من مواد أشباه الموصلات إلى جزيئات الأدوية الفعالة، يظل التركيب الإلكتروني أساسيًا لفهم الأداء. تستطيع حسابات المبادئ الأولى، القائمة على ميكانيكا الكم، التنبؤ بدقة ببنية المادة واستقرارها ووظيفتها، وقد ساهمت في تحقيق تقدم سريع في تصميم المواد وتطوير الأدوية. مع ذلك، يزداد التعقيد الحسابي بشكل كبير مع ازدياد حجم النظام.حتى أجهزة الكمبيوتر العملاقة المتطورة تواجه صعوبة في محاكاة العمليات المعقدة مثل طي البروتين والتفاعلات التحفيزية على مدى فترات زمنية طويلة.وقد أدى ذلك إلى خلق وضع حيث "يمكن وصف الآلية، ولكن من الصعب حسابها".

مع اقتراب الأساليب التقليدية من حدودها الحسابية، يُقدّم التعلّم الآلي مسارًا جديدًا لمحاكاة الذرات. إذ يُتيح التعلّم الآلي للجهود بين الذرات، المُدرّب على بيانات ميكانيكا الكم، رسم خرائط للهياكل الإلكترونية المعقدة في نماذج تنبؤية فعّالة، مما يُقلّل التكاليف الحسابية بمقدار عدة مراتب مع الحفاظ على دقة قريبة من دقة المبادئ الأولى. على مدى العقدين الماضيين، أظهر التعلّم الآلي مزايا كبيرة في أنظمة مثل السبائك عالية الحرارة والجزيئات الحيوية الكبيرة، متجاوزًا أوجه القصور المتمثلة في عدم كفاية دقة مجالات القوى التجريبية والتكلفة الباهظة لأساليب المبادئ الأولى. ومع ذلك،تم تصميم النماذج المبكرة في الغالب لأنظمة فردية، مما يتطلب توليد بيانات التدريب بشكل متكرر وإعادة ضبط المعلمات، الأمر الذي جعل البحث عبر الأنظمة أمرًا صعبًا للغاية.

لذا، أصبح التعميم اتجاهاً رئيسياً لمزيد من التطوير. وفي السنوات الأخيرة، ظهرت نماذج عامة متنوعة قابلة للتكيف مع عناصر وبيئات كيميائية مختلفة.ومع ذلك، ونظراً لعدم كفاية بيانات التدريب ومعايير التقييم غير المتسقة، فإن أداءها العام لا يزال غير مستقر.
في هذا السياق، يقدم نموذج PET-MAD الذي اقترحه المعهد الفدرالي السويسري للتكنولوجيا في لوزان (EPFL) عينات جديدة.من خلال الاستفادة من مجموعة بيانات تغطي نطاقًا واسعًا من التنوع الذري وبنية شبكة تعتمد على محول Point Edge، فإنه يحقق دقة مماثلة للنماذج المخصصة لـ PET-Bespoke مع استخدام عدد أقل بكثير من عينات التدريب مقارنة بالنماذج التقليدية.يوفر هذا مثالاً قوياً لتطوير المحاكاة الذرية نحو كفاءة أكبر وقابلية تطبيق أوسع.
تم نشر نتائج البحث ذات الصلة، بعنوان "PET-MAD كجهد بين ذري عالمي خفيف الوزن لنمذجة المواد المتقدمة"، في مجلة Nature Communications.

عنوان الورقة:
https://www.nature.com/articles/s41467-025-65662-7
تابع حسابنا الرسمي على WeChat وأجب بكلمة "PET-MAD" في الخلفية للحصول على ملف PDF كامل.

