شبکه‌های عصبی هموردا و کشف مواد کوانتومی

بن‌بست محاسباتی نظریه تابعی چگالی (DFT) و طلوع یادگیری عمیق هندسی

برای بیش از نیم قرن، علم کشف مواد و داروسازی در حبس یک محدودیت بنیادی محاسباتی قرار داشت: هزینه پردازشی درجه سه و چهار روش‌های کوانتومی سنتی مانند نظریه تابعی چگالی (Density Functional Theory - DFT). حل معادلات شرودینگر برای یک سیستم حاوی چند صد اتم نیازمند روزها اجرای موازی روی ابررایانه‌ها بود و شبیه‌سازی رفتار یک بلور باتری یا دینامیک تاخوردگی پروتئین در مقیاس زمانی واقعی عملاً غیرممکن می‌نمود. امروزه جامعه هوش مصنوعی با توسعه شبکه‌های عصبی گراف هموردا (SE(3)-Equivariant Graph Neural Networks) این دیوار ستبق را به کلی در هم شکست.

در یادگیری عمیق هندسی، اتم‌ها به عنوان گره‌های یک گراف فضایی با بردارهای ویژگی تانسوری (مکان، عدد اتمی، بار موثر و تکانه زاویه‌ای) مدل‌سازی می‌شوند و پیوندهای شیمیایی به مثابه یال‌های وزن‌دار تعریف می‌گردند. اما کلید این موفقیت بی‌نظیر، اصل فیزیکی «هموردایی» (Equivariance) است؛ بدین معنا که اگر ساختار فضایی یک مولکول در فضا بچرخد یا جابه‌جا شود، پیش‌بینی‌های شبکه عصبی برای نیروهای وارد بر اتم‌ها و گشتاور دوقطبی دقیقاً به همان میزان و با همان ماتریس دوران تغییر جهت می‌دهند، بدون اینکه نیازی به آموزش میلیون‌ها حالت تکراری از زوایای مختلف وجود داشته باشد.

این جهش محاسباتی عمیق، مکمل بسیار دقیقی برای رویکردهای تحلیلی صوری به شمار می‌رود؛ همان‌گونه که در مبحث مدل‌های چندوجهی عصبی-نمادین و اثبات فرمال بدون توهم اشاره کردیم، تکیه بر قوانین سفت‌وسخت تقارن فیزیکی مانع از حدس‌های تخیلی مدل و نقض پایستگی انرژی در شبیه‌سازی‌ها می‌شود.

معماری تانسوری SE(3) و پیش‌بینی نیروهای کوانتومی در مقیاس میلی‌ثانیه‌ای

جدیدترین پیاده‌سازی‌های دوران کنونی نظیر هسته ارتقایافته NequIP v2 و شبیه‌ساز TorchMD-NET با بهره‌گیری از ضرایب کلمبش-گوردان (Clebsch-Gordan Coefficients) و هارمونیک‌های کروی، قادر به تبادل پیام‌های تانسوری مرتبه بالا میان خوشه‌های اتمی هستند. این شبکه‌ها نه تنها سطوح انرژی پتانسیل (PES) را با دقتی معادل کسر کوچکی از میلی‌الکترون‌ولت بر اتم پیش‌بینی می‌کنند، بلکه مشتق اول این سطح انرژی را که همان بردار نیروی منفی وارد بر هر هسته است، به طور کاملاً پیوسته و دیفرانسیل‌پذیر محاسبه می‌نمایند.

در بنچمارک‌های جامع Materials Project و Open Catalyst دوران کنونی این پلتفرم‌های هوش مصنوعی موفق شدند شبیه‌سازی دینامیک مولکولی یک کاتالیزور اکسیداسیون آب با پنج میلیون اتم را در مقیاس ۲۰۰ میکروثانیه به اجرا درآورند؛ فرآیندی که با محاسبات کلاستر DFT نیازمند بیش از ۳۰۰ سال زمان پردازش پیوسته بود. این یعنی دستیابی به ضریب شتاب صدهزار برابری با حفظ دقت آزمایشگاهی اب‌اینیشیو.

چنین دقتی در مدل‌سازی ساختارهای زیست‌مولکولی و اتمی، ارتباط مستقیمی با پیشرفت‌های رخ‌داده در مدل‌های انتشار دی‌نوو پروتئین و سنتز آنزیمی بلادرنگ DNA دارد؛ جایی که پایداری پیوند میان مولکول‌های درمانی و پاکت‌های فعال پروتئینی باید در کسری از ثانیه اعتبارسنجی گردد.

کشف شتابان کاتالیزورهای هیدروژن، الکترولیت‌های جامد و ابررساناهای دمای اتاق

تأثیر عملی این مدل‌های هموردا امروزه صنعت جهانی انرژی را شگفت‌زده ساخته است. در طول سه ماه گذشته، کنسرسیوم‌های تحقیقاتی موفق به کشف ۳۸ ساختار بلوری کاملاً جدید از مواد ترموالکتریک و الکترولیت‌های جامد نارسانا بر پایه سولفید-هالید شدند که رسانایی یونی خارق‌العاده‌ای در دمای محیط از خود نشان می‌دهند. این کشفیات مسیر تولید باتری‌های خودروهای برقی بدون خطر آتش‌سوزی را هموار کرده‌اند.

همچنین در حوزه برداشت انرژی تجدیدپذیر، غربال‌گری هوشمند میلیاردها ترکیب استوکیومتری پروسکایتی به شناسایی ترکیبات هترواستراکچری با طول عمر فوتونی بالا منجر شد؛ کشفیاتی که همگام با فناوری‌های بررسی‌شده در سلول‌های خورشیدی تاندم پروسکایت-سیلیکون و پوشش‌های نانو-الماسی راندمان برداشت الکتریسیته از نور خورشید را به سطوحی تاریخی رسانده است.

سامانه‌های هوش مصنوعی مولد با تلفیق مدل‌های انتشار در فضای کریستالوگرافی (Crystal Diffusion Models) و قیدهای تقارن گروه فضایی، مستقیماً شبکه‌های براوه پایدار را پیشنهاد می‌دهند که پس از ارزیابی سریع در شبکه SE(3)، برای سنتز به بازوهای رباتیک آزمایشگاهی تحویل می‌گردند.

همگرایی فیزیک بنیادی و هوش مصنوعی؛ عصر آزمایشگاه‌های خودمختار سنتز مواد

دوران کنونی نقطه عطفی در تاریخ علم مواد است. ما از دوران آزمون‌وخطای تجربی صدساله که بر شانس و بصیرت فردی دانشمندان متکی بود، به عصر «سنتز هدایت‌شده با هوش مصنوعی فیزیک‌پایه» وارد شده‌ایم. اکنون کدهای محاسباتی نه یک ابزار کمکی جانبی، بلکه قطب‌نمای اصلی هدایت مهندسی متالورژی و فیزیک نانو محسوب می‌شوند.

با ادغام کلاسترهای محاسباتی GPU-بومی با الگوریتم‌های هموردای تانسوری، بشر توانایی مهندسی ماده را در مقیاس تک‌تک اتم‌ها به دست آورده است. این دستاورد نویدبخش تحقق ابررساناهای فشار محیطی، غشاهای دیالیز فوق‌بهینه و آلیاژهای فلزی با چگالی سبک‌تر از آلومینیوم و مقاومتی فراتر از تیتانیوم در آینده‌ای بسیار نزدیک است.