تعتبر المواد البلورية من العناصر الأساسية التي تدخل في العديد من التطبيقات التكنولوجية، إلا أن اكتشافها يمثل تحديًا كبيرًا. تُعتبر طرق التنبؤ ببنية البلورات (Crystal Structure Prediction - CSP) ضرورية في السعي لتسريع هذه العملية، حيث يحدد التركيب البلوري خصائص المواد.

لقد تم التعامل مع CSP من منظور تحسين تركيبي، مع التركيز على تخصيص الذرات ضمن شبكة محددة مسبقًا، بهدف تقليل الطاقة التفاعلية بينها. بينما تقدم طرق التحسين الرياضي الدقيقة حلولًا مضمونة، إلا أن تكلفتها الحسابية تصبح مرتفعة بشكل غير معقول عند التعامل مع حالات كبيرة، حيث يتسع فضاء تكوين الذرات بشكل سريع، خصوصًا في حالة غياب قيود التناظر الإضافية.

في بحثنا الجديد، نقدم نهجًا يعتمد على الشبكات العصبية البيانية (Graph Neural Networks - GNNs) لتحدي تخصيص الذرات، ما يُمكّن من التنبؤ ببنية البلورات بطريقة فعّالة. من خلال استخدام الرسوم البيانية الموسعة، نستطيع بناء رسوم بيانية حسابية تمثل مواقع محددة بدقة، مما يسمح بالتقاط التفاعلات قصيرة وطويلة المدى بين الذرات.

تم تطبيق طريقة Gumbel-Sinkhorn لضمان التركيب الكيميائي المطلوب للهياكل الناتجة. وقد أظهرت نتائج الاختبارات أن نهجنا يتفوق على الأطُر التقليدية، بل ويتنافس مع حلول التحسين التجارية عبر مجموعة متنوعة من التركيب الكيميائي.

هذا التطور يتيح لنا استغلال بنية البنية التحتية المتزايدة لأجهزة GPU لمواجهة التحديات التركيبية inherent in CSP، ويمهّد الطريق أمام آفاق أكبر تتجاوز القدرات الحالية في هذا المجال الحيوي.

هل تعتقدون أن هذا الابتكار سيغير قواعد اللعبة في اكتشاف المواد؟ شاركونا آراءكم في التعليقات!