کشف و طراحی مواد جدید با خواص بهینه، یکی از بزرگترین چالش‌های علم مواد مدرن است. فرآیندهای سنتی مبتنی بر آزمون و خطا، بسیار زمان‌بر و پرهزینه هستند. در دهه‌های اخیر، روش‌های محاسباتی، به‌ویژه یادگیری ماشینی (Machine Learning)، به عنوان ابزاری قدرتمند برای تسریع این فرآیند ظهور کرده‌اند. با این حال، موفقیت مدل‌های یادگیری ماشینی به شدت به دو عامل وابسته است: نحوه نمایش ساختار اتمی به زبان ریاضی (بازنمایی ویژگی) و معماری مدل یادگیری.

مقاله «درهم‌تنیدگی محلول‌های جامد: یادگیری ماشینی شبکه‌های تانسوری برای پیش‌بینی خواص مواد» نوشته دیوید ای. سامر و اسکات تی. دانهام، رویکردی نوآورانه و الهام‌گرفته از فیزیک کوانتوم برای حل این چالش ارائه می‌دهد. این پژوهش، پلی میان دنیای شبکه‌های تانسوری (Tensor Networks) که ابزاری کلیدی در فیزیک سیستم‌های چندپیکره کوانتومی است، و علم مواد محاسباتی برقرار می‌کند. اهمیت این مقاله در ارائه یک معماری یادگیری است که نه تنها کارآمد و دقیق عمل می‌کند، بلکه قادر است با داده‌های آموزشی محدود نیز به تعمیم‌پذیری بالایی دست یابد؛ مشکلی که یکی از موانع اصلی در کاربرد یادگیری عمیق در علم مواد محسوب می‌شود.

دیوید ای. سامر (David E. Sommer) و اسکات تی. دانهام (Scott T. Dunham) پژوهشگرانی در حوزه علم مواد محاسباتی و فیزیک محاسباتی هستند. این مقاله در نقطه تلاقی سه حوزه علمی پیشرفته قرار دارد:

• علم مواد: هدف نهایی، پیش‌بینی دقیق خواص مواد پیچیده مانند آلیاژها (محلول‌های جامد) است.
• فیزیک کوانتوم: مفهوم بنیادین شبکه‌های تانسوری و درهم‌تنیدگی از این حوزه وام گرفته شده است. این ابزارها در اصل برای مدل‌سازی سیستم‌های کوانتومی با درجات آزادی بسیار بالا توسعه یافته‌اند.
• یادگیری ماشینی: از این حوزه به عنوان موتور پیش‌بینی‌گر برای ساخت مدل‌هایی استفاده می‌شود که قادر به یادگیری روابط پیچیده میان ساختار و خواص مواد هستند.

زمینه اصلی تحقیق، ایجاد مدل‌هایی است که بتوانند ذات کوانتومی برهمکنش‌های بین اتمی را که تعیین‌کننده خواص ماکروسکوپی مواد هستند، به شکلی مؤثرتر درک کنند. مدل‌های یادگیری عمیق سنتی، با وجود قدرت بالا، اغلب به عنوان «جعبه سیاه» عمل می‌کنند و درک فیزیکی عمیقی از پدیده مورد بررسی ارائه نمی‌دهند. این مقاله تلاش می‌کند تا با استفاده از معماری الهام‌گرفته از فیزیک، این شکاف را پر کند.

این مقاله استدلال می‌کند که معماری‌های مبتنی بر شبکه‌های تانسوری برای مدل‌سازی بازنمایی‌های ساختار اتمی که در فضای هیلبرت تعریف می‌شوند، بسیار مناسب هستند. پیشرفت‌های اخیر در یادگیری ماشینی برای مواد، مدیون بازنمایی‌های پیشرفته‌ای است که ساختار اتمی را بر اساس توزیع چگالی اتمی توصیف می‌کنند. این بازنمایی‌ها را می‌توان به عنوان بردار‌هایی در یک فضای هیلبرت انتزاعی چندپیکره در نظر گرفت.

