تنبؤ هاملتونيان باستخدام مشغل عصبي: خطوة ثورية في نظرية الكثافة الوظيفية!

في عالم بحث علم المواد، يعد تنبؤ هاملتونيان (Hamiltonian) من العمليات الحيوية التي تساعد في فهم ديناميكيات الجزيئات. هنا يأتي الابتكار الجديد، HamEvo، المتمثل في مشغل عصبي (Neural Operator) يهدف إلى تسريع عملية التنبؤ لهذا الهاملتونيان المعقد.

تعتمد HamEvo على التعلم الآلي (Machine Learning) لزيادة كفاءة نظرية الكثافة الوظيفية (Density Functional Theory)، حيث توفر إمكانية الاحتفاظ بالمدارات الجزيئية، مستويات الطاقة، والخصائص الإلكترونية التي قد تكون أدوات الطاقة فقط غير قادرة على تمثيلها بدقة.

الهدف من HamEvo ليس فقط تحقيق توافق على مستوى العنصر مع الهاملتونيان المتقارب، بل أيضاً تحديد الفضاء المشغول الذي يؤثر على طاقات المدارات والكثافات. تمت برمجة HamEvo لتعلم التحديث الذاتي المتسق في خطوة واحدة، وعرض الهاملتونيان المتقارب كنقطة ثابتة.

بدأت HamEvo بتدريب مسبق على مسارات ذاتية التوافقية المتوسطة وتمت معايرتها عند الحالة التوازنية بواسطة إشراف مصفوفة الكثافة. أثبتت النتائج من مجموعة بيانات MD17 إلى QMugs المشابهة للدواء، تقليص خطأ الهاملتونيان بنسبة تصل إلى 49% مقارنة بأساليب الانحدار المباشر والعمق المتوازن. كما أنها توقعت طاقات HOMO وLUMO لمجموعات QMugs بأخطاء متوسطة قدرها 0.036 و0.053 eV، مما يقترب من دقة الكيمياء البالغة 1 kcal/mol.

بالإضافة إلى ذلك، تم توسيع قدرات HamEvo لتشمل جزيئات تحتوي على ما يصل إلى 122 ذرة من خلال تحسين بسيط مع 20 تشكيل مرجعي فقط. ومع استخدام عينة الأبعاد الجزيئية الحرارية، تتمكن HamEvo من التقاط تجديد الفجوة HOMO-LUMO المعتمد على درجة الحرارة، متجاوزة التقديرات الخشنة.

فائدة أخرى أساسية لـ HamEvo هي سرعتها، حيث يمكن أن تصل سرعة الاستدلال إلى 242 مرة أسرع مقارنة بأساليب نظرية الكثافة الوظيفية التقليدية.

هذه التطورات المهمة ليست مجرد تقدم تقني، بل تشير إلى بداية عصر جديد في فهم الخصائص الديناميكية للجزيئات، مما يعكس الحاجة المستمرة للتطوير في عالم العلوم والمواد. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.