تشير دراسة حديثة نُشرت في مجلة الفيزياء الكيميائية إلى أن نمذجة المحاكاة الجزيئية للذكاء الاصطناعي قد لا تحتاج إلى دمج قوانين الفيزياء مباشرة في هيكلتها لتقديم نتائج قوية ودقيقة. تقليدياً، اعتمدت نماذج الديناميكا الجزيئية على "الميل الحثي" الفيزيائي، وهو مبدأ يفرض ثبات الطاقة ومواءمة التوقعات مع اتجاهات الجزيئات، لاعتبارها ضرورية لموثوقية النماذج. ومع ذلك، طور فريق بحثي بقيادة باحثين من معهد برلين لتأسيس تعلم البيانات وGOOGLE DeepMind نموذجاً جديداً يسمى MD-ET يعتمد على بنية المحولات العامة بدون قيود فيزيائية مدمجة. يعتمد هذا النموذج، الذي يصفه الباحثون بالابتكار البسيط، على تدريب نموذج محولات الحافة باستخدام ما يقرب من 30 مليون بنية جزيئية من قاعدة بيانات QCML. الفكرة الأساسية هي أن النموذج يمكنه تعلم السلوك الفيزيائي من خلال التعرض لكميات هائلة من البيانات وحدها، دون الحاجة إلى فرض مبادئ مثل حفظ الطاقة أو التناظر هندسياً. تشير النتائج إلى أن النموذج حقق أداءً منافساً بل وحقق حالة متقدمة في عدة اختبارات قياسية، حيث تعلم توقع القوى بحيث تكون متناظرة تقريباً، مع انحرافات أقل بكثير من المقاييس التقليدية. كما نجح في إجراء محاكاة مستقرة في ظل ظروف درجة حرارة ثابتة حتى في بيئات البيانات المحدودة. ومع ذلك، كشفت الدراسة عن حدود هذه الطريقة عند تطبيقها في محاكاة الطاقة الثابتة، حيث يظل النظام معزولاً عن أي منظم حراري. في هذه السيناريوهات، لوحظ أن النموذج لا يحفظ الطاقة بشكل مثالي، بل يكتفي بتقريبها، مما يجعله حساساً لحجم الجزيئات والتدخلات الرقمية. في الهياكل الكبيرة، تعرض النموذج لزيادة غير محدودة في الطاقة، مما يشير إلى ضرورة التحقق بحذر من النتائج في حالات معينة. يقر الباحثون بأن استخدام قوى غير محافظة في المحاكاة الجزيئية يتطلب تقييماً دقيقاً لكل حالة على حدة. تسهم هذه الأبحاث في النقاش الحالي في المجتمع العلمي حول مدى ضرورة وجود قيود فيزيائية صريحة في نماذج الديناميكا الجزيئية. يقترح نموذج MD-ET أن المعالجات العامة القوية المدربة على مجموعات بيانات ضخمة قد تكون كافية لتعلم احترام المبادئ الفيزيائية للعديد من التطبيقات العملية، مما يقلل من تعقيد التصميم الهندسي. وفي الوقت نفسه، تحدد الدراسة بدقة الحدود الحالية لهذا النهج، وتوجه الانتباه إلى الحاجة للموازنة بين البساطة والأداء في الأنظمة التي تتطلب حفظاً صارماً للطاقة.