اكتشاف أبعاد التعلم في الشبكات العصبية البيانية المستخدمة في علوم المواد!

في عالم الذكاء الاصطناعي، تعتبر الشبكات العصبية البيانية (Graph Neural Networks - GNNs) أداة رئيسية في توقع خصائص المواد. ولكن، هل نستطيع القياس بدقة كيف تعتمد نتائج الأداء على حرية التوجيهات القابلة للتدريب في هذه الشبكات؟

لقد أظهرت دراسة جديدة قدمت في arXiv، أن دقة التنبؤ النهائية ليست سوى جزء من القصة. فمع استخدام تحليل الأبعاد الداخلية للفضاء التلقائي، ابتكر الباحثون طريقة جديدة لتقييم مدى اعتماد أداء GNNs على عدد التوجيهات القابلة للتدريب.

تضمنت هذه الدراسة تدريب نماذج مثل CGCNN، ALIGNN، وDimeNet++ عبر مجموعة من المهام التنبؤية، وقياس كيفية استعادة الأداء عند إعادة توجيه حرية التدريب بشكل مستقل. لفتت نتائج هذه الدراسة الانتباه إلى التباينات التي لا تكشف عنها الأخطاء النهائية وحدها، مشيرة إلى أن بعض المهام مثل تصنيف المواد المعوية تتطلب فقط مساحات فرعية صغيرة لتحسين الأداء، بينما تظهر مهام أخرى، مثل توقع الطاقة التكوينية وفجوة الحزمة، اعتمادية أعلى على تصميم النموذج.

وعلاوة على ذلك، أشارت الدراسات على حجم البيانات إلى أن نماذج فجوة الحزمة تتطلب مساحات فرعية أكبر مع زيادة البيانات التدريبية، في حين كانت استجابات الطاقة التكوينية والثقيلة أكثر استقرارًا. في هذا السياق، يفتح تحليل الفضاء الفرعي العشوائي آفاقًا جديدة لفهم الاستخدام الأمثل لمساحات تحسين GNNs في التعليم الآلي وعلم المواد.