الوقت المطلوب لحساب سلوك كمي لـ 100 إلكترون بطريقة قسرية يتجاوز عمر الكون.
تحتوي جزيئة دوائية على آلاف الإلكترونات، ومواد البطارية أكثر من ذلك. محاكاتها هي متطلب أساسي لتطوير الأدوية والبطاريات والرقائق.
فريق أنيمانا أناندكومار من معهد كاليفورنيا للتقنية نشر ورقة بحثية في 24 أغسطس باستخدام نموذج ذكاء اصطناعي لخفض تعقيد هذه الحسابات من المستوى التكعيبي إلى شبه الخطي.
https://x.com/AnimaAnandkumar/status/2092031815448248594
النتيجة مذهلة للغاية: تم إجراء محاكاة عيب معدني يحتوي على 82500 إلكترون على وحدة معالجة رسومية واحدة، بينما استخدمت الحسابات المماثلة في عام 2019 حوالي 7800 وحدة معالجة رسومية.
عُقدة استمرت 60 عامًا
الطريقة الحسابية الأكثر استخدامًا في مجال الكيمياء الكمومية تُسمى نظرية دالة الكثافة (DFT)، وهي نظرية حائزة على جائزة نوبل، ولا يمكن الاستغناء عنها في فحص الأدوية وتصميم المحفزات وتطوير مواد البطاريات.
المشكلة هي البطء: مع كل زيادة في حجم النظام، يزداد حساب التحميل بمعدل مكعب — إذا تضاعف عدد الإلكترونات 10 مرات، يزداد حساب التحميل 1000 مرة.
لقد ظل الفيزيائيون يبحثون عن طرق لتسريعها على مدار 60 عامًا، لكن دون تقدم جوهري.
حاول الذكاء الاصطناعي طريقتين.
إحدى الأفكار هي جعل النموذج يتنبأ بالنتيجة النهائية مباشرةً وفي خطوة واحدة.
الأداء جيد داخل التوزيع التدريبي، لكن القدرة على التعميم ضعيفة: بمجرد أن يتجاوز العدد الجزيئي ما تم رؤيته في مجموعة التدريب، يفقد الخطأ السيطرة.
أظهرت الدراسة التجريبية أنه عند التعميم من الجزيئات الصغيرة إلى جزيئات دوائية، يرتفع خطأ النموذج المباشر من أقل من 1% إلى حوالي 10%، وأقصى حد بلغ 41%.
فكرة أخرى تتبع طريق الفيزيائيين القدماء، وتجعل الذكاء الاصطناعي يتعلم خريطة عكسية.
هذه الطريقة غير مستقرة رياضيًا، وفي التجارب المقارنة في الورقة البحثية، انفصلت جميع الحسابات بعد بضع تكرارات، وفشلت تمامًا.
كرر التفكير كسلسلة من الخطوات بدلاً من التخمين في خطوة واحدة
غيرت هذه الورقة اتجاهها.
عملية حساب DFT هي عملية تكرارية: في كل دورة، تُعطى مجموعة من الشروط المدخلة، ويُحسب كثافة الإلكترونات، ثم تُستخدم الكثافة لتحديث الشروط المدخلة، مع التكرار حتى استقرار النتائج.
تعترض الطرق التقليدية في كل دورة تكرار بسبب الحاجة إلى حل حسابي ضخم، وهذه الخطوة ذات تعقيد مكعب.
فريق أناندكومار يفعل ذلك: استخدام الذكاء الاصطناعي لاستبدال هذه الخطوة.
تدريب مشغل فورييه العصبي (FNO) ليتعلم التعيين الأمامي "بالنظر إلى الشروط المدخلة، أخرج كثافة الإلكترونات المقابلة"، مع خفض التعقيد الحسابي من O(N³) إلى O(N log N).
ثم أعد إدخال النموذج في دورة التكرار الأصلية، واترك الخطوات الأخرى كما هي.
https://x.com/AnimaAnandkumar/status/2090125110309204371
يمكن فهم ذلك على النحو التالي: النموذج التنبؤي المباشر يعادل طلب من النموذج اللغوي الكبير إعطاء الإجابة النهائية مباشرة لسؤال صعب، وهو ما يعمل جيدًا مع الأسئلة البسيطة ولكنه عرضة للأخطاء مع الأسئلة الصعبة.