از سوی دیگر، شبکه‌های تانسوری که به طور سنتی در فیزیک کوانتوم و اطلاعات کوانتومی برای توصیف حالت‌های درهم‌تنیده استفاده می‌شوند، اخیراً در کاربردهای یادگیری ماشینی مانند بینایی کامپیوتر و پردازش زبان طبیعی نیز موفق بوده‌اند. نویسندگان نشان می‌دهند که این ابزار قدرتمند می‌تواند به طور مستقیم برای یادگیری خواص مواد از روی ساختار اتمی آن‌ها به کار گرفته شود. آن‌ها این ایده را بر روی مجموعه داده‌های استاندارد حاصل از محاسبات نظریه تابعی چگالی (DFT) برای آلیاژهای فلزی و نیمه‌رسانا آزمایش می‌کنند و نشان می‌دهند که این مدل‌ها حتی با داده‌های آموزشی اندک، تعمیم‌پذیری بالایی دارند و از نظر تعداد پارامترها بسیار بهینه هستند. نکته جالب توجه، ارتباط میان قدرت تعمیم‌پذیری مدل و میزان «درهم‌تنیدگی» موجود در شبکه تانسوری آموزش‌دیده است.

روش‌شناسی این پژوهش از چند مرحله کلیدی تشکیل شده است:

• بازنمایی ساختار اتمی: در گام اول، ساختار سه‌بعدی اتم‌ها در یک ماده به یک بردار ویژگی با ابعاد بسیار بالا تبدیل می‌شود. این کار با استفاده از روش‌هایی مبتنی بر توزیع چگالی اتمی انجام می‌گیرد که اطلاعات مربوط به محیط شیمیایی هر اتم را در خود جای می‌دهد. این بردارها در فضایی ریاضی به نام فضای هیلبرت قرار می‌گیرند که شباهت زیادی به فضای حالت در مکانیک کوانتومی دارد.
• معماری مدل (شبکه تانسوری): به جای استفاده از شبکه‌های عصبی عمیق متداول، نویسندگان از یک معماری شبکه تانسوری، به طور خاص توپولوژی‌هایی مانند «حالت ضرب ماتریسی» (Matrix Product State)، استفاده می‌کنند. یک شبکه تانسوری، یک تانسور بسیار بزرگ (در اینجا، بردار ویژگی ورودی) را به شبکه‌ای از تانسورهای کوچکتر و متصل به هم تجزیه می‌کند. این کار دو مزیت عمده دارد:
  1. تعداد پارامترهای مدل را به شدت کاهش می‌دهد و از بیش‌برازش (Overfitting) جلوگیری می‌کند.
  2. ساختار آن برای به دام انداختن همبستگی‌های پیچیده و چندپیکره (مشابه درهم‌تنیدگی کوانتومی) مناسب است.
• آموزش و ارزیابی: مدل شبکه تانسوری با استفاده از مجموعه داده‌های موجود از محاسبات DFT آموزش داده می‌شود. در این محاسبات، خواص مواد (مانند انرژی تشکیل) برای ساختارهای اتمی مختلف محاسبه شده است. هدف مدل این است که یاد بگیرد با دریافت یک ساختار اتمی، خاصیت مربوطه را با دقت بالا پیش‌بینی کند. عملکرد مدل از نظر دقت پیش‌بینی و قابلیت تعمیم روی داده‌های دیده‌نشده ارزیابی می‌شود.

این تحقیق به نتایج مهم و قابل توجهی دست یافته است که در ادامه به صورت فهرست‌وار بیان می‌شود:

