كشف فريقٌ من الباحثين في جامعة برلين الحرة Freie Universität Berlin عن تطويرهم لنموذج تعلم عميق قادر على حل مشاكل جوهرية في مجال الكيمياء الكمومية.
حول الخبر
أعلن فريقٌ من الباحثين في جامعة برلين الحرة عن تطويرهم لآليةٍ مبنية على الذكاء الاصطناعيّ من أجل حساب الحالة القاعية Ground State لمعادلة شرودينجر في الكيمياء الكمومية.
تهدف الكيمياء الكمومية إلى توقع الخواص الكيميائية والفيزيائية للجزيئات بالاعتماد على توضع وترتيب ذراتها في الفراغ، بما يُساهم بتجنب التجارب المخبرية التي تتطلب موارد عديدة فضلاً عن الوقت الطويل اللازم لتنفيذها. من حيث المبدأ، يُمكن إجراء ذلك – أي معرفة الخواص الكيميائية والفيزيائية – عبر حل معادلة شرودينجر، إلا أن تطبيق ذلك على أرض الواقع أمرٌ معقد للغاية، وكشفت كل المحاولات السابقة عن استحالة إيجاد حل دقيق وذو كفاءة حوسبية عالية بنفس الوقت، إلا أن الفريق في جامعة برلين الحرة تمكن من تحقيق ذلك عبر تطويرهم لنموذج تعلم عميق الذي يستطيع إنجاز مستوى غير مسبوق من الدقة والكفاءة الحاسوبية.
تمكن الذكاء الاصطناعيّ من تغيير الكثير من الجوانب العلمية والتقنية، من مجال الإبصار الحاسوبي Computer Vision حتى مجال علم المواد Material Science، ويعتقد البروفيسور فرانك نويه Frank Noe – قائد الفريق البحثي في جامعة برلين الحرة – أن طريقتهم الجديدة ستترك أثراً عميقاً على تطوّر مجال الكيمياء الكمومية.
معادلة شرودينجر والدالة الموجية
تُعتبر الدالة الموجية Wave Function إحدى الخواص الرياضية الهامة في مجال الكيمياء الكمومية وكذلك بالنسبة لمعادلة شرودينجر، وذلك بسبب فضلها في تحديد سلوك الإلكترونات ضمن الجزيئات، وبسبب كونها كيان متعدد الأبعاد High-Dimensional Entity فإنه من الصعب تحديد كل المتغيرات التي تُفسر كيفية تأثير الإلكترونات المنفردة على بعضها البعض، ولهذا السبب اتجهت الكثير من الطرق في مجال الكيمياء الكمومية إلى تحديد الطاقة التي يمتلكها جزيء معين بدلاً من محاولة حساب الدالة الموجية، وحتى بهذه الحالة سيتوجب على الباحثين إجراء تقريبات رياضية معينة بما سيُساهم بالنتيجة بالحد من جودة ودرجة دقة توقع النموذج المستخدم.
تقوم نماذج أخرى في مجال الكيمياء الكمومية بالتعبير عن الدالة الموجية عبر استخدام عددٍ كبيرٍ جداً من البُنى الرياضية البسيطة، وتعاني مثل هكذا نماذج من درجة تعقيد كبيرة ما يجعلها فعالة فقط من أجل دراسة حالة بضع ذرات. ويقول البروفيسور يان هيرمان أحد المشاركين في البحث الجديد بأن أكبر الإنجازات في مجال الكيمياء الكمومية يمكن بقدرة الباحثين على تجنب المقايضة التقليدية ما بين دقة الحسابات والكفاءة الحاسوبية، وهو يجد أن نموذجهم الجديد يوّفر دقة غير مسبوقة بالتوازي مع كلفة حوسبة مقبولة.
نموذج باولي نت
يُمثل نموذج التعلم العميق الذي قام البروفيسور فرانك نويه وفريقه بتطويره وسيلةً جديدة للتعبير عن الدالة الموجية للإلكترونات، ويوّضح فرانك نويه آلية عمل نموذجهم الجديد واختلافه عن الطرق السابقة التي تعتمد على مكوّنات رياضية بسيطة من أجل تشكيل الدالة الموجية؛ تقوم الشبكة العصبونية الاصطناعية التي طوّرها الفريق البحثي بتعلم كيفية الكشف عن الأنماط المعقدة التي تُفسر المواضع المحتملة للإلكترونات حول نواة الذرة. ويقول البروفيسور فرانك أن أحد الخواص الغريبة للدالة الموجية للإلكترونات هي بعدم تناظرها، وهذا يعني أنه عندما يحصل تبادل إلكترونين يجب أن تتغير إشارة الدالة الموجية، وهو الأمر الذي توّجب عليهم تضيمنه في نموذج التعلم العميق الخاص بهم. تُعرف هذه الخاصية في مجال الفيزياء الكمومية بمبدأ باولي في الاستبعاد Pauli’s Exclusion Principle وهو ما دفعهم لتسمية نموذجهم الجديد باسم باولي نت PauliNet.
بالإضافة لمبدأ باولي في الاستبعاد، تمتلك الدالة الموجية خصائص فيزيائية أخرى، وأحد أهم أسباب نجاح نموذج باولي نت هو قدرته على تضمين هذه الخصائص ضمن شبكة التعلم العميق، بدلاً من ترك النموذج لوحده ليقوم باستنتاج هذه الخصائص عبر تحليل البيانات التي تدخل إليه، ويعتقد فرانك نويه أن تضمين مفاهيم الفيزياء داخل نموذج الذكاء الاصطناعيّ هو أمرٌ أساسيّ لتحسين قدرة النموذج على إجراء توقعاتٍ دقيقة.
لا يزال هنالك الكثير من التحديات التي يجب تخطيها قبل أن يكون النموذج الجديد جاهزاً للاستخدام في التطبيقات الصناعية، ويقول القائمون على البحث أنه بالرّغم من تصنيف نموذجهم في خانة الأبحاث الأساسية Fundamental Research إلا أنه يمثل وسيلةً جديدة لحل مشكلةٍ قديمة في مجال الجزيئات وعلوم المواد.
تم نشر نتائج البحث الجديد ضمن ورقة علمية في دورية نيتشر للكيمياء Nature Chemistry.
تعليق واحد