تصور کنید سیستمی که نه تنها پیش‌بینی می‌کند، بلکه دقیقاً می‌داند چرا محاسبات علمی شکست می‌خورند. اگر هنوز به شهود انسانی برای اصلاح مدل‌های کوانتومی تکیه می‌کنید، باید بدانید که بازی تغییر کرده است.
در ۳۰ آوریل ۲۰۲۶، پژوهشگران XDFT را معرفی کردند؛ یک عامل (Agent) خود-تکامل‌یافته که برای تشخیص این مسئله طراحی شده که چرا نظریه تابعی چگالی (Density Functional Theory - DFT) استاندارد، نیمه‌رساناها را به‌اشتباه به عنوان فلز طبقه‌بندی می‌کند.
به نقل از گزارش منتشر شده در arxiv.org، سیستم XDFT به صورت یک حلقه بسته عمل می‌کند تا ناهماهنگی‌های خاصی مانند نظم مغناطیسی، همبستگی الکترونی یا نقص‌های ساختاری را شناسایی کند؛ مواردی که معمولاً در محاسبات دستی نادیده گرفته می‌شوند. این عامل به جای تکیه بر حدس‌های انسانی، فرضیات را از یک کاتالوگ منتخب استخراج کرده و برای تأیید آن‌ها، آزمون‌های اصول اولیه را اجرا می‌کند.
بر اساس مستندات این پژوهش، دستاوردهای کلیدی XDFT عبارتند از:
- نرخ موفقیت: شناسایی مکانیسم اصلاحی برای ۷۰ مورد از ۹۰ مورد عدم تطابق (۷۸ درصد).
- برتری رقابتی: عملکردی که یک مرتبه بزرگی (Order of Magnitude) بالاتر از نرخ ۱۹ درصدی تصادفی و نرخ ۲۰ درصدی مدل‌های زبانی بزرگ (Large Language Models - LLM) ایستا است.
- مقیاس بنچ‌مارک: تأیید نتایج بر روی مجموعه‌ای شامل ۱۲۴ ماده مختلف.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های استدلالی (Reasoning Models) اشاره کردیم، عبور از الگوهای آماری ساده به سمت استدلال‌های ساختاریافته، کلید پیشرفت در علوم سخت است. XDFT با به‌روزرسانی یک توزیع پسین بیزی (Bayesian posterior) جهانی، کاربردی بودن هر فرضیه را ردیابی می‌کند.
نکته شگفت‌انگیز این است که این منطق داخلی در نهایت به یک قانون ایستای چهارخطی تبدیل شد که پروتکلی ساده برای تحلیل‌های آتی مواد فراهم می‌کند. هر ماده تشخیص‌داده‌شده با یک پروتکل اصلاح‌شده و دلیل مکانیکی بازگردانده می‌شود و موارد شکست‌خورده به عنوان اهداف اولویت‌دار برای بررسی‌های تجربی علامت‌گذاری می‌شوند.
با اتوماسیون این «کارآگاه‌بازی» در طبقه‌بندی حالت پایه الکترونیکی، XDFT نیاز به دخالت دستی متخصصان در شیمی محاسباتی را به‌شدت کاهش می‌دهد. اما این تنها شروع مسیر است؛ آیا این عامل‌ها می‌توانند در آینده موادی را خلق کنند که هنوز در طبیعت وجود ندارند؟
گام بعدی شما
- مقاله کامل XDFT را در arxiv.org برای بررسی جزئیات ریاضی توزیع بیزی مطالعه کنید.
- تفاوت عملکرد عامل‌های حلقه-بسته (Closed-loop) را با مدل‌های زبانی ایستا در تحلیل داده‌های علمی مقایسه کنید.
- بررسی کنید که چگونه می‌توان قوانین استخراج‌شده از XDFT را در گردش‌کار (Workflow) شبیه‌سازی مواد به کار گرفت.
گفتگو