تعد السرعة والدقة من أبرز التحديات التي تواجه الباحثين في علوم الكيميا في العصر الحديث، خاصة عندما يتعلق الأمر بتطوير نماذج حسابية فعالة. في هذا السياق، تم تقديم تقنية جديدة تُعرف باسم extsc{dm-PhiSNet}، والتي تعتمد على نموذج متكافئ يتنبأ بالمصفوفات الكثيفة المخفضة ذات الإلكترون الواحد (1-RDM) مباشرة من الهندسات الجزيئية باستخدام أساس المدارات الذرية (AO).

تتميز عملية تدريب النموذج بجدول زمني ذي مرحلتين حيث يتم تقديم أهداف مدفوعة بالفيزياء بشكل تدريجي. تساعد هذه التقنية على تحسين النتائج باستخدام كتلة تحليلية خفيفة تعمل على تعزيز حفظ عدد الإلكترونات ودفع المصفوفات الكثيفة نحو العمودية العامة في معيار AO.

تم اختبار هذه الطريقة على ستة أنظمة مغلقة الجShell: الماء (H$_2$O)، الميثان (CH$_4$)، الأمونيا (NH$_3$)، الهيدروفلورايد (HF)، الإيثانول، والنيترات (NO$_3^-$). ونتيجة لذلك، أثبتت 1-RDMs المُحسنة أنها تُقلل بشكل كبير من خطوات التكرار، حيث وصلت نسبة التقليص إلى 49--81% مقارنةً بالتقديرات التقليدية.

لكن الفائدة لا تتوقف عند هذا الحد، حيث تظهر 1-RDMs التي تم تعلمها دقة عالية في حساب الطاقات الإجمالية وقوى هيلمان-فاينمان دون الحاجة لأي إشراف على القوى، مما يشير إلى أن النموذج يلتقط هيكل الإلكترونيات بشكل كيميائي معبر. هذه النتائج تدل على أن الجمع بين التعلم المتكافئ وفرض القيود التحليلية يمثل طريقة بسيطة وعامة للحصول على تهيئات جاهزة للمحلل مما يؤدي إلى تسريع سير العمل في SCF.

لذا، كيف ترى تأثير نماذج مثل extsc{dm-PhiSNet} على مستقبل أبحاث الكيميا؟ شاركونا آراءكم في التعليقات!