• تعمیم‌پذیری قوی با داده‌های کم: مدل‌های مبتنی بر شبکه تانسوری نشان دادند که حتی با مجموعه‌های آموزشی کوچک، عملکردی بسیار بهتر از مدل‌های رقیب دارند. این یک مزیت حیاتی در علم مواد است، زیرا تولید داده‌های باکیفیت از طریق شبیه‌سازی‌های DFT بسیار گران و زمان‌بر است.
• کارایی پارامتریک بالا: این مدل‌ها برای دستیابی به دقت بالا به تعداد پارامترهای بسیار کمتری نسبت به شبکه‌های عصبی عمیق نیاز دارند. این ویژگی آن‌ها را سبک‌تر، سریع‌تر برای آموزش و کمتر مستعد بیش‌برازش می‌کند.
• ارتباط بین درهم‌تنیدگی و عملکرد: نویسندگان یک ارتباط مستقیم میان درهم‌تنیدگی آنتروپی (یک معیار کمی برای سنجش درهم‌تنیدگی در شبکه تانسوری) و خطای پیش‌بینی مدل پیدا کردند. مدل‌هایی که در طول آموزش، ساختاری با درهم‌تنیدگی پیچیده‌تر ایجاد می‌کردند، قادر به پیش‌بینی دقیق‌تر خواص مواد بودند. این یافته نشان می‌دهد که مدل در حال یادگیری همبستگی‌های فیزیکی غیربدیهی و دوربرد بین اتم‌ها است.
• فشرده‌سازی فضای ویژگی: ساختار شبکه‌های تانسوری به طور طبیعی یک روش کارآمد برای فشرده‌سازی فضای ویژگی ورودی با ابعاد بالا ارائه می‌دهد و تنها اطلاعات مرتبط را برای پیش‌بینی حفظ می‌کند.

دستاوردهای این پژوهش پیامدهای عملی گسترده‌ای برای آینده طراحی مواد دارد:

• تسریع کشف مواد: با استفاده از این مدل‌های کارآمد، می‌توان فضای ترکیبی وسیعی از آلیاژها را در زمان بسیار کوتاهی غربالگری کرد تا کاندیداهای امیدوارکننده برای کاربردهای خاص (مانند کاتالیزورها، باتری‌ها یا آلیاژهای با استحکام بالا) شناسایی شوند.
• مدل‌های تفسیرپذیرتر: برخلاف مدل‌های «جعبه سیاه»، ساختار شبکه تانسوری و معیارهایی مانند درهم‌تنیدگی، پنجره‌ای به سوی درک فیزیکی عملکرد مدل باز می‌کنند. تحلیل ساختار شبکه می‌تواند به ما بگوید کدام برهمکنش‌های اتمی برای یک خاصیت مشخص، مهم‌تر هستند.
• پل جدید میان فیزیک و یادگیری ماشینی: این کار نمونه‌ای برجسته از این است که چگونه مفاهیم بنیادی از فیزیک نظری (مانند درهم‌تنیدگی) می‌توانند به طراحی معماری‌های یادگیری ماشینی بهتر و متناسب با مسائل علوم طبیعی منجر شوند.
• مدل‌سازی سیستم‌های پیچیده: این رویکرد به ویژه برای مواد با بی‌نظمی ساختاری بالا، مانند آلیاژهای با آنتروپی بالا (High-Entropy Alloys)، که مدل‌سازی آن‌ها با روش‌های سنتی دشوار است، بسیار مناسب می‌باشد.

مقاله «درهم‌تنیدگی محلول‌های جامد» با موفقیت نشان می‌دهد که شبکه‌های تانسوری، که ریشه در فیزیک کوانتوم دارند، یک ابزار قدرتمند، کارآمد و از نظر فیزیکی معنادار برای پیش‌بینی خواص مواد در حوزه یادگیری ماشینی هستند. مزایای کلیدی این رویکرد، شامل تعمیم‌پذیری بالا با داده‌های محدود، بهینگی در تعداد پارامترها و قابلیت تفسیرپذیری از طریق مفهوم درهم‌تنیدگی، آن را به گزینه‌ای جذاب برای نسل بعدی ابزارهای طراحی مواد محاسباتی تبدیل می‌کند. این پژوهش نه تنها یک راهکار عملی برای یک چالش مهم ارائه می‌دهد، بلکه مسیرهای جدیدی را برای استفاده از هم‌افزایی میان فیزیک نظری و هوش مصنوعی در جهت حل مسائل پیچیده علمی باز می‌کند.