من الكوارتز إلى المواد الكهروضوئية، تقترح جامعة هارفارد إطار عمل للتعلم الآلي المتغير لتسريع محاكاة المجال الكهربائي للمواد على نطاق واسع
باعتباره اتجاهًا بحثيًا رائدًا في مجال علوم المواد الحديثة، يتولى علم المواد الحاسوبي مهمةً رئيسيةً تتمثل في تحليل البنية الدقيقة للمواد والتنبؤ بخصائصها العيانية. استنادًا إلى المبادئ الأساسية والقوانين الفيزيائية الأساسية، مثل ميكانيكا الكم، يلتزم هذا التخصص بالتنبؤ الدقيق بالخصائص القابلة للقياس تجريبيًا للمواد الحقيقية، مما يتيح فهمًا متعمقًا لآلية استجابة المواد للمنبهات الخارجية. تشمل خصائص الاستجابة هذه التأثيرات الخطية وغير الخطية والاقترانية.إنه العنصر الأساسي الذي يحدد الأداء الوظيفي للمواد العازلة والمواد الكهربائية الحديدية والمواد المتعددة الحديدية والمواد الكهرضغطية.
في الوقت الحالي، تعد طريقة البنية الإلكترونية المبدئية القائمة على نظرية الكثافة الوظيفية (DFT) وسيلة مهمة لدراسة خصائص المواد.ومع ذلك، نظرًا لحقيقة أن التكلفة الحسابية تزداد بشكل كبير مع حجم النظام، فإنه لا يمكنه التعامل إلا مع الأنظمة صغيرة الحجم.أدى هذا إلى تقييد البحث المنهجي في أنظمة المواد المعقدة بشكل كبير. في السنوات الأخيرة، حقق إدخال أساليب التعلم الآلي تقدمًا كبيرًا في هذا المجال. من خلال بناء نماذج تعتمد على البيانات، أظهرت هذه الأساليب إمكانات هائلة في التنبؤ باستقطاب المواد، وشحنة بورن، وقابلية الاستقطاب، وثابت العزل الكهربائي، والخصائص الطيفية، وغيرها، وطُبقت بنجاح على الجزيئات، والماء السائل، وأنظمة المواد الصلبة.
مع ذلك، لا تزال معظم أساليب التعلم الآلي الحالية تعاني من بعض القيود. على سبيل المثال، يصعب على النماذج المصممة بشكل مستقل ضمان التطبيق الدقيق للتناظرات الفيزيائية وقوانين الحفظ. تواجه بعض حلول النموذج الفردي، التي تحاول دمج خصائص العزل الكهربائي وحسابات الطاقة والقوة، تحديات عند تطبيقها على أنظمة فعلية ذات ظروف حدودية دورية وقيم استقطاب متعددة. على الرغم من أن بعض الدراسات قد بنت أسطح طاقة كامنة من خلال تدريب القوى الذرية تحت مجالات كهربائية مختلفة، واستنبطت خصائص الاستقطاب بشكل غير مباشر لتجنب صعوبة تدريب بيانات الاستقطاب متعددة القيم،ومع ذلك، تعتمد هذه الطريقة على حسابات المشتقات الضمنية، مما قد يقلل من دقة التنبؤ، ولم يتم حل مشكلة التكلفة العالية لاكتساب بيانات DFT على نطاق واسع بشكل أساسي.
ولمعالجة التحديات المذكورة أعلاه، قامت جامعة هارفارد وشركة روبرت بوش، وهي شركة تابعة لمجموعة بوش الألمانية في الولايات المتحدة، بتطوير إطار عمل موحد للتعلم التفاضلي للاستجابات الكهربائية.يمكن لهذا الإطار أن يتعلم في وقت واحد الطاقة الكامنة المعممة ووظيفة استجابتها للمحفزات الخارجية في نموذج التعلم الآلي واحد.من خلال تعريف دالة الاستجابة كمشتق للطاقة الكامنة المعممة فيما يتعلق بالإحداثيات الذرية ومعلمات الاضطراب، واستخدام العلاقة الرياضية الدقيقة بين الاثنين، وتلبية القيود الفيزيائية بشكل صارم مثل الحفاظ على الزخم وقاعدة مجموع الشحنة الصوتية لبورن، يتم التغلب على العيوب المتأصلة في النماذج المستقلة التقليدية، مما يفتح طريقًا جديدًا للبحث عالي الدقة في الخصائص العازلة والكهربائية الحديدية للمواد البلورية والفوضوية والسائلة.
