ثورة الشبكات العصبية: تحسين توقع طيف الضوء للمواد باستخدام الشبكات الرسومية المعادلة

في عالم المواد المتقدمة، تظل القدرة على توقع الطيف الضوئي (Optical Spectra) خطوة حاسمة في استكشاف المواد الجديدة، خاصة لتطبيقات مثل خلايا الطاقة الشمسية. في هذا السياق، جاء دور **الشبكات العصبية الرسومية المعادلة (Equivariant Graph Neural Networks)**، التي ستعيد تعريف كيفية توقع هذه الخصائص بشكل فعّال.

تقليديًا، كانت النماذج المستخدمة تعتمد على طيف ضوئي تم حسابه من مستويات نظرية أقل، أو على ميزات عديمة التدوير، مما يحد من قدرة تلك النماذج على التعبير عن الخصائص الهندسية للمواد. ومع ذلك، من خلال استخدام الشبكات العصبية الرسومية المعادلة، استطاع الباحثون تحسين دقة توقع الطيف الضوئي من خلال نموذج متطور يعرف باسم **GotenNet**.

تم تقييم النموذج الجديد على عدة مجموعات بيانات، بما في ذلك مجموعة حديثة تضم **10,533 بنية** مع طيف ضوئي تم حسابه باستخدام تقنيات **التقريب العشوائي (Random Phase Approximation - RPA)**. وقد أظهرت النتائج أن النموذج المُطور يتفوق على أفضل النماذج الحالية، مع تحقيق أكبر قدر من التحسينات في النطاق 0-8 إلكترون فولت، وهو نطاق مهم لتطبيقات البصريات للأفلام الرقيقة.

إن هذا التطور لا يمثل فقط إنجازاً في نظرية المواد، بل يعد أيضاً خطوة نحو تحسين الكفاءة في البحث عن مواد جديدة، مما يفتح آفاقاً واسعة لمستقبل التكنولوجيا الضوئية والإلكترونية.