تُعد المواد البلورية جزءًا أساسيًا من التطبيقات التكنولوجية المتنوعة، إلا أن اكتشافها لا يزال يمثل تحديًا كبيرًا. تعتمد خصائص هذه المواد إلى حد كبير على هيكلها، مما يجعل طرق توقع الهيكل البلوري (CSP) محورًا رئيسيًا في المناهج الحسابية التي تهدف إلى تسريع هذه العملية.
حتى الآن، تم معالجة موضوع توقع الهيكل البلوري من منظور تحسين تركيبي، حيث تتمثل التحديات الرئيسية في تخصيص الذرات على شبكة دقيقة من المواقع المحددة مسبقًا في خلية الوحدة، مع تقليل طاقة تفاعلها. بينما توفر الطرق الرياضية الدقيقة حلولًا مضمونة، إلا أنها تصبح مكلفة من الناحية الحسابية في حالات النطاق الواسع، خاصة في غياب القيود التناظرية الإضافية.
في بحثنا الجديد، نقدم أسلوبًا يعتمد على **التعلم العميق (Deep Learning)** من خلال استخدام الشبكات العصبية الرسومية (GNNs) لتحدي تخصيص الذرات، ومن ثم توقع الهيكل البلوري. يمكن لهذه التقنية أن تخدم عينة من توزيع الهياكل القابلة للتطبيق بطريقة غير إشرافية.
نستفيد من الرسوم البيانية الموسعة لبناء رسوم بيانية حاسوبية على المواقع المنفصلة، مما يساعد في التقاط التفاعلات القصيرة والطويلة بين الذرات، ونستخدم نهج **Gumbel-Sinkhorn** لفرض النسب المطلوبة للهياكل المولدة.
لقد أظهرنا أن طريقتنا تتفوق على النهج التقليدية المعتمدة على القواعد وتتنافس مع الحلول التجارية عبر مجموعة من التراكيب الكيميائية. يتيح لنا ذلك استخدام بنى تحتية متنامية من وحدات معالجة الرسوميات (GPU) للتعامل مع التحديات التكرارية الفطرية لتوقع الهيكل البلوري، مما يمهد الطريق للتوسع إلى ما هو أبعد من القدرات الحالية.