في عصر الابتكارات التكنولوجية السريعة، يسجل الذكاء الاصطناعي (AI) تقدماً ملحوظاً في تصميم المواد البلورية. ومع ذلك، كانت التحديات المتعلقة باستقرار هذه المواد دائماً عقبة كبيرة. هنا يأتي دور
PhononBench، منصة جديدة تطلق العنان لتقييم فعالية الاستقرار الديناميكي للبلورات المُصممة بطرق ذكاء اصطناعي.

تستخدم PhononBench مجموعة من النماذج المتقدمة، بما في ذلك الشبكات العصبية الرسومية (Graph Neural Networks)، ونماذج الانتشار (Diffusion Models)، ونماذج اللغات الضخمة (Large Language Models)، بهدف تحليل المواد البلورية. بينما تتبع التقييمات التقليدية إطار عمل يعتمد على الاستقرار والفريدية والجدة (S.U.N)، فإنها غالباً ما تركز على المعايير الحرارية التي لا تعكس بشكل كامل الاستقرار الديناميكي الضروري لوجود المادة.

بعد الحسابات المفصلة لطيف الفونونات (Phonon Spectrum)، يمثل الاستقرار الديناميكي أحد المحددات الرئيسية لفرصة تصنيع المادة واستمرارها. ونظراً للتكلفة الحسابية العالية لهذه الحسابات، كان من الصعب تقييم الاستقرار الديناميكي على نطاق واسع.

لهذا السبب، تم تقديم PhononBench، الذي يتمتع بدقة توازي نظرية الكثافة الوظيفية (Density Functional Theory) في توقعات الفونونات لأكثر من 10,000 مادة. هذه المنصة ليست فقط فعالة ولكنها أيضاً قادرة على تحليل استقرار الديناميكي لما يصل إلى 133,838 بنية بلورية تم توليدها بواسطة سبعة نماذج رائدة.

تظهر بيانات PhononBench نقاط ضعف شائعة في النماذج الحالية: حيث أن كل المعايير الموجودة لاستقرار الديناميكي تم تقييمها عند عتبة تردد فونون -0.1 تيراهرتز، مع معدل استقرار ديناميكي متوسط يبلغ فقط 32.15%، بينما النموذج الأفضل أداءً، MatterGen، يحقق فقط 45.05%.

وفي إضافة مثيرة، تم تحديد 32,995 هيكل بلوري مستقر في جميع أنحاء منطقة بريلوان وفقًا لعتبة صارمة -0.001 تيراهرتز. ولتسهيل الوصول، تم إطلاق خدمة ويب توفر توقعات سريعة الفونون عبر الرابط التالي: http://phononbench.cn/. ماذا عنكم، كيف ترون تأثير PhononBench على مستقبل تصميم المواد؟ شاركونا آرائكم في التعليقات!