع ذلك نجح في تحسين شبكات تصل إلى 5,000 عقدة. هذه القابلية للتوسع أمر بالغ الأهمية للتطبيقات الواقعية، حيث نادراً ما تكون المواد صغيرة. كما أظهر الباحثون أن النظام يمكنه إعادة تشكيل منحنى "الإجهاد-الانفعال" بالكامل للمادة، والذي يصف كيفية تشوهها تحت الضغط. استطاعوا أخذ مادة تستجيب بطريقة بسيطة وخطية، وإعادة تصميمها لتكون ذات استجابة معقدة وغير خطية، مما دفع أداء المادة إلى ما وراء حدود ما تم رصده أثناء التدريب.

يعتمد نجاح هذا الإطار على التوازن الدقيق بين سرعة تعلم الآلة ودقة الفيزياء. فمن خلال استخدام بداية قائمة على الفيزياء لتشغيل المحاكاة، ثم صقل المسار باستمرار باستخدام القيود الفيزيائية، يتجنب النظام العثرات الشائعة لتعلم الآلة الصرف. إنه لا يكتفي بالتخمين، بل يتعلم قواعد الحركة ثم يطبقها بإبداع. وهذا يسمح له باستكشاف مساحات تصميم كانت غير قابلة للوصول سابقاً، وإيجاد حلول ليست مبتكرة فحسب، بل قابلة للتحقيق فيزيائياً أيضاً.

إن تداعيات هذا العمل كبيرة لمستقبل علم المواد. فهي تشير إلى أنه يمكننا الانتقيال من مجرد فحص المواد الموجودة إلى التصميم الفعلي لمواد جديدة ذات خصائص مستهدفة. إن القدرة على توليد مواد ذات سلوكيات تقع تماماً خارج نطاق بيانات التدريب تفتح الباب لاكتشاف حلول لمشكلات لم نحددها بالكامل بعد. وسواء كان ذلك من خلال إنشاء هياكل ممتصة للصدمات تصبح أكثر صلابة عند التأثير، أو تصميم إلكترونيات مرنة تحافظ على سلامتها تحت التشوه الشديد، فإن هذه الطريقة توفر أداة قوية. لقد أثبت الباحثون أنه من خلال الجمع بين القدرة التنبؤية للذكاء الاصطناعي وقوة القوانين الفيزيائية، يمكننا توجيه اكتشاف المواد نحو اتجاهات كانت تُعتبر في السابق بعيدة المنال.