الجهد بين الذرات المُتعلم آلياً

تُعرف الجهود الكامنة بين الذرات المُستنتجة آليًا ( MLIPs )، أو ببساطة جهود التعلم الآلي ( MLPs )، بأنها جهود كامنة بين الذرات تُبنى باستخدام تقنيات التعلم الآلي . منذ تسعينيات القرن الماضي، استخدم الباحثون هذه البرامج لبناء هذه الجهود الكامنة من خلال ربط البنى الذرية بطاقاتها الكامنة. ويُشار إلى هذه الجهود الكامنة باسم MLIPs أو MLPs .

وعدت إمكانيات التعلم الآلي هذه بسد الفجوة بين نظرية الكثافة الوظيفية ، وهي طريقة نمذجة عالية الدقة ولكنها تتطلب موارد حاسوبية مكثفة، وبين الإمكانيات المستمدة تجريبياً أو التقريبية حدسياً، والتي كانت أخف بكثير من الناحية الحسابية ولكنها أقل دقة بشكل ملحوظ. وقد أدت التحسينات في تكنولوجيا الذكاء الاصطناعي إلى زيادة دقة الشبكات العصبية متعددة الطبقات مع خفض تكلفتها الحسابية، مما زاد من دور التعلم الآلي في ملاءمة الإمكانيات. ^{[ 1 ] [ 2 ]}

بدأت إمكانيات التعلم الآلي باستخدام الشبكات العصبية لمعالجة الأنظمة منخفضة الأبعاد. ورغم ما تبدو عليه من إمكانيات واعدة، إلا أن هذه النماذج لم تستطع تفسير تفاعلات الطاقة بين الذرات بشكل منهجي؛ إذ كان بالإمكان تطبيقها على الجزيئات الصغيرة في الفراغ، أو الجزيئات المتفاعلة مع الأسطح المتجمدة، ولكن ليس على نطاق أوسع من ذلك - وحتى في هذه التطبيقات، كانت النماذج تعتمد غالبًا على مجالات القوى أو الإمكانيات المستمدة تجريبيًا أو من خلال المحاكاة. ^{[ 1 ]} ولذلك، ظلت هذه النماذج محصورة في الأوساط الأكاديمية.

تُنشئ الشبكات العصبية الحديثة كمونات عالية الدقة وخفيفة الحساب، حيث تم دمج الفهم النظري لعلم المواد بشكل متزايد في بنيتها وعمليات المعالجة المسبقة. معظم هذه الكمونات محلية، إذ تأخذ في الحسبان جميع التفاعلات بين الذرة وجارتها حتى نصف قطر قطع معين. توجد بعض النماذج غير المحلية، ولكنها تجريبية منذ ما يقرب من عقد من الزمان. بالنسبة لمعظم الأنظمة، تُمكّن أنصاف أقطار القطع المعقولة من الحصول على نتائج عالية الدقة. ^{[ 1 ] [ 3 ]}

تستقبل معظم الشبكات العصبية إحداثيات الذرات وتُخرج طاقات الوضع. في بعضها، تُحوّل هذه الإحداثيات إلى دوال تناظر مركزية الذرات. انطلاقًا من هذه البيانات، تُدرَّب شبكة عصبية ذرية منفصلة لكل عنصر؛ حيث تُقيَّم كل شبكة ذرية عند ظهور ذلك العنصر في البنية المُعطاة، ثم تُجمَّع النتائج في النهاية. هذه العملية - ولا سيما دوال التناظر المركزية الذرات التي تُعبِّر عن الثبات الانتقالي والدوراني والتبديلي - حسَّنت بشكل كبير إمكانيات التعلُّم الآلي من خلال تقييد مساحة بحث الشبكة العصبية بشكل ملحوظ. تستخدم نماذج أخرى عملية مماثلة، لكنها تُركِّز على الروابط بدلًا من الذرات، باستخدام دوال تناظر الأزواج وتدريب شبكة واحدة لكل زوج من الذرات. ^{[ 1 ] [ 4 ]}

تستخدم نماذج أخرى تقنيات لتعلم خصائصها الخاصة بدلاً من استخدام دوال محددة مسبقاً تحدد التناظر. تُعرف هذه النماذج باسم الشبكات العصبية ذات تمرير الرسائل (MPNNs)، وهي عبارة عن شبكات عصبية بيانية. وباعتبار الجزيئات رسوماً بيانية ثلاثية الأبعاد (حيث تمثل الذرات العقد والروابط الحواف)، يأخذ النموذج متجهات الخصائص التي تصف الذرات كمدخلات، ويُحدّث هذه المتجهات بشكل متكرر مع معالجة معلومات الذرات المجاورة من خلال دوال الرسائل والالتفافات . ثم تُستخدم متجهات الخصائص هذه للتنبؤ بالجهود النهائية. غالباً ما تُؤدي مرونة هذه الطريقة إلى نماذج أقوى وأكثر قابلية للتعميم. في عام 2017، استُخدم أول نموذج MPNN (شبكة عصبية موترية عميقة) لحساب خصائص الجزيئات العضوية الصغيرة.

