في عالم المواد وعلم الكيمياء، تعد نظرية الوظيفة الكثيفة (DFT) أداة أساسية لاكتشاف الخامات. لكن كانت الحسابات التقليدية تتطلب مجهودًا بشريًا كبيرًا، بما في ذلك تعديل الخوارزميات عند تعثر النتائج، وضبط الخطط عندما تظهر حقائق غير متوقعة. بينما تساهم الوكالات المعتمدة على نماذج اللغات الكبيرة (LLMs) في عملية التخطيط الأولية، فإنها تترك بقية العملية للتعامل اليدوي مع القواعد المخصصة. ولهذا السبب، تظل هذه العمليات هشة وتتطلب تدخل خبراء التخصص عندما تحدث أعطال أو نتائج غير متوقعة.

هنا تأتي الابتكارات مع **AutoDFT**، الإطار الذي يعتمد على نظام مغلق متعدد الوكلاء والذي يدمج التفكير المنطقي الخاص بنماذج اللغات الكبيرة في كل مرحلة من دورة حياة DFT. يبدأ بسلسلة من الأهداف المحددة، تليها خطط تفصيلية تستند إلى النتائج السابقة. والأهم من ذلك، فإنه يتضمن دورة رصد، استعادة، وتأمل تعمل على تشخيص الأعطال وتعديل الخطة عندما تتطلب الأدلة ذلك.

لقد أظهرنا فعالية هذه الطريقة من خلال اختبارها على مجموعة أدوات VASPBench، التي تتضمن 34 مهمة وأنواع متعددة من حسابات DFT، حيث حققت AutoDFT نجاحًا مذهلاً بنسبة 94.1% في مستوى المهام باستخدام GPT-5.2. بالإضافة إلى ذلك، استخدمنا قواعد بيانات المواد المعروفة حيث أثبتت AutoDFT قدرتها على تقديم توقعات موثوقة للخصائص الإلكترونية والمغناطيسية والطاقة.

مع إغلاق دائرة التخطيط والتنفيذ، يمكن الآن للباحثين الذين ليس لديهم خبرة عميقة في الحوسبة الحصول على نتائج موثوقة تستند إلى مبادئ علمية.

ما رأيكم في هذه التقنية الجديدة؟ هل ترونها كخطوة رائدة في عالم الكيمياء والمواد؟ شاركونا آراءكم.