وقد تم نشر نتائج البحث ذات الصلة في المجلة العالمية الشهيرة Nature Communications تحت عنوان "التعلم التفاضلي الموحد للاستجابة الكهربائية".
أبرز الأبحاث:
* أول إطار عمل موحد للتعلم الآلي لتحقيق ضمانات الحفاظ متعددة الأبعاد للزخم والحرارة الكهربائية وما إلى ذلك بناءً على العلاقة التفاضلية الدقيقة بين الطاقة الكامنة المعممة وكميات الاستجابة القابلة للملاحظة.
* تطوير نموذج شبكة عصبية متكافئة لكسر عنق الزجاجة في محاكاة الهستيريسيس الكهربي على مستوى المليون ذرة وتحليل ديناميكيات النواة المجالية والتوسع أحادي البعد للتبديل الاستقطابي بدقة.
* حل مشكلة تدريب الاستقطاب متعدد القيم، والجمع بين المبادئ الأولى لتحقيق التنبؤ عالي الدقة عبر المقاييس للخصائص العازلة والحديدية الكهربائية في نظام α−SiO₂/BaTiO₃.
عنوان الورقة:
https://go.hyper.ai/18TWg
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
تجارب بيانات α−SiO₂ وBaTiO₃، وبناء مجموعة التدريب واستنتاج المعلمات الرئيسية
أجريت هذه الدراسة تجارب بيانات على مادتين: α-SiO₂ وBaTiO₃.يتم التحقق من أداء النموذج عن طريق إنشاء مجموعات التدريب ومجموعات التحقق.
في مرحلة توليد بيانات التدريب، استُخرج 200 إطار من التكوينات الذرية لـ α−SiO₂ من عمليات محاكاة ديناميكيات المجال المغناطيسي الكلاسيكية NVT عند درجتي حرارة 300 كلفن و600 كلفن (باستخدام جهد فاشيشتا، كل إطار يعمل بزمن أخذ عينات 100 بيكو ثانية، و1 بيكو ثانية). بالنسبة لـ BaTiO₃، جُمعت 75 إطارًا (300 كلفن-400 كلفن، 60 إطارًا للبنية الأصلية و15 إطارًا لبنية جدار المجال) من خلال ديناميكيات التعلم النشط لبرمجة FLARE.
بالنسبة لكل مجموعة من البيانات، تم حساب الطاقة والقوة والاستقطاب في غياب المجال الكهربائي بواسطة DFT، وتم استخلاص شحنة بورن وقابلية الاستقطاب باستخدام طريقة الفرق المحدود تحت مجال كهربائي صغير يبلغ 0.36 MV/cm لضمان نطاق الاستجابة الخطية للاستقطاب والمجال الكهربائي.
إطار عمل للتنبؤ باستجابة المواد استنادًا إلى الشبكة العصبية المتغيرة المتساوية
في هذه الدراسة، نجح الباحثون في تطوير إطار عمل مبتكر للتعلم الآلي يهدف إلى تحقيق تعلم موحد لدوال الطاقة الكامنة والاستجابة المعممة. ويتبع هذا الإطار بدقة المبادئ الرياضية لتوسع تايلور.بطريقة مبتكرة، يتم تنفيذ مهام التعلم الخاصة بالطاقة الكامنة المعممة ومشتقاتها في وقت واحد ضمن إطار نموذج موحد.وهذا يسمح بالتنبؤ الدقيق بخصائص استجابة المادة.
المفهوم الأساسي لهذا النموذج هو أنمن خلال أخذ المشتق للطاقة الكامنة المعممة فيما يتعلق بمتغيراتها الرئيسية (مثل المواضع الذرية والحقول الخارجية)، يمكن إنشاء خصائص الاستجابة المقابلة تلقائيًا لكل تكوين ذري.يغطي هذا التصميم جوانب عديدة، مثل القوة والاستقطاب وشحنة بورن. ولا يضمن هذا التصميم دقة تطبيق التناظر الفيزيائي وقوانين الحفاظ، مثل الحفاظ على الزخم والحفاظ على المحتوى الحراري الكهربائي، فحسب، بل يُحسّن أيضًا دقة التنبؤ وموثوقية النموذج بشكل ملحوظ.