يُعدّ جهد التقريب الغاوسي (GAP) أحد أنواع جهود التفاعل بين الذرات الشائعة المُستخدَمة في التعلّم الآلي، [5] [6] [7]، والذي يجمع بين مُعرّفات مُختصرة للبيئات الذرية المحلية [8] وانحدار ^{العمليات الغاوسية [ 9 ] لتعلّم سطح طاقة الوضع} لنظام ^{مُعطى آليًا .} حتى الآن ^{، استُخدم إطار} عمل GAP بنجاح لتطوير عدد من جهود التفاعل بين الذرات المُستخدَمة في التعلّم الآلي (MLIPs) لأنظمة مُختلفة، بما في ذلك الأنظمة ^{العنصرية} مثل الكربون [ 10 ^{] [ 11 ] ،} والسيليكون [ ^{12 ] ،} والفوسفور [ ^{13 ] ،} والتنغستن [ ^{14 ] ،} بالإضافة إلى ^{الأنظمة مُتعددة المُكوّنات} مثل _{Ge₂Sb₂Te₅} ^[ ₁₅ ^] والفولاذ المقاوم _للصدأ الأوستنيتي Fe₇Cr₂Ni _{[ 16} ] ^.

كان من أبرز عيوب الشبكات العصبية متعددة الطبقات المبكرة عدم امتلاكها خاصية التباين الذاتي عند دوران وانعكاس البنى الذرية، ما يعني أن التنبؤات قد تتغير تبعًا لكيفية توجيه الجزيء في الفضاء. ابتداءً من عام 2021 تقريبًا، عالجت فئة جديدة من النماذج هذه المشكلة من خلال دمج خاصية التباين الذاتي مباشرةً في طبقات تمرير الرسائل باستخدام التوافقيات الكروية والتمثيلات غير القابلة للاختزال. ومن الأمثلة البارزة على ذلك NequIP ^{[ 17 ]} (2021)، وMACE ^{[ 18 ]} (2022)، وGemNet-OC ^{[ 19 ]} (2022). وقد أثبتت هذه البنى المتباينة ذات الكفاءة العالية في استخدام البيانات ودقتها الفائقة مقارنةً بسابقاتها، وأصبحت النموذج السائد لشبكات MLIP عالية الدقة.

كانت نماذج MLIPs المبكرة خاصة بنظام معين، حيث تم تدريبها على بضعة آلاف من هياكل مادة واحدة. حدث تحول كبير مع إنشاء مجموعات بيانات كبيرة ومتنوعة كيميائيًا، مما أتاح نماذج يمكن تعميمها عبر العديد من العناصر وبيئات الترابط ومجالات التطبيق - ما يسمى بنماذج MLIPs العالمية.

كان مشروع المحفز المفتوح ^{[ 20 ]} (OC20 ^{[ 21 ]} ، OC22 ^{[ 22 ]} ) محركًا رئيسيًا ، وهو ثمرة تعاون بين Meta AI (FAIR) وجامعة كارنيجي ميلون، أُطلق عام 2020. يضم OC20 ما يقارب 1.3 مليون عملية استرخاء باستخدام نظرية الكثافة الوظيفية (DFT) عبر 82 عنصرًا، مصممًا لتسريع اكتشاف المحفزات لتطبيقات الطاقة المتجددة. وكان من أوائل مجموعات البيانات الكبيرة بما يكفي لتدريب الشبكات العصبية الرسومية (GNNs) التي تُعمم على أنظمة كيميائية متنوعة، وقد أرست معيارًا مرجعيًا واسع الاستخدام في هذا المجال. وفي وقت لاحق، طبقت مجموعة بيانات أخرى، هي Open Direct Air Capture (OpenDAC 2023 ^{[ 23 ]} وOpenDAC 2025 ^{[ 24 ]} )، النهج نفسه على احتجاز الكربون، موفرةً قاعدة بيانات حاسوبية ضخمة للأطر المعدنية العضوية ومرشحي المواد الماصة الذين تم تقييمهم لاحتجاز ثاني أكسيد الكربون، تم إنشاؤها باستخدام ما يقارب 400 مليون ساعة معالجة مركزية من حسابات الكيمياء الكمية بالتعاون مع معهد جورجيا للتكنولوجيا .

