تقريبات فعالة للإمكانات الذرية الكاملة لتوقع خصائص البلورات

نُجري دراسة على توقع الخصائص للمواد البلورية. يتكوّن بنية البلورة من وحدة خلوية أدنى تُكرّر بشكل لا نهائي في الفضاء الثلاثي الأبعاد. لا يزال مسألة تمثيل هذه الهياكل المتكررة بدقة في نماذج التعلم الآلي غير محلولة. تُنشئ الطرق الحالية رسومًا بيانية عن طريق ربط العقد القريبة فقط، مما يؤدي إلى فشلها في التقاط الأنماط المتكررة اللامحدودة والتفاعلات بين الذرات البعيدة بدقة. في هذا العمل، نقترح عدة ابتكارات للتغلب على هذه القيود. أولاً، نقترح تمثيل الوظائف الجذبية بين الذرات المستندة إلى القوانين الفيزيائية مباشرةً، بدلًا من الاعتماد فقط على المسافات كما هو الحال في العديد من الطرق الحالية. تشمل هذه الوظائف الجذبية: الجهد الكهروستاتيكي (الجهد الكهروستاتيكي)، وجهد التشتت لندن، وجهد الرفض باولي. ثانيًا، نُمثل المجموعة الكاملة للوظائف الجذبية بين جميع الذرات، بدلًا من التفاعل فقط بين الذرات القريبة كما في الطرق الحالية. ويُمكّننا هذا من خلال تقريباتنا لمجموعات الجهد اللامحدودة، حيث نُطوّر مجموعات إيولد (Ewald) لعدة سلاسل وظائف جذبية مع حدود خطأ قابلة لإثبات. أخيرًا، نقترح دمج حساباتنا للوظائف الجذبية الكاملة ضمن الشبكات العصبية لنقل الرسائل (Message Passing Neural Networks) لتحسين التعلم الممثّل. أجرينا تجارب على معايير التقييم JARVIS وMaterials Project. أظهرت النتائج أن استخدام الوظائف الجذبية والوظائف الجذبية الكاملة يؤدي إلى تحسينات متسقة في الأداء، مع تكاليف حسابية معقولة. يُتاح كودنا بشكل عام كجزء من مكتبة AIRS (https://github.com/divelab/AIRS/tree/main/OpenMat/PotNet).