في مرحلة تدريب النموذج،وقد نجح الباحثون في تحقيق ذلك من خلال إضافة معلمات تصف اضطرابات النظام إلى المدخلات، مما يسمح للنموذج بالتمييز بين هذه المعلمات.بهذه الطريقة، يُمكن إجراء التدريب على كميات فيزيائية إضافية. وفي الوقت نفسه، قلّل الباحثون أيضًا من دالة الخسارة الشاملة التي تُدمج بشكل كامل عوامل مساهمة خصائص الاستجابة المختلفة، مثل الطاقة والقوة والاستقطاب وشحنة بورن. يرتبط هذا النمط التدريبي ارتباطًا وثيقًا بمفهوم تدريب سوبوليف. وبشكل أكثر تحديدًا، يتكون كل حد من دالة الخسارة من الفرق بين التدرج المقابل لعلامة التدريب والطاقة.
من أجل التقاط الاعتماد غير الخطي لخصائص الاستجابة على حقول متعددة وخصائص الاقتران بدقة،استخدم الباحثون بنية الشبكة العصبية وتقنية قوية تسمى الانتشار الخلفي التدرجي.تعلم بعمق الشبكة المعقدة من العلاقات بين الإمكانات المعممة ومدخلاتها.
في عملية بناء نموذج العمارة،يعتمد الباحثون على منصة Allegro.الاستفادة الكاملة من الدقة العالية وكفاءة البيانات المتميزة للشبكات العصبية المتغيرة،في الوقت نفسه، ومن خلال الالتزام الصارم بمفهوم التصميم المحلي، حقق النموذج قابلية توسع ممتازة. من حيث تصميم مدخلات النموذج، كما هو موضح في الشكل، دمج الباحثون بذكاء المجال الكهربائي E مع الموضع الذري r_i، مما مكّن النموذج من تنفيذ مهام التعلم الخاصة بالمحتوى الكهربائي U، والقوة F_i، والاستقطاب P، وشحنة بورن Z_i، وقابلية الاستقطاب α في آنٍ واحد.
في عملية توليد بيانات التدريب،كما هو موضح في الشكل أدناه، استخدم الباحثون حسابات تحويل فورييه الكثافة (DFT) للحصول على بيانات في المنطقة المحيطة بالمجال الكهربائي الصفري، واستخدموا طريقة تقريب الفروق المحدودة لتحديد قيم شحنة بورن وقابلية الاستقطاب. بعد التدريب، أصبح النموذج قادرًا على إخراج المحتوى الحراري، ثم اشتقاق سلسلة من المعلمات الرئيسية مثل القوة والاستقطاب وشحنة بورن وقابلية الاستقطاب، وذلك بحساب مشتقات الرتبتين الأولى والثانية للمحتوى الحراري الناتج.
ومن الجدير بالذكر أن الباحثين قاموا بتطوير واجهة مقابلة خصيصًا بحيث يمكن دمج النموذج بسلاسة مع برنامج LAMMPS، وبالتالي دعم الاسترخاء الهيكلي واسع النطاق ومحاكاة ديناميكيات الجزيئات باستخدام التعلم الآلي (MLMD) بشكل قوي في ظل ظروف المجال الكهربائي.
التحقق من دقة النموذج في سيناريوهات متعددة
للتحقق من أداء النموذج، أجرى البحث تجارب في اتجاهين رئيسيين: اهتزاز المواد وخصائص العزل، والهستيريسيس الكهروضوئي، وديناميكيات ثنائي القطب.من خلال اعتبار α−SiO₂ وBaTiO₃ كأشياء بحثية، يتم استكشاف دقة النموذج وقابليته للتطبيق في سيناريوهات مختلفة بشكل عميق.
في دراسة الاهتزازات والخصائص العازلة،اختار الباحثون α−SiO₂ كهدف بحثي نموذجي، واستخرجوا 200 إطار بيانات لـ 72 ذرة من محاكاة الديناميكيات الجزيئية للطاقة الكامنة الكلاسيكية، ودربوا نموذج التعلم الآلي المقابل بناءً على ذلك. ولمزيد من استكشاف دقة النموذج، تم بناء خلية عظمى تحتوي على 24,696 ذرة. بعد 10 بيكو ثانية من التوازن تحت مجموعة NVE، أُجريت محاكاة للديناميكيات الجزيئية (MLMD) باستخدام التعلم الآلي لمدة 200 بيكو ثانية بدون مجال كهربائي. حُسب طيف الأشعة تحت الحمراء باستخدام ديناميكيات الاستقطاب، وحُللت ديناميكيات الاستقطاب وقابلية الاستقطاب لتحديد ثابت العزل الكهربائي المعتمد على التردد. وأخيرًا، قورنت النتائج بنتائج الحسابات المستندة إلى نظرية اضطراب الكثافة الوظيفية (DFPT) والبيانات التجريبية.