Kohn-Sham FNO يعادل سلسلة التفكير التي يقوم بها النموذج أثناء الاستدلال، مع التقدم خطوة بخطوة، حيث يمكن لكل خطوة التحقق من نفسها، وإذا حدث خطأ، فستصححه التكرارات التالية.
هذا التصميم يوفر أيضًا ميزة لا يمتلكها النموذج التنبؤي المباشر: صمام أمان.
إذا تم دفع النموذج خارج نطاق قدراته، فإن التكرارات ستتفرق، ويعلم الباحثون على الفور أن النتائج غير موثوقة.
المحاولة الأولى للتجربة على عيوب المغنيسيوم في الورقة البحثية أكدت هذا الأمر: عند حسابها مباشرة باستخدام نموذج تدريب عام مسبقًا، انفصلت جميع الحسابات فورًا — والانفصال نفسه هو إنذار.
يقدم النموذج التنبؤي إجابة مباشرة، ولا يمكنك التحقق من صحتها أو خطئها.
تم استخدام 8504 بنية فقط للبيانات التدريبية، حيث يعالج نموذج واحد الجزيئات والمواد الصلبة مع تغطية الصفوف الخمسة الأولى من الجدول الدوري.
هذا يعود إلى تصميم فريق لنسخة غير متغيرة للنطاق FNO: حيث تشارك أنظمة بأحجام مختلفة نفس مجموعة المرشحات المُتعلمة، ويستخدم نفس النموذج للجزيئات الصغيرة والبلورات الكبيرة.
عند التعميم على جزيئات كبيرة من الأدوية غير الموجودة في مجموعة التدريب، يكون خطأ الكثافة لـ Kohn-Sham FNO هو 2.23%، بينما يكون النموذج المتوقع مباشرة 9.97%.
كلما زاد حجم الجزيء، زاد الفرق وضوحًا: عند 45 ذرة ثقيلة، يرتفع خطأ التنبؤ المباشر إلى 41٪، بينما يظل خطأ Kohn-Sham FNO عند 4٪.
1 وحدة معالجة رسومات، 80,000 إلكترون
قام الفريق بتأكيد واسع النطاق لهيكل العيوب في المغنيسيوم.
في عام 2019، أجرت دراسة مرشحة لجائزة ACM غوردون بيل حسابات DFT كاملة لـ 6164 ذرة مغنيسيوم، باستخدام حوالي 7800 وحدة معالجة رسومية NVIDIA V100 على سوبركمبيوتر Summit.
في المقابل، أكمل أحدث نموذج Kohn-Sham FNO على وحدة NVIDIA B300 واحدة حساب 8250 ذرة و82500 إلكترون تكافؤي، مع تقارب كامل.
تم قياس مؤشر التكبير بقيمة 1.03 (قريب من الخطية المثالية)، بينما كانت الطريقة التقليدية 3.37 (تكعيبية).
لا تُعد مقارنة متكافئة من حيث الأجهزة بين 1 وحدة B300 و7800 وحدة V100، لكن مؤشر التوسع لا يتأثر بالأجهزة: واحد خطي تقريبًا، والآخر مكعب، وكلما زاد حجم النظام، زادت الفجوة وعدم قابلية العكس.
في نفس يوم نشر الورقة، أعلنت أناندكومار عن تأسيس شركة المحاكاة الفيزيائية بالذكاء الاصطناعي Accelerated Understanding، ونشرت رويترز تقريراً لاحقاً.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
وفقًا لما ذكرته على X، فإن النماذج الذكية الاصطناعية التي تدربتها الشركة تحاكي الظواهر الفيزيائية في فضاء رباعي الأبعاد، مع استدلال سياقي يتجاوز 5 تريليونات.
https://x.com/AnimaAnandkumar/status/2092236528898675014
حاليًا، تعلم Kohn-Sham FNO مرحلة واحدة فقط من عملية الحساب، ولا يزال يتطلب خطوة معالجة لاحقة لإكمال حساب الطاقة.
لكن المسار واضح بالفعل: الذكاء الاصطناعي لا يستبدل الفيزياء، بل الخطوة الأكثر تكلفة في الحسابات الفيزيائية وهي العمليات المتكررة.
يخطط الفريق لملء المراحل المتبقية في الخطوة التالية، مما سيتيح حذف المعالجة اللاحقة. المستقبل واعد.
صورة جماعية لمؤسسي الفريق
المراجع: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
هذا المقال من حساب WeChat "New Intelligence Yuan"، المؤلف: ASI Revelation؛ التحرير: Mark