شبكة عصبية ذات انتباه متعدد المستويات قابلة للتحويل للتنبؤ الدقيق بخصائص الكيمياء الكمية من خلال التعلم متعدد المهام

إن تطوير نماذج فعّالة للتنبؤ بخصائص محددة من خلال التعلم الآلي يُعد أمرًا ذا أهمية كبيرة لدفع عجلة الابتكار في الكيمياء وعلوم المواد. ومع ذلك، لا يزال التنبؤ بخصائص البنية الإلكترونية، مثل مستويات طاقة المدار الجزيئي الأمامي (HOMO) والخلفي (LUMO) وفجوة الطاقة بين HOMO وLUMO، من بيانات الجزيئات الصغيرة إلى الجزيئات الأكبر يشكل تحديًا. في هذا العمل، نطور استراتيجية انتباه متعددة المستويات تتيح دمج رؤى كيميائية قابلة للتفسير داخل نموذج التعلم المتعدد المهام، والذي يُطبّق على بيانات تصل إلى 110,000 سجل في مجموعة QM9 لاختبار التقييم العشوائي. ويُثبت التحويل الجيد للنموذج للتنبؤ بالجزيئات الأكبر خارج مجموعة التدريب، في كل من مجموعتي QM9 وAlchemy. ويُحقق النموذج العصبي المتعدد المستويات القابل للتفسير، الذي صُمّم خصيصًا واسمه DeepMoleNet، تنبؤًا دقيقًا وكفؤًا بـ 12 خاصية، بما في ذلك عزم ثنائي القطب ومستوى HOMO وطاقة جيبس الحرة، ضمن دقة كيميائية مقبولة. ومن الملاحظ بشكل مميز أن النموذج العصبي العميق المتعدد المهام المُقدَّم يُستخدم وظيفة التماثل المركزية حول الذرة (ACSFs) كواحدة من أهداف التنبؤ، بدلًا من استخدامها كمدخلات وفق الطريقة التقليدية. وينطبق هذا الشبكة العصبية متعددة المستويات على التصفية عالية الإنتاجية لعدد كبير من الأنواع الكيميائية، مما يُسرّع من عملية التصميم المنطقي للأدوية والمواد والتفاعلات الكيميائية.