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers

مجموعة بيانات MAD: تحتوي على 85 عنصرًا وما يقرب من 100000 بنية

تم إنشاء مجموعة بيانات MAD لتوفير أساس بيانات عالي الجودة لتدريب الإمكانات بين الذرات (MLIPs) في التعلم الآلي العام، والذي يتميز بتنوع كيميائي واسع، واتساق صارم للبيانات، وسهولة الاستخدام الجيدة.يحتوي على 85 عنصرًا بأعداد ذرية من 1 إلى 86 (باستثناء الأستاتين)، بإجمالي 95595 بنية.يتم تقسيمها بشكل منهجي إلى 8 مجموعات فرعية بناءً على خصائصها الكيميائية والهيكلية، وتغطي على نطاق واسع البلورات الضخمة والأسطح والتجمعات والمواد ثنائية الأبعاد والأنظمة الجزيئية.
يأتي جوهر مجموعة البيانات من مجموعة فرعية من قاعدة بيانات Materials Cloud 3D، وتحديداً المجموعة الفرعية MC3D.يحتوي على 33,596 بنية بلورية طورية فردية. وبناءً على ذلك، تم توليد مجموعة فرعية مُشوشة ثلاثية الأبعاد (30,044 بنية) عن طريق تغيير إحداثيات الذرات بضوضاء غاوسية، وتم إنشاء مجموعة فرعية عشوائية ثلاثية الأبعاد (2,800 بنية) عن طريق إعادة ترتيب أنواع الذرات في البلورة عشوائيًا. وقد صُممت كلتا المجموعتين خصيصًا لتعزيز تغطية تكوينات التشوه القصوى أو غير المتوازنة.
لتلبية متطلبات محاكاة الأسطح والأنظمة منخفضة الأبعاد، تتضمن مجموعة البيانات مجموعة فرعية من MC3D-surface (5589 نموذجًا لمستويات بلورية منخفضة المؤشر) ومجموعة فرعية من MC3D-cluster (9071 عنقودًا نانويًا) تم الحصول عليهما من تقطيع الطور الكتلي، بالإضافة إلى مجموعة فرعية من MC2D (2676 بلورة ثنائية الأبعاد) تم استيرادها من قاعدة بيانات Materials Cloud 2D. أما بالنسبة للأنظمة الجزيئية، فهي مدعومة بمجموعتين فرعيتين: SHIFTML-molcrys (8578 بلورة جزيئية) وSHIFTML-molfrags (3241 شظية جزيئية)، وكلها مستمدة من قواعد بيانات موثوقة لضمان دقة العينات.
فيما يتعلق باستراتيجيات توليد البيانات،تعتمد تقنية MAD على مزيج من إعادة الاستخدام المباشر والتعديل الهيكلي. تستخدم أربع مجموعات فرعية - MC3D وMC2D وSHIFTML-molcrys وSHIFTML-molfrags - الهياكل المنشورة مباشرةً، لكنها تعيد حساب الطاقات والقوى باستخدام معلمات DFT متطابقة، مما يُزيل بشكل جذري التحيزات المنهجية بين المصادر المختلفة. أما المجموعات الفرعية المتبقية، فتُوسّع نطاق تنوع التكوينات بشكل موجّه من خلال تعديلات مدفوعة فيزيائيًا على البنية الأساسية (مثل إضافة التشويش، وإعادة ترتيب الذرات، وقطع الأسطح).

PET-MAD: أبرز ملامح بنية وأداء نموذج الجهد بين الذرات العالمي

يتم تدريب نموذج PET-MAD على بنية محسّنة بواسطة جبهة باريتو.يتكون الهيكل من طبقتين لتمرير الرسائل، كل منهما مزودة بطبقتين فرعيتين من Transformer، باستخدام تمثيلات رمزية ذات 256 بُعدًا، وآلية انتباه متعددة الرؤوس ذات 8 رؤوس، وأخيرًا إخراج النتيجة من خلال طبقة متصلة بالكامل تحتوي على 512 عصبونًا.لتحسين استقرار عملية التدريب، قبل التدريب الرسمي، سيقوم النظام بتركيب نموذج خطي وطرح المساهمة الأساسية للطاقة المتعلقة بالتركيب الذري.
تم تنفيذ التدريب بالكامل ضمن إطار عمل PyTorch باستخدام حزمة Metatrain. وُزِّعت المهام الحسابية على ثماني وحدات معالجة رسومية NVIDIA H100، بحجم دفعة يبلغ 24 بنية لكل وحدة معالجة رسومية. تم تدريب النموذج لمدة 1500 دورة تدريبية، استغرقت حوالي 40 ساعة. استخدمت عملية التحسين مُحسِّن Adam، بمعدل تعلُّم أولي قدره 10⁻⁴، تم تخفيضه إلى النصف كل 250 دورة تدريبية. تكونت دالة الخسارة من الجذر التربيعي لمتوسط مربعات الخطأ لتوقعات الطاقة والقوة، مع ضبط وزن حد الطاقة على 0.1.