كما هو موضح في الشكل أ أدناه،وكانت نتائج MLMD وDFPT متسقة للغاية.بالإضافة إلى ذلك، عند دراسة تأثير حجب الإلكترونات والأيونات بوجود مجال كهربائي، أجرى الباحثون استرخاءً هيكليًا تحت مجال كهربائي محدود استنادًا إلى البنية الهيكلية الأصلية لـ α-SiO₂. حُدد ثابت العزل الساكن بحساب فرق الاستقطاب بين المجال الكهربائي وغيابه. تظهر النتائج في الشكل (د) أدناه. تتوافق قيم ثابت العزل الساكن وثابت التردد العالي التي تم الحصول عليها بواسطة النموذج بشكل أساسي مع قيم تحويل فورييه المنفصل (DFT).يوضح هذا بشكل كامل أن النموذج يمكنه التقاط مساهمة المجال الكهربائي في البنية الإلكترونية بدقة، مما يثبت فعاليته في محاكاة ديناميكيات المجال الكهربائي المحدود.
وفي الوقت نفسه، في التحقق من تدريب شحنات بورن، وجد أنه إذا لم يتم تدريب النموذج على شحنات بورن، فسوف تتأثر دقة الاهتزاز والاستجابة العازلة عند الترددات المنخفضة بشكل كبير، خاصة عندما تكون البيانات محدودة، وستزداد التكلفة الحسابية للمحاكاة تحت المجالات الكهربائية.تسلط هذه النتيجة الضوء على أن التدريب على شحنات بورن يعد ميزة أساسية للنموذج.
في دراسة الهستيريسيس الكهروضوئي وديناميكيات ثنائي القطب،ركز الباحثون على بيروفسكايت BaTiO₃، واستخدموا 75 إطارًا من البيانات المُستخرجة باستخدام ديناميكيات التعلم النشط، بواقع 135 ذرة لكل إطار، لتدريب نموذج التعلم الآلي. حُسب التباطؤ الكهربائي الحديدي للخلية الفائقة المكونة من 135 ذرة عند درجة حرارة صفر، والنتائج موضحة في الشكل (أ) أدناه.إن الهستيريسيس الكهروضوئي الذي تم الحصول عليه عن طريق محاكاة MLMD يتوافق بشكل كبير مع ما تم الحصول عليه عن طريق حساب DFT، مما يؤكد بشكل قوي موثوقية النموذج.
لتقييم تأثير درجة الحرارة على الاستجابة الكهروضوئية بشكل أعمق، أجرى الباحثون دراسة MLMD في مجموعة NVT تحت مجال كهربائي جيبي بتردد 5 جيجاهرتز. وخلصت الدراسة، كما هو موضح في الشكلين (ب ج) أعلاه، إلى أن:مع ارتفاع درجة الحرارة، ينخفض المجال القسري الداخلي، في حين يتأثر الاستقطاب التلقائي بدرجة حرارة أقل نسبيًا.سواءً عند درجة حرارة صفرية أو درجة حرارة محدودة، تُظهر منحنيات الهستيريسيس تماثلًا في إشارة المجال الكهربائي، وهو ما يتوافق مع خصائص حقول متجهات الاستقطاب المحافظة. بالإضافة إلى ذلك، عند استخدام خلية فائقة مكونة من 3645 ذرة ذات معلمات شبكية تجريبية لأغراض البحث، يتوافق الاستقطاب التلقائي مع النتائج التجريبية، كما أن المجال القسري أقرب إلى القيمة التجريبية، مما يُثبت قدرة النموذج على الاستقراء في ظل خلايا فائقة ذات أعداد ذرية ومعلمات شبكية مختلفة.
عند التحقيق في تأثير تردد المجال الكهربائي على الهستيريسيس الكهربي،يُظهر تحليل MLMD لخلية عظمى مكونة من 3645 ذرة عند درجة حرارة 300 كلفن أن المجال القسري يتناقص مع تناقص التردد. على الرغم من أن القيمة المُستقرأة لا تزال مختلفة بمقدار مرتبة واحدة تقريبًا عن القيمة التجريبية، إلا أن هذه المهمة الحسابية المعقدة تُبرز القدرات الحسابية القوية للنموذج وقابليته الممتازة للتوسع ليشمل أنظمة مكونة من مليون ذرة.
