تُعتبر عملية تحديد أقل تكوين طاقة لنموذج الامتصاص (Adsorption) أمراً حيوياً عند نمذجة الحفز غير المتجانس (Heterogeneous Catalysis). ومع ذلك، فإن الاستكشاف الشامل لهذه التكوينات باستخدام حسابات ab initio يمثل عبئاً كبيراً على مستوى الحوسبة. هنا يأتي دور تقنيات الذكاء الاصطناعي في تسريع هذه العمليات.

تعاني مجالات الطاقة التي تعتمد على تقنيات الحقول القوية لتحسين البنية (MLFFs) من حاجة ماسة إلى آليات تصحيح فعالة، حيث أن النموذج الذاتي المفتوح (Open-loop LLM) يفتقر إلى آلية ردود الفعل المستندة إلى الفيزياء لتصحيح التخمينات غير الدقيقة. لهذا السبب، يقدّم الباحثون نظام AdsMind (الاكتشاف الذاتي لتكوينات الامتصاص باستخدام الذكاء الاصطناعي وردود الفعل من الاسترخاء) كمقترح ثوري.

يعمل AdsMind كنظام متعدد الوكلاء مغلق الحلقة، مما يتيح له التصحيح الذاتي من خلال ردود الفعل من الاسترخاء باستخدام MLFF. وقد حقق هذا النظام، على مدار أربعة نماذج لغوية (LLM)، معدلات نجاح مذهلة تصل إلى 100% و 98.8% في اختبارات AA20 و OCD-GMAE62. بالمقارنة مع أساليب الإحصاء غير المفيدة، يُظهر AdsMind تقليل كبير في تباين طاقة النماذج عبر أساليب متعددة، باستخدام أقل من 5 مرات من استرخاء MLFF لكل حالة.

ولتعزيز موثوقية النتائج، أظهرت دراسات النظرية الوظيفية الكثيفة (DFT) باستخدام VASP/PBE على ستة أنظمة تمثيلية من AA20 أن مخرجات Adsorb-Agent، في النموذج المفتوح، كانت تعاني من أخطاء نوعية في إشارات طاقة الامتصاص للمركبات الجزيئية. بينما احتفظ AdsMind بالإشارات الصحيحة في جميع الحالات المختبرة مع توافق كمي أقرب.

بفضل هذه الميزات، يُعتبر AdsMind منصة مُثلى تدعم مسارات الكيمياء الذاتية المستندة إلى نظريات الكثافة، مما يُعزز من موثوقية ووضوح العمليات الكيميائية المتقدمة. هل أعجبتكم هذه التقنية؟ شاركونا آراءكم في التعليقات!