بعد التدريب، حقق النموذج متوسط خطأ مطلق قدره 7.3 ملي إلكترون فولت/ذرة للطاقة و 43.2 ملي إلكترون فولت/أنجستروم للقوة على مجموعة التدريب، و 14.7 ملي إلكترون فولت/ذرة للطاقة و 172.2 ملي إلكترون فولت/أنجستروم للقوة على مجموعة التحقق، مما يدل على دقة مطابقة ممتازة.
لتمكين النموذج العام من التكيف بشكل أفضل مع الأنظمة الكيميائية المحددة،يقدم جهاز PET-MAD تقنية الضبط الدقيق للتكيف منخفض الرتبة (LoRA).على عكس الضبط الدقيق التقليدي للمعاملات الكاملة، والذي قد يؤدي بسهولة إلى "نسيان كارثي" (أي فقدان المعرفة العامة الموجودة)، فإن LoRA يثبّت جميع أوزان النموذج الأساسي، ويُدخل زوجين فقط من المصفوفات منخفضة الرتبة القابلة للتدريب في كل وحدة انتباه، ويضبط تأثيرها من خلال معامل قياس، وبالتالي يحقق هدف "التحسين الدقيق دون فقدان العمومية". في هذه الدراسة، تم تثبيت رتبة LoRA عند 8، وتم ضبط معامل القياس على 0.5.
تظهر التجارب أنفي السيناريوهات التي تحتوي على بيانات محدودة، تتفوق النماذج التي تم ضبطها بدقة باستخدام LoRA باستمرار على النماذج المخصصة التي تم تدريبها من الصفر لهذا النظام.حتى في الأنظمة المعقدة مثل تيتانات الباريوم، يمكن للنماذج المضبوطة بدقة أن تنتج متغيرات فيزيائية قابلة للملاحظة مقارنة بالنماذج المخصصة مع الحفاظ على الدقة العامة، وبالتالي يوصى بها كخطة تحسين لتطبيقات محددة.
يُعدّ تقدير الخطأ بدقة أمرًا بالغ الأهمية في النماذج العامة. يُحدّد نموذج PET-MAD عدم اليقين من خلال طريقة صلابة التنبؤ في الطبقة الأخيرة (LLPR). تُقدّر هذه الطريقة الخطأ اللاحق للتنبؤات الجديدة بتحليل التباين المشترك للطبقة الأخيرة من الميزات المخفية في النموذج على مجموعة التدريب، دون أي تكلفة حسابية إضافية تقريبًا. والأهم من ذلك، تسمح LLPR بأخذ عينات من عدد محدود من أوزان الطبقة الأخيرة لتشكيل "مجموعة سطحية" خفيفة الوزن، وبالتالي نقل عدم اليقين إلى حساب الكميات المشتقة المعقدة مثل الطاقة الحرة ومنحنيات تشتت الفونون. تتميز هذه الطريقة بتكلفة حسابية أقل بكثير من طرق التجميع التقليدية، مما يجعلها مناسبة تمامًا للاحتياجات العملية لمحاكاة الذرات واسعة النطاق.
أيضًا،يقدم برنامج PET-MAD نمطين للتنبؤ بالقوة: أحدهما يعتمد على التفاضل التلقائي (الانتشار العكسي) لاستنتاج القوة من تحليل الطاقة، وهو ما يفي تمامًا بحفظ الطاقة؛ والآخر هو التنبؤ بالقوة مباشرة من الإحداثيات الذرية من خلال وحدة شبكة عصبية منفصلة، مما يمكن أن يحسن سرعة الاستدلال بمقدار 2-3 مرات، ولكنه قد يؤدي إلى إدخال قدر ضئيل من عدم حفظ الطاقة.من خلال تصميم مُكامل متعدد الخطوات الزمنية مخصص، تجنب فريق البحث بشكل فعال أخطاء أخذ العينات التي قد تحدث بسبب الوضع الأخير، مما يضمن الكفاءة الحسابية وموثوقية المحاكاة الديناميكية.