كشفت مجموعات البيانات هذه عن تحدٍ جديد: كانت بنى الشبكات العصبية الرسومية الأكثر فعالية لمحاكاة الذرات تستهلك ذاكرة كبيرة، لأنها تُحاكي التفاعلات المعقدة بين ثلاثيات أو رباعيات الذرات، مما يُصعّب توسيع حجم النموذج. وقد عالجت تقنية التوازي الرسومي ، التي قدمها سريرام وآخرون (مؤتمر ICLR 2022) ^{[ 25 ]} ، هذه المشكلة من خلال توزيع رسم بياني واحد للإدخال على وحدات معالجة رسومية متعددة - وهي استراتيجية مختلفة عن التوازي البياني (الذي يوزع أمثلة التدريب) أو التوازي النموذجي (الذي يوزع الطبقات). وقد مكّن هذا من تدريب الشبكات العصبية الرسومية بمئات الملايين إلى مليارات المعلمات لأول مرة.

انطلاقًا من هذه الأسس، أطلقت Meta FAIR النموذج العالمي للذرات (UMA) ^{[ 26 ]} في عام 2025، والذي تم تدريبه على ما يقارب 500 مليون بنية ذرية ثلاثية الأبعاد فريدة تشمل الجزيئات والمواد والمحفزات - وهي أكبر عملية تدريب حتى الآن لنموذج متعدد التعلم الآلي (MLIP). وقدّم UMA بنية "مزيج الخبراء الخطيين" (MoLE)، مما مكّن نموذجًا واحدًا من التعلم من مجموعات البيانات المُولّدة بواسطة رموز وإعدادات مختلفة لنظرية الكثافة الوظيفية (DFT) دون تكلفة استدلالية كبيرة. ويُضاهي هذا النموذج أو يتفوق على النماذج المتخصصة في مجالات التحفيز والمواد والمعايير الجزيئية دون الحاجة إلى ضبط دقيق خاص بكل مهمة، وقد وُصف بأنه يُمثّل نقطة تحول في هذا المجال، حيث يُشير إلى مرحلة ما قبل وما بعد UMA.

اكتشاف المحفزات: ساهمت برامج المحاكاة متعددة المتغيرات (MLIPs) بشكل كبير في تسريع الفحص الحاسوبي للمحفزات غير المتجانسة، وذلك باستبدال عمليات الاسترخاء المكلفة باستخدام نظرية الكثافة الوظيفية (DFT) بنماذج بديلة سريعة تعتمد على الشبكات العصبية. ويستهدف مشروع المحفز المفتوح (Open Catalyst Project) هذا التطبيق تحديدًا، بهدف اكتشاف محفزات جديدة لإنتاج الهيدروجين الأخضر وتفاعلات الطاقة المتجددة الأخرى.

احتجاز الكربون: يطبق مشروع OpenDAC نماذج MLIPs الشاملة لفحص المواد الماصة لالتقاط ثاني أكسيد الكربون مباشرة من الهواء، وهي تقنية أساسية للتخفيف من آثار تغير المناخ . يتيح الفحص المُسرّع بالذكاء الاصطناعي تقييم عدد أكبر بكثير من المواد المرشحة مقارنةً بأساليب DFT التقليدية.

اكتشاف الأدوية والتصميم الجزيئي: تُستخدم نماذج MLIPs بشكل متزايد في الأبحاث الصيدلانية لنمذجة التكوينات الجزيئية وطاقات الارتباط. توفر مجموعة بيانات Open Molecules 2025 (OMol25) ^{[ 27 ]} ، التي أصدرتها Meta FAIR في عام 2025، حسابات عالية الدقة لمجموعة كبيرة من الأنظمة الجزيئية لدعم هذا الاستخدام.

اكتشاف المواد: تُمكّن البوليمرات متعددة الطبقات الشاملة من إجراء فحص عالي الإنتاجية للمواد غير العضوية الجديدة، بما في ذلك إلكتروليتات البطاريات وأشباه الموصلات والموصلات الفائقة، من خلال التقدير السريع للاستقرار والخصائص عبر مساحات كيميائية واسعة.