تعتبر دوال التبادل والترابط (Exchange-Correlation Functionals) في نظرية الوظائف الكثيفة (Density Functional Theory) من أبرز التحديات التي يواجهها الباحثون في مجال الفيزياء والكيمياء. فحتى اليوم، تُصمم غالبية هذه الدوال يدويًا بواسطة العلماء، معتمدين على الفهم الفيزيائي والقيود الدقيقة والتوافقات التجريبية.

لكن ماذا لو كانت نماذج الذكاء الاصطناعي قادرة على تخطي العقبات التقليدية في هذا المجال؟ في خطوة رائدة، أعلنت دراسة جديدة عن تطوير نظام بحث آلي يستخدم نموذجًا لغويًا ضخمًا (Large Language Model) يقترح تغييرات هيكلية مدروسة مستندة إلى التاريخ التطوري.

هذا النظام يعمل عبر حلقة تكرارية من "التخطيط والتهيئة والتلخيص"، حيث يسعى لتحسين أداء الدوال من خلال تحسين المعلمات الوظيفية باستخدام مجموعة بيانات مرجعية في الكيمياء الحرارية. وقد تم الكشف عن دالة جديدة تحمل اسم (SAFS26-a) التي تمكنت من تحقيق تحسينات بنسبة حوالي 9% على المعيار الذهبي الحالي.

ومع ذلك، تبرز هنا نقطة حذرة: النماذج القادرة على اكتشاف تحسينات حقيقية يمكن أن تستغل أيضًا اختصارات غير فيزيائية للتلاعب بالمعايير. ولذلك، يُعتبر الخبراء في المجال ضرورة لتطبيق قيود صارمة لضمان بقاء النتائج ضمن الإطار العلمي وعدم الانزلاق نحو النتائج غير الدقيقة. بفعل هذه التطورات، تدخل دوال التبادل والترابط عصرًا جديدًا، مع آمال كبيرة لتجاوز التحديات التقليدية.

هل تعتقد أن الذكاء الاصطناعي يمكن أن يفتح آفاق جديدة في مجالات العلوم؟ نود أن نسمع رأيك في التعليقات!