مزايا معيارية وعملية على حد سواء: تحقيق دقة نموذج مخصص بأقل قدر من البيانات الخاصة.

لتقييم أداء برنامج PET-MAD بشكل شامل، قارن فريق البحث أولاً بينه وبين أنظمة النماذج الشائعة مثل MACE-MP-0 و Orb-v2 في اختبارات معيارية موثوقة مثل Matbench Discovery. ولضمان العدالة، أعاد الباحثون حساب مجموعة فرعية من البيانات المعيارية باستخدام معلمات DFT المتوافقة مع PET-MAD للتخلص من التحيز الناتج عن اختلاف طرق الحساب.

تظهر نتائج الاختبار في الجدول أدناه.يتفوق نموذج PET-MAD، الذي تم تدريبه باستخدام أقل من 100000 بنية (بيانات أقل بمقدار 1-3 مراتب من النماذج المماثلة)، وبعدد معتدل يبلغ 2.8 مليون معلمة (أقل بكثير من 25 مليون معلمة في Orb-v2 و15.8 مليون معلمة في MACE-MP-0-L)، على جميع النماذج المماثلة في مجموعات البيانات الجزيئية (SPICE، MD22).وهو قابل للمقارنة مع أحدث النماذج مثل MatterSim-5M في مجموعات البيانات غير العضوية، وتكون مزاياه أكثر أهمية في مجموعات البيانات ذات التكوينات المشوهة للغاية، حيث يكون لبعض النماذج خطأ يصل إلى 50 ضعف خطأ MatterSim-5M.

مع ذلك، لا تكفي اختبارات المقارنة المعيارية للتحقق بشكل كامل من موثوقية النموذج في السيناريوهات المعقدة. لذا، اختار فريق البحث ست حالات تطبيقية متنوعة وصعبة لمقارنة أداء نموذج PET-MAD، ونموذج الضبط الدقيق الخاص به بتقنية LoRA، ونموذج PET-Bespoke المخصص.

1. إلكتروليت صلب: ثيوفوسفات الليثيوم (LPS)

تركز الدراسة على خاصية الأداء الرئيسية للنموذج، وهي الموصلية الأيونية. وكما هو موضح في الشكل أدناه، فإن أخطاء التحقق لنموذج PET-MAD من حيث الطاقة والقوة (4.9 ملي إلكترون فولت/ذرة، 163.9 ملي إلكترون فولت/أنغستروم) أعلى من تلك الخاصة بنموذج PET-Bespoke المخصص (1.2 ملي إلكترون فولت/ذرة، 35.6 ملي إلكترون فولت/أنغستروم).ومع ذلك، فإن الموصلية المتوقعة من خلال محاكاة الديناميكا الجزيئية التي تم تشغيلها بواسطة ذلك تتفق بشكل كبير مع نتائج نموذج PET-Bespoke المخصص والنموذج المضبوط بدقة على نطاق واسع من درجات الحرارة.لقد التقطت بدقة تأثير الأنماط الهيكلية (دوران رباعي الأوجه PS₄) على نقل الأيونات، مع مبالغة طفيفة فقط في تقدير درجة حرارة التحول الطوري للطور γ.

2. مادة أشباه الموصلات: زرنيخيد الغاليوم (GaAs)

تُظهر الصورة أدناه نتائج حساب درجة انصهار المادة باستخدام طريقة تثبيت السطح البيني. ويتوافق نموذج PET-MAD المُعدَّل بتقنية LoRA تمامًا مع نتائج التنبؤ الخاصة بنموذج PET-Bespoke المُخصَّص (1169±3 كلفن مقابل 1169±4 كلفن).

على الرغم من أن القيمة المتوقعة للنموذج العام المدرب مسبقًا (1111±72 كلفن) أقل قليلاً، إلا أن خطأها أصغر بكثير من الانحراف المتأصل في دالة DFT نفسها عن القيمة التجريبية (1511 كلفن).كما تسلط هذه الحالة الضوء على قيمة وظيفة تحديد عدم اليقين المدمجة في PET-MAD، والتي يمكنها تقييم الأخطاء ونقلها بتكلفة منخفضة، مما يوفر مرجعًا لموثوقية النتائج.

