ابتكار جديد في علوم المواد: شبكة جراف متعددة المستويات لتعزيز توقعات خصائص البلورات

تظل توقعات خصائص البلورات أحد أبرز التحديات في علوم المواد الحاسوبية، حيث تعتمد دقة هذه التوقعات على النموذج المستخدم في تلخيص البيانات. في ظل تطور تقنيات التعلم الآلي، أظهرت الشبكات العصبية الجرافية (Graph Neural Networks) مثل CGCNN، MEGNet، ALIGNN، وSchNet أداءً قويًا، لكنها غالباً ما تركز على تمثيل البلورات على المستوى الذري.

لكن ما يعوق دقة هذه النماذج هو أنها تتجاهل الأجسام التنسيقية (Coordination Polyhedra) التي تعد وحدات بنائية هامة تشكلها الذرات وجيرانها. لمواجهة هذا القصور، تم اقتراح شبكة الجراف التنسيقية (Coordination Polyhedron Graph Network - CPGN) التي تتبنى نهجاً متعدد المستويات لتعلم التمثيلات الذرية، الروابط، والأجسام التنسيقية.

تقوم شبكة CPGN بإنشاء ثلاث جرافات متداخلة: جرافة ذرات ترمز للمعلومات العنصرية والروابط، جرافة خطية تأسر التفاعلات الزاوية، وجرافة الأجسام التنسيقية تصف البيئات المحلية المستندة إلى وحدات Voronoi من خلال علاقات التشارك في الزوايا، والحواف، والوجوه. ويُضاف للوصف الجيولوجي عناصر ذات معنى فيزيائي لكل جسم تنسيقي.

باستخدام آلية تبادل رسائل متداخلة مع انتباه ثنائي الاتجاه، تتمكن CPGN من تحسين نقل المعلومات عبر المستويات الهيكلية المختلفة. وقد أظهرت التقييمات الشاملة على مجموعات بيانات مثل Materials Project، JARVIS-DFT، وQM9 أن CPGN تتفوق على نماذج الشبكات العصبية الجرافية الحالية حيث تحقق متوسط ​​خطأ لطاقات التكوين بلغ 0.060 eV/atom ومتوسط ​​خطأ لفجوة النطاق بـ 0.292 eV على مجموعة بيانات Materials Project.

تسجل CPGN أيضًا توقعات متعددة الخصائص تنافسية على JARVIS-DFT وتقدم توقعات متفوقة لـ HOMO على QM9. تشير النتائج إلى أن النمذجة الصريحة للأجسام التنسيقية تعزز من تعلم تمثيل البلورات وتتيح توقعات دقيقة وقابلة للتفسير بشكل فيزيائي لخصائص المواد.

هذا التطور المزدهر في عالم علوم المواد يعد بمثابة خطوة جديدة تحمل بين طياتها إمكانيات واسعة لتحسين الفهم والتطبيقات التكنولوجية في هذا المجال.