البحث في نماذج المواد: التقدم التعاوني بين الأوساط الأكاديمية والصناعة
وفي مجال علم المواد، بذل كل من الأوساط الأكاديمية ومجتمع الأعمال جهودًا كبيرة لتعزيز التطوير المستمر للأبحاث المتعلقة بنماذج المواد.
بالنسبة للمجتمع الأكاديمي، حققت العديد من الجامعات وفرق البحث نتائج ملحوظة. فقد طور باحثون في جامعة روتشستر بالولايات المتحدة نموذجًا للتعلم الآلي يمكنه تحليل البيانات الضخمة الناتجة عن تجارب حيود الأشعة السينية (XRD) لتسريع ابتكار المواد. يتم تدريب النموذج باستخدام بيانات تجريبية لمواد غير عضوية في ظل ظروف تجريبية وخصائص بلورية مختلفة، ويتم تصنيفه وتحسينه وفقًا لقانون براغ. يستخدم نموذج Chemeleon الذي اقترحته الكلية الإمبراطورية في لندن الذكاء الاصطناعي التوليدي للتنقل بناءً على مجموعة بيانات خصائص بنية المادة، والتعلم من أوصاف النصوص وبيانات البنية ثلاثية الأبعاد، وتحقيق أخذ عينات من التركيب الكيميائي والبنية البلورية. استخدم الفريق التعاوني من جامعة سيول الوطنية في كوريا الجنوبية وجامعة فوردهام في الولايات المتحدة نموذجًا لغويًا كبيرًا (LLM) للتنبؤ بقابلية تصنيع المواد الجديدة وشرح أساس التنبؤ، مما أظهر أداءً جيدًا وقابلية للتفسير. اقترح فريق البروفيسور وانج جينلان وما ليانج من كلية الفيزياء بجامعة جنوب شرق الصين وفريق البروفيسور وانج شينران من جامعة نانجينغ أفكارًا جديدة في مجال البحث في المواد ثنائية الأبعاد، وتحقيق النمو الطبقي المتحكم فيه بالعدد لأغشية MoS₂ الرقيقة ذات الطبقتين الموحدتين على مستوى السنتيمتر، واقترحوا طرقًا لتحسين أداء واجهات التلامس من خلال المحاكاة الحاسوبية، وتحقيق مقاومة تلامس منخفضة للغاية بنجاح.
لا يخفى على أحد دور مجتمع الأعمال، فهو يشارك بنشاط في ابتكار وتطبيق تقنية نماذج المواد. تستخدم شركة Apple نماذج التعلم الآلي لتحسين تركيبات السبائك المعدنية لتصنيع أغلفة المنتجات، وتحسين قوة المواد ومتانتها، وخفض التكاليف. تُطوّر شركة BASF نماذج مواد متقدمة لمحاكاة خصائص المواد، وتسريع تطوير مواد بلاستيكية وطلاءات جديدة، وتحسين القدرة التنافسية للمنتجات. يُولّد نموذج MatterGen الذي أطلقته مايكروسوفت هياكل مواد تلبي متطلبات التصميم من خلال بنية نموذج انتشار فريدة، تتميز بمزايا كبيرة مقارنةً بالطرق التقليدية. كما تعاونت الشركة مع فريق SIAT التابع للأكاديمية الصينية للعلوم للحصول على مادة جديدة هي TaCr₂O₆.
تتشابك هذه الاستكشافات المتطورة والممارسات المبتكرة، مما يدفع أبحاث نماذج المواد قدمًا باستمرار. في المستقبل، ومع استمرار تعميق البحث وتطور التكنولوجيا وتحديثها، ستحقق نماذج المواد إنجازات وتطبيقات في طيف أوسع من المجالات، مما يضع أساسًا متينًا للتطور العلمي والتكنولوجي.
المقالات المرجعية:
1.https://mp.weixin.qq.com/s/mctu0DOWO_OieLnOgp93Rw
2.https://mp.weixin.qq.com/s/I-UZTyUFSWwXlf1LCmwjRQ
3.https://mp.weixin.qq.com/s/Ox62ut3IJcUWsLC7sF100Q
4.https://mp.weixin.qq.com/s/VlPb8zSghVVxnPNl-WzqBA
5.https://plastics-rubber.basf.com/global/en/performance_polymers/services/service_ultrasim/Material-Modeling