3. سبائك عالية الإنتروبيا: CoCrFeMnNi

فيما يتعلق بسلوك الفصل العنصري السطحي، وجدت الدراسة، كما هو موضح في الشكل أدناه، أن جهاز PET-MAD المدرب مسبقًا يمكنه إعادة إنتاج خصائص الفصل بدقة لـ "السطح الغني بالنيكل والعناصر الأخرى المستنفدة" دون تدريب خاص لهذا النظام، وهو ما يتفق كميًا مع الدراسة المرجعية.

على الرغم من أن خطأ الطاقة الخاص به (25.8 ملي إلكترون فولت/ذرة) أعلى من خطأ النموذج المخصص لـ PET-Bespoke (14.6 ملي إلكترون فولت/ذرة).ومع ذلك، قد يكون الأخير عرضة لخطر الإفراط في التخصيص بسبب بيانات التدريب المحدودة (2000 هيكل فقط)، بينما يُظهر PET-MAD متانة أفضل.

4. الماء السائل والتأثير النووي الكمي

من خلال محاكاة ديناميكيات الجزيئات باستخدام التكامل المساري، نجح برنامج PET-MAD في توصيف ظاهرة الترتيب البنيوي وعدم تمركز البروتونات الناتجة عن التقلبات الكمومية لذرة الهيدروجين. وعلى الرغم من محدودية دقة دالة GGA التي تعلمها، يُظهر النظام المُحاكى خصائص "السائل فائق التبريد" عند درجة حرارة الغرفة، ولكنه يُحقق أداءً جيدًا في حساب دالة التوزيع الشعاعي والسعة الحرارية.تتطابق النتائج بشكل كبير مع النموذج المخصص لـ PET-Bespoke، وكفاءته تجعل هذا النوع من المحاكاة الكمومية المكثفة حسابيًا أكثر جدوى.

5. البلورات الجزيئية: دراسة الرنين النووي المغناطيسي لحمض السكسينيك

كشفت المحاكاة الحركية المدفوعة بتقنية PET-MAD، بالإضافة إلى نموذج الحماية الكيميائية، بنجاح عن تأثير الحركة الكمومية النووية على توزيع ثابت الحماية في طيف الرنين النووي المغناطيسي للبروتون (¹H NMR). وكما هو موضح في الشكل أدناه، يتسع نطاق توزيع الحماية للبروتونات المرتبطة بروابط هيدروجينية بشكل ملحوظ وينزاح نحو الأسفل عند أخذ العينات الكمومية.يتوافق هذا مع استنتاجات النموذج المخصص PET-Bespoke الذي تم تدريبه على DFT عالي الدقة، مما يدل على إمكانات PET-MAD في التنبؤ بالخصائص الوظيفية المعقدة.

6. المواد الكهروضوئية: تيتانات الباريوم (BaTiO₃)

كما هو موضح في الشكل أدناه، في محاكاة الخلايا المرنة ضمن نطاق درجة الحرارة من 40 إلى 400 كلفن، نجح برنامج PET-MAD في إعادة إنتاج تسلسل التحول الطوري المميز للمادة بدقة، بدءًا من المعيني الأوجه، مرورًا بالمعيني القائم، وصولًا إلى الرباعي، وانتهاءً بالمكعب. على الرغم من محدودية ذلك بسبب نظرية الكثافة الوظيفية (DFT)...درجة حرارة التحول الطوري المتوقعة أقل من القيمة التجريبية، لكن انحرافها عن نتيجة النموذج المخصص لـ PET-Bespoke أقل من 30 كلفن.وفي حساب ثابت العزل الكهربائي الساكن، تنبأت أيضًا بشكل صحيح باتجاه ثابت العزل الكهربائي العالي في الطور المكعب وثابت العزل الكهربائي المنخفض في الطور الفيروكهربائي.

يُظهر كل من اختبار المعايير وتطبيقات الأنظمة متعددة المتغيرات أن...يمكن لـ PET-MAD تحقيق دقة محاكاة قريبة من دقة نماذج PET-Bespoke المخصصة مع القليل جدًا من البيانات الخاصة، والتنبؤ بشكل موثوق بخصائص مثل نقل الأيونات، وانتقال الطور، وتفاعل السطح.يمكن لضبط LoRA الدقيق أن يزيد من تقريب أداء نموذج PET-Bespoke المخصص، في حين أن تقدير خطأ LLPR ووضع التنبؤ بالقوة المزدوجة يضمنان كفاءة وقوة عمليات المحاكاة المعقدة، مما يجعله أداة متعددة الاستخدامات للجهد بين الذرات مع كل من الاتساع والعمق.

برامج التكامل بين الصناعة والأوساط الأكاديمية والبحثية: تقود عملية التكامل بين الصناعة والأوساط الأكاديمية والبحثية إلى تحول جذري في مجال البحث والتطوير في المواد

بفضل مزاياها الهامة المتمثلة في الدقة العالية والكفاءة الفائقة، يُصبح مجال البوليمرات متعددة الطبقات (MLIPs) جسراً رئيسياً يربط بين أحدث ما توصلت إليه نظرية الكيمياء الكمومية وتطبيقاتها الهندسية الصناعية. وفي السنوات الأخيرة، انتقل البحث من التحقق من جدوى الطرق إلى توسيع نطاق قدراتها.

على سبيل المثال، قام فريق بحثي من جامعة كامبريدج والمعهد الفدرالي السويسري للتكنولوجيا في لوزان (EPFL) بدمج التعلم النشط مع استراتيجيات أخذ العينات المعززة.وهذا يمكّن النموذج من استكشاف تكوينات الحالة الانتقالية الرئيسية بشكل مستقل على طول مسارات التفاعل الكيميائي، وبالتالي تحقيق تنبؤات دقيقة بنشاط المحفز وانتقائيته دون الحاجة إلى بيانات تفاعل مسبقة واسعة النطاق.إنها تتغلب بشكل فعال على قيود نماذج MLIPs الحالية في وصف العمليات الديناميكية للتفاعلات الكيميائية.

عنوان الورقة البحثية: بروتين أرجونوت 2 في بعوضة الزاعجة المصرية يتحكم في عدوى الفيروسات المنقولة بالمفصليات ومعدل وفيات المضيف
رابط الورقة:

https://www.nature.com/articles/s41467-023-41370-y

في غضون ذلك، يتعمق التقييم المنهجي والتوضيح الآلي للنماذج الحالية باستمرار. وقد أجرى فريق جامعة كاليفورنيا تقييمًا شاملاً لنماذج MLIPs العامة الشائعة الاستخدام، مثل M3GNet وCHGNet وMACE-MP-0.يغطي هذا المجال مجموعة من خصائص المواد، بما في ذلك طاقة السطح، وطاقة تكوين العيوب، وطيف الفونون، وحاجز هجرة الأيونات.وجدت الدراسة أن هذه النماذج تُظهر عمومًا تقليلًا منهجيًا للطاقة والقوة في المهام التي تنطوي على حالات طاقة عالية أو تكوينات غير متوازنة، مما يشير إلى الطريق لمزيد من التحسينات في استراتيجيات تدريب النماذج وبناء البيانات.

عنوان الورقة: التليين المنهجي في كمونات التعلم الآلي الشاملة بين الذرات
رابط الورقة:

https://www.nature.com/articles/s41524-024-01500-6

باختصار، دخل مجال نماذج المحاكاة متعددة المستويات (MLIPs) مرحلة جديدة، إذ انتقل من الابتكار الخوارزمي إلى المناهج القائمة على حل المشكلات، ومن التقييم الأساسي إلى تطوير سيناريوهات تطبيقية معمقة. وفي المستقبل، مع التغلب على المزيد من تحديات النمذجة متعددة المستويات ونضوج النماذج الخاصة بكل صناعة، يُتوقع أن تلعب نماذج المحاكاة متعددة المستويات دورًا محوريًا في نظام البحث والتطوير الرقمي، مما يُسرّع من التمكين المتبادل بين علوم المواد والابتكار الصناعي.